4. 多步预测核心概念

在宏观经济多步预测中，真正的难点不是“预测下一期”，而是“预测未来若干期”。一旦预测步长超过1，模型就会面临策略选择、样本窗口管理和误差传播三重挑战。本节围绕四个核心概念展开：直接预测与递归预测、滚动窗口与扩展窗口、预测 horizon 的定义，以及误差累积机制。理解它们之间的耦合关系，是后续情景建模与实战调参的基础。

一、核心原理：两条预测路径与两种窗口策略

多步预测的第一层决策是：用一步模型反复外推，还是为每个步长单独训练模型？这就是递归预测与直接预测的分野。

• 递归预测（Recursive / Iterated）：只训练一个一步预测模型，把预测值作为下一期输入，逐步滚动。优点是模型少、参数共享、样本利用率高；缺点是误差会随步长反馈放大，且模型训练时未见过“自己产生的预测值”，存在分布偏移。
• 直接预测（Direct）：对每个 horizon h 单独训练一个模型，直接用 t 期信息预测 t+h 期。优点是避免误差反馈、每步模型可独立优化；缺点是模型数量随步长线性增长，长步长样本量减少，且各步预测之间可能不连贯。
• 混合策略（Hybrid / Multi-output）：用一个模型同时输出多个步长，或对递归与直接结果加权组合，兼顾一致性与稳健性。

第二层决策是样本窗口如何随预测推进而移动：

• 滚动窗口（Rolling / Sliding Window）：固定训练集长度，每预测一步就丢弃最旧样本、加入最新样本。适合结构变化快、参数时变的场景，如高频宏观nowcasting。
• 扩展窗口（Expanding Window）：训练集从起点不断累积，不丢弃历史。适合结构稳定、样本稀缺的场景，如年度宏观数据。

二、方法流程：从horizon定义到误差监控

预测 horizon 指从当前时刻 t 到目标时刻 t+h 的步数，h 可以是1、2、3……H。多步预测的完整流程如下：

1. 确定预测起点 t 与最大步长 H，明确每个 h 对应的经济含义（如h=1为下月，h=12为次年同月）。
2. 选择预测策略：递归、直接或混合。
3. 选择窗口策略：滚动或扩展，并设定最小训练样本数。
4. 对每个 h 进行样本构造：递归用一步标签，直接用 t+h 标签。
5. 训练与验证：采用时间序列交叉验证，避免未来信息泄露。
6. 滚动外推并记录每步预测值、真实值与误差。
7. 按 horizon 分层评估误差，绘制误差累积曲线。

下面是一个递归预测与滚动窗口结合的伪代码示例：

# 递归预测 + 滚动窗口
min_train = 60
H = 12
for t in range(min_train, len(data) - H):
    train = data[t - min_train : t]      # 滚动窗口
    model.fit(train)
    preds = []
    x_input = train[-1]
    for h in range(1, H + 1):
        y_hat = model.predict(x_input)
        preds.append(y_hat)
        x_input = update_features(x_input, y_hat)  # 预测值回填
    record(t, preds, data[t : t + H])

三、案例/场景：误差累积如何改变预测结论

假设我们用递归AR模型预测某国CPI同比，一步RMSE为0.3个百分点。若误差独立同分布，理论上h步RMSE约为0.3×√h；但宏观变量存在自相关与模型误设，实际误差往往呈超线性增长。下表对比了递归与直接预测在不同horizon下的典型表现：

误差累积机制可拆解为三个来源：参数不确定性（模型系数估计误差）、新息不确定性（未来冲击不可知）、反馈不确定性（递归中预测值回填引入的额外误差）。直接预测消除了第三项，但前两项仍随horizon增长。滚动窗口通过持续更新参数，可部分缓解参数不确定性；扩展窗口则保留更多历史信息，降低方差但可能引入偏差。

四、误区与复盘：多步预测中最容易踩的坑

复盘时建议建立“horizon-误差”矩阵，记录每个步长在滚动窗口与扩展窗口下的表现，并对比递归、直接、混合三种策略。重点关注误差累积曲线的拐点：若某一步长后误差急剧上升，说明模型结构或窗口长度需要调整。同时，应监控预测值的分布漂移，避免模型在长horizon上退化为常数预测。