近期研究探索了利用大型语言模型（LLMs）从文本中提取信息以预测金融市场。在时间序列预测方面， J. Chen et al. (2025) 发现，利用 ChatGPT 分析《华尔街日报》的新闻内容可以预测股市和宏观经济表现。他 们的研究表明，这种预测能力主要源于投资者对利好消息的反应不足，尤其在经济下行和信息不确定性高的 时期，ChatGPT 在捕捉与市场风险溢价相关的经济新闻方面表现突出。在横截面资产定价方面，Lopez-Lira 首先，“前视偏差”是指由于大语言模型在学习语料中已经包括了非常多的信息，这可能导致回测中高估 所构造指标的预测能力。例如，在使用大语言模型预测宏观经济时，由于其在训练过程中已经知道了宏观经济 的历史走势，即便不给大模型提供额外的信息，它依然可以 “回忆” 出宏观经济的变动情况。这样就会导致研 究者在使用历史数据评估其预测能力时出现高估。目前在文献中避免前视偏差的方式有两种：一是如J. Chen et (2024) 的 综述文章总结了 AI 智能体社会模拟的探索。从经济学角度看，对潜在的经济政策进行模拟可能成为最有现实 意义的应用之一。例如，Li et al. (2024) 基于大模型进行了宏观经济模拟，预测了全民基本收入（Universal Basic Income，UBI）对于劳动供给的可能影响。通过让大模型智能体的人口统计学特征分布与现实数据中的 分布相对应，研究者可以探索经济政策对不同人群的异质性影响以及加总结果。

2025年7月 ������� ������� ��� 2025 2 | 2025年全球汽车供应链核心企业竞争力白皮书 2024年，全球宏观经济延续波动与复苏交织的态势，地缘博弈、贸易壁垒、供应 链重塑等因素持续影响全球产业格局。在这种不确定的大环境下，全球主要零部 件企业营收规模遭遇了近年来的首次负增长，欧洲、日韩等传统强势市场普遍承 压，区域间、企业间的分化进一步加剧。 面 域的研发投入持续加大，成为带动行业发展的重要 力量。同时，传统零部件业务在疫情后虽有所反弹， 但整体仍处于下行通道，行业分化趋势显著。 趋势一：总体规模及利润总额增速放缓， 头部虹吸效应凸显 受宏观经济、价格战以及商用车市场平缓发展等多重 影响，零部件企业整体营收增速放缓，但头部企业通 过规模与技术优势保持较高盈利增速，虹吸效应日益 突出。 中国汽车零部件行业整体营收规模增长降速，价格战

拟招商企业的对象监测和分析， 经销商 借助数据提高招商转化率 个人股东 利益集团 人 事 隐性股东 投融资 投资企业 宏观经济 行业 分支机构 历史股东 行业生态 合作伙伴 高管 生产 企业 画像 招商体验与宣传 项目过程管理 投资促进专报 招商政策兑付 企业流失预防 投资关系管理

产品 BOM 数据 销售订单数据 生产计划数据 机器设备数据 制造制造过程数据 工装、刀具数据 产品使用过程数据 环境参数数据 能源消耗数据 供应链上下游数据 市场反馈数据 宏观经济数据 社交网络数据 客户服务数据 生产 经营 广义 工业 大数据 狭义工业大数据 价值性 实时性 准确性 闭环性 工业大数据定义 A2 ：工业大数据解决方案 10 10 获取层

政府机构基本信息。其中 企业基本信息有企业名称、企业注册类型、企业法人基本信息、企业员工基本 信息等；政府机构基本信息有机构名称、上级部门、下属机构、机构人员基本 信息等。  宏观经济采集数据 宏观经济库需要采集的数据是覆盖财政、税收、投资、消费、出口、物价 等方面的数据，包括工业总产值、出口交货值、货物吞吐量、用电量、服务业 75 营业收入等。 具体如下表所示： 表 需求分析-21 始数据采集或共享方式 采集 法人 主要包含企业基本信息和政府机构基 本信息以及面向智慧化工园区管理的 法人扩展信息。 面向工商、税务、统 计、经发等部门进行原 始数据采集或共享采集 宏观经济 采集的数据是覆盖财政、税收、投 资、消费、出口、物价等方面的数 据，包括工业总产值、出口交货值、 货物吞吐量、用电量、服务业营业收 入等。 面向经发、统计、招商 等部门进行原始数据采 的整合公共信息资源。具体建设需求如下： 表 需求分析-3 公共数据库建设功能需求表 功能 功能细分 功能描述 公 共 数 据 库 建 设 公共基础数据库 公共基础数据库由人口数据库、法人数据库、宏观经济数据 库等三大类数据库组成。是园区进行各项管理的基础数据 公共业务数据库 公共业务数据库是基于公共基础数据库的业务性扩展数据 库。公共业务数据由根据业务应用需要而扩展的各类指标项 构成，

ECC 企业控制中心，公司汇集了千亿条全国挖掘机开 工运行数据，包括地理位置、运行轨迹、土方数据、油耗统计等真实反映经济 运行的实时数据，形成挖掘机指数，被称为“经济晴雨表”，被报送给政府领导 用作观察宏观经济的指标。设备开工时长是实时数据，能直接反映需求端的上 行或下降趋势，相比之下，订单情况由于交货周期影响，对市场需求边际变化 的反映有所滞后。公司通过监测设备开工时长，可提前感知市场变化，率先调 整生产和销售策略。

需求预测与库存管理：传统的预测方法往往依赖于历史数据和统计模型，但在面对市场波动和不确定性时， 这些方法显得力不从心。AI 通过机器学习算法，可以分析大量的历史销售数据、市场趋势、季节性因素以及 宏观经济指标，从而生成更准确的需求预测。不仅能够减少库存积压，还避免了因缺货而导致的生产中断。 供应商选择与评估 ：供应商的选择与评估是确保供应链稳定性的关键。通过自然语言处理（NLP）技术， 自动收