Generalisation Bounds of Zero-Shot Economic Forecasting using Time Series Foundation Models

📄 arXiv: 2506.15705v2 📥 PDF

作者: Jittarin Jetwiriyanon, Teo Susnjak, Surangika Ranathunga

分类: cs.LG, cs.AI

发布日期: 2025-05-30 (更新: 2025-08-02)

DOI: 10.3390/make7040135

💡 一句话要点

利用时间序列基础模型实现零样本经济预测，无需定制训练。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列预测 零样本学习 宏观经济指标 基础模型 经济预测

📋 核心要点

  1. 传统经济预测模型依赖大量数据和定制训练，难以应对数据稀缺和结构性突变。
  2. 论文提出利用预训练的时间序列基础模型(TSFMs)进行零样本预测，无需额外训练。
  3. 实验表明，TSFMs在稳定经济条件下可媲美甚至超越传统模型，但在剧烈冲击下性能下降。

📝 摘要（中文）

本研究探讨了时间序列基础模型(TSFMs)在宏观经济指标零样本预测方面的能力。我们应用TSFMs在单变量条件下预测经济指标，无需使用大量训练数据集训练定制的计量经济学模型。我们的实验在一个案例研究数据集上进行，没有额外的定制。我们严格地回测了三种最先进的TSFMs（Chronos、TimeGPT和Moirai）在数据稀缺和结构性突变的情况下表现。结果表明，经过适当设计的TSFMs可以内化丰富的经济动态，适应制度转变，并提供开箱即用的良好不确定性估计，同时在该领域与最先进的多元模型相匹配。我们的研究结果表明，在没有任何微调的情况下，TSFMs可以在稳定的经济条件下匹配或超过经典模型。然而，在快速冲击时期，它们的性能容易下降。这些发现为从业者提供了关于何时零样本部署对于宏观经济监测和战略规划是可行的指导。

🔬 方法详解

问题定义：论文旨在解决宏观经济指标预测问题，尤其是在数据稀缺和存在结构性突变的情况下。传统计量经济学模型需要大量特定领域的数据进行训练和校准，这在数据有限或经济环境快速变化时变得不可行。现有方法的痛点在于对数据依赖性强，泛化能力弱，无法快速适应新的经济形势。

核心思路：论文的核心思路是利用预训练的时间序列基础模型（TSFMs）的强大泛化能力，实现零样本经济预测。这些模型已经在大量时间序列数据上进行了预训练，学习了通用的时间序列模式和动态，因此可以直接应用于新的经济预测任务，而无需额外的训练或微调。这样可以大大降低对数据的需求，并提高模型对新环境的适应能力。

技术框架：论文采用的整体框架是直接将预训练的TSFMs应用于经济指标预测。具体流程包括：1）选择合适的TSFMs（Chronos、TimeGPT和Moirai）；2）准备经济指标数据；3）使用TSFMs进行零样本预测；4）评估预测结果。该框架的关键在于TSFMs的选择和预测结果的评估，没有涉及复杂的模型训练或微调过程。

关键创新：论文最重要的技术创新点在于验证了TSFMs在零样本经济预测中的可行性。与传统方法相比，这种方法无需针对特定经济指标进行模型训练，大大降低了数据需求和模型开发成本。此外，论文还评估了TSFMs在不同经济环境下的表现，包括稳定时期和剧烈冲击时期，为实际应用提供了指导。

关键设计：论文的关键设计在于选择了三种不同的TSFMs（Chronos、TimeGPT和Moirai）进行比较，以评估不同模型的性能。此外，论文还采用了严格的回测方法，模拟了实际的预测场景，并考虑了数据稀缺和结构性突变的影响。论文没有涉及具体的参数设置或网络结构设计，因为重点在于评估现有TSFMs的零样本预测能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在稳定的经济条件下，TSFMs的零样本预测性能可以与最先进的多元模型相媲美甚至超越传统模型。然而，在经济剧烈冲击时期，TSFMs的性能会下降。该研究为TSFMs在经济预测领域的应用提供了重要的参考依据，并指出了其优势和局限性。

🎯 应用场景

该研究成果可应用于宏观经济监测、战略规划和风险管理等领域。通过零样本预测，可以快速评估经济形势，辅助决策者制定合理的政策。尤其在数据匮乏或经济环境快速变化的时期，该方法具有重要的应用价值。未来，可以将TSFMs与其他经济模型相结合，进一步提高预测精度和可靠性。

📄 摘要（原文）

This study investigates zero-shot forecasting capabilities of Time Series Foundation Models (TSFMs) for macroeconomic indicators. We apply TSFMs to forecasting economic indicators under univariate conditions, bypassing the need for train bespoke econometric models using and extensive training datasets. Our experiments were conducted on a case study dataset, without additional customisation. We rigorously back-tested three state-of-the-art TSFMs (Chronos, TimeGPT and Moirai) under data-scarce conditions and structural breaks. Our results demonstrate that appropriately engineered TSFMs can internalise rich economic dynamics, accommodate regime shifts, and deliver well-behaved uncertainty estimates out of the box, while matching state-of-the-art multivariate models on this domain. Our findings suggest that, without any fine-tuning, TSFMs can match or exceed classical models during stable economic conditions. However, they are vulnerable to degradation in performances during periods of rapid shocks. The findings offer guidance to practitioners on when zero-shot deployments are viable for macroeconomic monitoring and strategic planning.