1. 课程导入
欢迎进入《宏观经济多步预测与情景建模实战》。在开始动手之前，我们需要先建立一张清晰的“认知地图”：这门课究竟要解决什么问题、用到哪些核心概念、整体框架如何搭建、以及从数据到决策的实战路线怎么走。本章不涉及复杂建模，而是帮助你把后续30章的知识点串成一条可执行的主线。
一、学习目标：从“看懂宏观”到“推演未来”
宏观经济分析常被误解为“解读新闻”。但真正的多步预测与情景建模，目标不是复述过去，而是在不确定性中给出可比较、可追溯、可更新的未来路径。学完本课程，你应当能够独立完成以下任务：
- 目标1：构建多步预测思维。理解单期预测与多步预测的本质差异，掌握递归预测、直接预测与路径依赖的基本逻辑。
- 目标2：掌握核心宏观变量体系。熟悉GDP、CPI、PPI、M2、社融、利率、汇率、失业率等指标的经济含义、发布节奏与相互传导关系。
- 目标3：搭建情景建模框架。能够把“基准情景—乐观情景—悲观情景”转化为可计算的参数假设，并输出多步路径。
- 目标4：完成端到端实战。从数据获取、清洗、特征工程、模型选择、滚动回测到情景推演与报告输出，形成完整闭环。
- 目标5：识别并规避常见误区。包括数据窥探、过度拟合、忽略结构断点、混淆相关与因果等。
提示：本课程强调“可复现”。每一章的代码、参数与数据口径都会尽量保留，方便你在自己的环境中重跑并替换为最新数据。
二、核心概念：多步预测与情景建模的四个关键词
在进入框架之前，先锁定四个高频概念。它们会在后续章节反复出现，也是理解全课的基础。
| 核心概念 | 含义 | 在本课程中的典型应用 |
|---|---|---|
| 多步预测（Multi-step Forecasting） | 一次性或递归地预测未来多个时间点，而非仅预测下一期 | 预测未来8个季度的GDP增速路径 |
| 情景建模（Scenario Modeling） | 在不同外生假设下生成多条未来路径，用于比较与决策 | 油价上涨、政策收紧、出口下滑三种情景下的通胀路径 |
| 传导机制（Transmission Mechanism） | 变量之间的因果与滞后关系，决定冲击如何扩散 | 利率→投资→就业→消费→通胀的链条 |
| 滚动回测（Rolling Backtest） | 用历史数据模拟“当时可得到的信息”下的预测表现 | 评估模型在2015—2024年间的多步预测误差 |
这四个概念构成一个闭环：多步预测是任务，传导机制是逻辑，情景建模是扩展，滚动回测是检验。缺少任何一环，预测都容易沦为“拍脑袋”。
三、整体框架：从数据到决策的五层结构
本课程的整体框架可以概括为五层：数据层、特征层、模型层、情景层与决策层。它们不是简单的线性流程，而是带有反馈回路的迭代系统。下图展示了这一结构及其关键输入输出关系。
需要强调的是，五层框架并非一次性瀑布流程。决策层的反馈会反向影响特征选择与模型设定，而滚动回测则贯穿始终。后续章节会逐层展开，并在第25章之后进入综合实战。
四、实战路线图：30章如何一步步走完
为了让你对学习节奏有预期，这里给出一个简化的路线图。课程整体分为四个阶段：
- 基础阶段（第1—6章）：建立宏观变量体系、数据获取与清洗、描述性分析与可视化。
- 建模阶段（第7—16章）：从单变量ARIMA到多变量VAR、状态空间模型、机器学习与混合模型。
- 情景阶段（第17—24章）：情景设定、冲击传导、参数校准、多路径生成与比较。
- 实战阶段（第25—30章）：端到端案例、滚动回测、报告输出与常见误区复盘。
实战路线图的核心原则：每一章都产出一个可复用的模块。第3章的数据管道、第9章的VAR模板、第18章的情景参数表，最终会在第28章的综合案例中被组装成一个完整系统。
五、案例场景与常见误区
假设你在一家研究机构，需要预测未来8个季度的CPI与GDP增速，并给出三种情景。一个典型的错误做法是：直接用历史平均增速外推，或者只跑一个ARIMA模型就下结论。更合理的做法是：先明确传导链条（如M2领先CPI约2—4个季度），再设定外生情景（如油价、汇率、财政力度），最后用多模型集成输出路径区间。
三个高频误区：
- 误区一：用未来信息回测。在滚动回测中使用了当时尚未发布的数据，导致误差被严重低估。
- 误区二：把情景当预测。情景不是概率预测，而是“如果……那么……”的条件推演，必须明确假设边界。
- 误区三：忽略结构断点。疫情、政策转向、外部冲击都会改变参数关系，需定期检验并更新模型。
为了帮助你建立可复现的工作习惯，下面给出一个最小化的环境配置示例。后续章节的代码将默认在此基础上运行。
# 建议环境（Python 3.10+）
pip install pandas numpy statsmodels scikit-learn matplotlib seaborn
pip install pmdarima arch linearmodels
# 数据目录约定
# data/raw/ 原始数据
# data/processed/ 清洗后数据
# outputs/figures/ 图表输出
# outputs/reports/ 情景报告