方法论
AUTO-ARIMAX
模型
我们的预测引擎结合了带有外生变量的自回归综合移动平均模型，针对每个经济指标自动优化。
模型架构
ARIMAX（带外生变量的自回归综合移动平均）
AUTO-ARIMAX模型通过纳入影响目标指标的外部经济变量来扩展传统ARIMA。我们的系统通过严格的统计测试自动确定最优参数。
- AR (p): 自回归阶数 - 捕获对过去值的依赖
- I (d): 差分阶数 - 通过差分处理非平稳性
- MA (q): 移动平均阶数 - 建模预测误差
- X: 外生变量 - 纳入相关经济指标
评估指标
我们如何衡量模型性能
平均绝对误差（MAE）
预测误差的平均幅度。较低的值表示更好的准确性。提供与目标变量相同单位的直观解释。
均方根误差（RMSE）
平均平方误差的平方根。比MAE更重地惩罚较大误差，使其对异常值和极端预测偏差敏感。
平均绝对百分比误差（MAPE）
与实际值的平均百分比偏差。与规模无关的指标，允许跨不同幅度的指标进行比较。
方向准确性
正确预测变化方向（上升/下降/持平）的预测百分比。对于趋势方向比精确值更重要的交易和政策决策至关重要。
数据来源
FRED（联邦储备经济数据）
所有经济数据均来自圣路易斯联邦储备银行的FRED数据库，这是美国经济统计数据最全面和最权威的来源。
FRED提供高频更新、严格的数据质量标准以及强大时间序列建模所必需的广泛历史覆盖。我们的系统自动检索最新数据发布，以确保预测反映当前经济状况。
学术基础
基于研究的方法论
我们的方法建立在数十年时间序列预测的计量经济学研究基础上。关键方法论基础包括：
- Box-Jenkins方法论用于ARIMA模型识别
- 赤池信息准则（AIC）用于模型选择
- 增强Dickey-Fuller检验用于平稳性评估
- 滚动窗口验证用于样本外性能评估
模型每月使用扩展数据窗口重新训练，以纳入新信息，同时保持统计严谨性。