面向经济时间序列的生成式人工智能检验
Testing Generative Artificial Intelligence for Economic Time Series
发布时间：
状态： 工作论文。已投稿至 Journal of Time Series Analysis 关于宏观经济与金融中人工智能的特刊。
本文研究由人工智能生成的合成时间序列能否可靠地替代观测到的经济与金融数据。论文不依赖于可视化比较、汇总统计量或模型排名，而是将合成数据的验证表述为一个正式的有限期设定检验。
作者
Yongmiao Hong, Oliver Linton, Jiajing Sun, and Abderrahim Taamouti.
概述与贡献
该检验利用特征核最大均值差异（MMD），将留出观测序列的重叠块与多条独立生成路径的块进行比较。原假设询问两个样本是否具有相同的有限期联合分布，涵盖边际行为、序列动态、跨序列相依、领先—滞后关系以及非线性或尾部特征。
两个样本具有不同的相依结构：观测块相互重叠且保持序列相依，而合成观测则聚集于各条生成路径之内。因此，本文提出的自助法对观测序列使用相依乘子，对生成路径使用聚类乘子。在给定已拟合生成器的条件下，本文建立了自助法的有效性及渐近正确的检验水平。
证据与应用
在 2,000 次重复的模拟中，所提方法在精确原假设下的拒绝率接近名义的 5% 水平。相比之下，忽略观测序列的不确定性会使拒绝率接近 50%，表明对两种相依性来源同时进行校准的重要性。
实证应用利用美联储 H.10 报告中的六种汇率评估三个已拟合的生成器。在 2018–2020 年的留出样本上三个生成器均被拒绝，诊断分析表明没有任何一个生成器在边际、序列、跨货币及尾部特征上全面占优。
关键词
生成式人工智能；经验特征函数；最大均值差异；设定检验；相依乘子自助法；合成时间序列。
获取方式
论文目前正在期刊评审中，故本网站不提供论文全文。
推荐引用：Hong, Y., Linton, O., Sun, J., & Taamouti, A. (2026). Testing Generative Artificial Intelligence for Economic Time Series. Working paper.