From Vector Autoregressions to AI-based Time Series Forecasting: A Review

想象一下，你正试图预测天气、股市，甚至是你的朋友接下来会说什么。在数据科学领域，这被称为预测（forecasting）。几十年来，处理多个移动变量（如温度、风力和湿度同时变化）的黄金标准是一种被称为**向量自回归（Vector Autoregression，简称 VAR）**的数学工具。你可以把 VAR 想象成一个非常严谨、恪守规则的会计师。它观察过去，假设未来会与过去完全一致但略有偏移，并利用固定的规则来推测接下来会发生什么。它非常擅长理解事情发生的“原因”以及测试理论，但在面对混乱或庞大的数据时，它会显得有些僵化。

最近，一波**人工智能（AI）**浪潮席卷而来，带来了诸如 Transformer（聊天机器人背后的技术）、基础模型（Foundation Models）（在海量数据上训练出的超级智能模型）以及 扩散模型（Diffusion Models）（能够创造新图像的生成式艺术工具）等工具。这些新工具就像是狂野且富有创造力的即兴表演者。它们可以处理海量数据，捕捉奇特的模式，并同时构想出许多种不同的未来。但这里有一个核心问题：这些华丽的新型 AI 工具是真的更了解这个世界，还是仅仅擅长进行猜测？本文是一本指南，通过对比旧有的、僵化的会计师（VAR）与新型的、富有创造力的 AI 即兴表演者，旨在观察它们各自的闪光点、失误之处，以及我们如何将它们各自的最佳特质融合在一起。

---

伟大的预测之战：旧规则 vs. 新技巧

这篇由 Likai Chen 和 Weining Wang 撰写的论文，充当了两个经常互不往来的世界之间的桥梁：传统的计量经济学（经济学的数学）世界与现代的 AI 预测世界。作者认为，尽管 AI 模型在预测未来方面变得极其出色，但它们缺失了旧模型的“灵魂”——即解释“为什么”以及证明其猜测在结构上是否稳健的能力。

论文围绕任何“穿越时空”的预测器都会面临的三大挑战展开了整个故事：高维性（变量过多）、非平稳性（游戏规则不断变化）以及非线性（事物并不总是沿直线运动）。

1. 旧守卫：作为僵化蓝图的 VAR

四十年来，**向量自回归（VAR）**一直是首选工具。把 VAR 想象成建筑的蓝图。它假设如果你知道建筑昨天是如何移动的，你就可以利用一套固定的蓝图（系数）精确计算出它今天将如何移动。

• 优点： 它具有透明度。你可以问：“如果我推一下这面墙（政策冲击），屋顶会如何反应？”并得到一个被称为**脉冲响应（impulse response）**的清晰答案。它还拥有内置测试，用以观察一种事物是否真的导致了另一种事物的发生。
• 缺点： 它很僵化。如果建筑开始以一种奇怪的、非直线的方式摇晃，或者因为地面移动而需要更改蓝图，VAR 就会陷入混乱。此外，当你尝试增加过多的“墙壁”（变量）时，它也会因为数学计算过于沉重而难以应对。

2. 新成员：Transformer 与注意力机制

接下来是 Transformer，它是 AI 舞台上的明星。作者将其描述为 VAR 的一种“非线性泛化”。

• 类比： 如果说 VAR 是一个僵化的蓝图，那么 Transformer 就是一个智能聚光灯。它不再使用固定规则来观察过去，而是根据当前情况，将聚光灯投射到过去看似最重要的部分。
• 运作方式： 在 VAR 中，给予上个月数据的权重在每次都是相同的。而在 Transformer 中，“注意力权重（attention weights）”会根据当前情境而改变。如果经济处于危机中，聚光灯可能会强烈聚焦于近期的冲击；如果情况平稳，它可能会看向更久远的过去。
• 代价： 这种灵活性是有代价的。因为聚光灯会不断移动，你无法轻易询问：“这里的固定规则是什么？”论文指出，虽然 Transformer 非常擅长预测“会发生什么”，但它们并不擅长解释“为什么”。它们无法自然地产生经济学家所需的“脉冲响应”或“因果性测试”。

3. 准备充分的学者：基础模型

接着，论文探讨了基础模型。它们就像是那些在参加考试前已经读完了图书馆里所有教科书的顶级学生。

• 转变： 传统上，你会为每个特定问题构建一个新模型（例如，一个模型用于通胀，另一个用于销售）。而基础模型是在大量的、各种各样的序列数据上进行**预训练（pretrained）**的。
• 零样本预测（Zero-Shot Forecasting）： 这意味着你可以给模型一个它从未见过的全新数据集，它无需重新训练就能预测未来。这就像是交给一个学生一道新的数学题，而他们能瞬间解出，因为他们已经见过一百万道类似的题目。
• 风险： 作者警告了**污染（contamination）**问题。如果模型的训练数据中意外包含了测试数据，那么它的“完美”得分就是谎言。这就像是一个背下了答案集的学生。论文建议，尽管这些模型令人印象深刻，但我们在测试它们时必须保持谨慎。

4. 梦想家：扩散模型

最后是扩散模型。如果说 VAR 给你的是一个单一数值（点预测），Transformer 给你的是几个可能的数值，那么扩散模型则会给你一整部关于可能性的电影。

• 机制： 想象一段云朵慢慢变成晴朗天空的视频。扩散模型的工作原理是反向的：它从纯粹的静态噪声（noise）开始，通过不断的“去噪（denoises）”，直到一个清晰的未来景象浮现出来。
• 力量： 它不仅仅是说“会下雨”，它还可以生成成千上万种不同的降雨场景，展示一条大雨倾盆的路径、一条细雨绵绵的路径，以及一条雨突然停止的路径。这比旧方法能更好地捕捉不确定性（uncertainty）。
• 局限： 与其他 AI 模型一样，它本身并不了解长期的经济规则（如协整关系）。它可能会生成一个通胀与利率永久偏离的未来，即便经济理论认为它们必须保持关联。

核心结论：灵活性 vs. 理解力

作者以一个至关重要的洞察作为总结：现代 AI 方法是在扩展工具箱，而非取代旧工具。

• 收获： AI 模型在处理非线性（奇特的曲线模式）和高维性（海量数据）方面表现卓越。它们可以从数据中学习复杂的规则，而无需我们亲手编写规则。
• 损失： 它们缺乏旧有 VAR 的结构化工具。它们无法自然地提供“脉冲响应”（冲击如何传播）、“格兰杰因果关系”（A 是否导致 B？）或“协整性”（变量在长期内是否保持关联？）。
• 定论： 论文认为，我们不应丢弃旧有的计量经济学工具。相反，我们需要将 AI 的预测能力与计量经济学的解释能力结合起来。

作者建议，未来在于一种混合方法。我们需要研究如何将这些灵活的、黑箱式的 AI 模型，强制使其遵循经济的结构化规则，或者至少开发出新的方法来测试它们的预测是否合理。在此之前，虽然 AI 可以告诉我们“可能发生什么”，但传统的计量经济学家仍然是告诉我们“为什么这很重要”以及“如何去修复它”的最佳人选。论文最后指出，这就是那个“核心开放性问题”：如何让这些强大的新机器不仅是优秀的猜谜者，更是优秀的解释者。