萨金特和西姆斯教授因为发展了结构化多方程计量模型和向量自回归模型而获得了2011年诺贝尔经济学奖，为经济预测工作的发展奠定了基础。但总的看来，经济预测工作进展并不顺利，主要体现在预测精度不尽如人意，因此目前对于经济预测模型的评价标准往往不在于预测的准确度上，而主要关注其理论结构和逻辑分析体系的严谨性和前沿性。近年来，为了提高经济预测的准确度，实时预测方法不断涌现，成为经济预测新的有力工具。

一、传统经济预测方法主要依赖低频数据

宏观经济模型是进行经济预测的主要工具之一。和教科书中的纯理论模型不同，宏观经济模型致力于实际应用，在宏观经济理论和数据之间建立了一座桥梁。随着计算技术的发展和经济研究的需要，经济预测模型的规模日趋增大且涉及的内容日趋复杂，趋向于把若干不同的模型组合成为一个更大的综合模型，其中包括把投入产出模型引进宏观经济计量模型、把若干国家的宏观经济计量模型连接成一个全球性模型、把企业的微观经济行为与宏观经济现象联系起来等几个领域。这些大型宏观经济模型进行宏观经济总量预测，主要使用低频数据，以年度或季度为主，即使使用了月度数据，往往也会将高频的月度数据加总为季度数据，然后应用同频数据的模型对包括GDP在内的宏观经济总量指标进行分析和预测。

二、使用高频数据成为增加预测精度的有效方法

使用低频数据进行经济预测存在一些问题：

第一，一般季度或年度模型进行分析时，虽然尽可能使用最新公布的数据，但这种低频数据由于数据发布的时滞性，造成不能反映最新的“实时”经济形势，造成整个模型预测工作滞后。

第二，统计数据在最初公布后往往存在修订的情况，最终数据与最初公布的数据存在一定差异。虽然一般认为最终公布数据可能更为真实可靠，但是很多预测分析人员却持有完全相反的看法，即认为最终数据经历多次修改，修改过程中包含了较多新信息的干扰，已经失真，反映的不是经济的实时信息而是人们日后对当时经济形势的主观判断，从而对实证预测结果的准确性产生不利影响。

第三，在宏观经济时间序列中有很多反映当前经济状态和未来经济走势的变量，比如GDP、CPI和股票指数等，其中时间序列的数据长度、抽样频率等不尽相同，而目前大多数时间序列模型都采用相同频率的数据，因此一般把高频数据序列加总为低频数据序列，造成数据信息的丧失，降低预测精度。

为了提高经济预测精度，尽可能利用高频数据分析预测进行实时预测成为比较常见的选择。

三、基于高频数据的实时预测迅速发展

所谓实时预测，即对当前经济状况所做的估计。实时预测的目的是揭示当前的经济状态，即当期或者至多一期后的经济周期态势，其原则是将现有数据尽可能吸收到模型分析中，因此大量使用公布时间较早的高频数据。按照欧洲统计局的观点，实时预测是使用比传统分析较不完整信息集得出对经济变量的及时预测。由于实时预测使用的是不完整数据，因此需要使用特定的统计手段降低预测误差。

早期，包括欧洲各国央行在内的研究单位大都使用“桥接方程（BM）”将高频数据分析引入到季度GDP预测中。桥接方程（BM）可以将各种短期的定量及定性指标链接到国民经济账户的分析当中，虽然短期指标包含的信息并不完整，桥接方程（BM）在分析方法上具有一致性和连贯性特征，从而可以保证预测的相对精度。

本世纪初以来，实时预测领域开始大量采用混频数据建模(简称MIDAS)方法。MIDAS方法很好地解决了数据不同频时模型的估计与预测问题，可以实现利用高频的经济金融数据来实现对宏观经济总量的预测。MIDAS建模方法在宏观经济预测中主要有两个方面的优势：第一，它能够直接利用高频数据的信息，避免了因数据同频处理过程中所引起的全样本信息的损失和人为信息的虚增，从而增强了宏观经济预测的准确性；第二，它能够利用最新公布的高频数据更新低频数据的实时预测和短期预测，避免了因经济数据公布时滞而无法及时准确地对当前宏观经济状态和宏观经济走势进行判断，改进了宏观经济预测的时效性和短期预测的精确性。

除此之外，混频向量自回归模型（MR-VAR）也已经广泛应用于到宏观经济时间序列的实时预测中。MR-VAR采用状态空间形式，并通过最大似然算法或者预期最大化算法对模型进行估计和预测，具有MIDAS类似功能。

四、大数据为实时预测提供了支撑

大数据对经济预测的影响涉及数据来源、预测方法、预测结果等几乎每一个环节，在某种程度上改变了常规经济预测所遵循的基本范式。例如，美国麻省理工学院开展了“十亿价格”（Billion Prices Project，BPP）的研究项目。该项目与网络零售商合作，每天下载成千上万种在线零售商品的实时价格，生成每天的价格指数，可以实现以每天一次的频率发布价格变动和通货膨胀数据。利用BPP在线价格指数，可以较为准确地判断出未来一定时期特别是2—3个月时间内的通货膨胀变化趋势。加拿大麦吉尔大学的学者利用包括银行卡在内的电子支付大数据，通过多个模型的不同组合对加拿大GDP进行即时预测，并以此项工作为基础构建了一个全新的GDP月度数据库，预测精度显著提高。大数据具有实时性的突出特点，目前包括谷歌数据在内的大数据已经被广泛应用于经济分析和预测，为实时预测的发展提供了重要支撑条件。