朱 青，周石鹏

（上海理工大学管理学院，上海 200093）

0 引言

改革开放以来，中国是同期世界上经济发展最快的国家，经济实现了持续高速增长，成为世界第二大经济体。随着科学技术的发展，探索使用大数据和机器学习的方法改进宏观经济结构和趋势成为研究热点，包括对国民经济GDP（Gross Domestic Product，GDP）预测问题的研究。本文通过对经济因素的综合考量，选用GDP 增速作为经济发展趋势的重要评价指标。

GDP 增速反映经济发展趋势，与人民生活水平息息相关。根据中国国家统计局数据，中国经济经过多年的高速增长后，2015 年GDP 增速为6.9%，2016-2018 年增速分别为6.7%、6.8%和6.6%。2019 年GDP 增速为6.1%，是近年来最大的一次经济增速下降。因此，精准预测GDP 增速对宏观经济目标的可行性和有效性分析具有重要影响。

1 相关研究

国内外对宏观变量的预测方法包括两大类：利用模型预测和主观判断性预测。模型预测主要是时间序列方法和机器学习方法［1-3］。李娜等［4］利用ARIMA 模型对国民经济GDP 进行预测研究，表明了ARIMA 模型在GDP 预测方面的优良性；Wang&Shang［5］、Wang 等［6］将改进SVM 模型应用于股票预测，表明改进SVM 模型在预测方面的有效性。对经济进行主观预测的如美国联邦储备委员会，在确定货币政策之前，研究人员对美国经济走势提供主观预测，被称为绿皮书预测。

随着计算机技术的发展，机器学习算法和组合模型越来越多地应用于预测分析。王晓飞等［7］将时间序列模型和神经网络模型进行组合以预测PM2.5。传统时间序列方法，其缺点是要求时序数据稳定，并对复杂的非线性系统拟合能力较差，且容易发生多重共线性，预测精度不够准确。……