现代重商主义的四大预测领域 [page::2][page::3]

• 贸易保护主义显著增强，预测全球补贴超过30%的概率高达77%。

- 技术民族主义兴起，半导体制造能力预计50%迁出东亚。

• 全球战略竞争加剧，敏感技术领域如AI/生物技术投资受限。

- 地缘政治碎片化趋势明显， G20内部贸易份额预期下降10%。

量化分析方法：多模块集成预测框架 [page::4][page::5][page::6]

• 独立预测模块(IPM)涵盖LSTM时间序列预测、语义新闻分析、众包预测市场和宏观经济分析。

- 事件分为离散型（纯二元）和连续型，通过不同模块分别建模概率。

• 最终初始概率框架(IPF)为多模块概率加权结合，权重基于专家定性判断设定。

语义新闻分析(SNA)核心流程及PCA降维示例 [page::7][page::8][page::15]

• 新闻先经BERTopic过滤，确保聚焦事件相关内容。

- 利用SBERT生成768维嵌入，PCA提取前20个主成分覆盖95%以上方差。

• Fisher Score筛选最优分离主成分，第21、3、4主成分在离散事件中表现最佳。

K-Means聚类及零样本分类辅助判别 [page::10][page::11]

• K-Means实现无监督聚类，将新闻聚为“YES”和“NO”两类，通过加权距离及时间衰减估算概率。

- 零样本分类利用GPT-4o对文本做语义归类，作为辅助验证，提升判别可信度。

实证示例：美国关税提升事件定量预测 [page::14][page::16][page::17][page::18][page::19]

• PCA概率为约0.5773，K-Means概率偏高，零样本概率综合加权后SNA为0.5233。

- 结合3个相关预测市场和宏观经济分析（56%概率），加权后最终预测美国将短期内提高关键进口关税概率为52.3%。

宏观经济角度解读与理论模型 [page::20][page::21]

• 关税提高短期损害消费者福利、推高价格，不利于效率最大化。

- 但从特朗普政策倾向看，此举可视为激励本土产业和贸易谈判筹码。

• 综上，定性与量化分析结合，给出了事件中性偏正概率预测。

20个宏观二元事件预测汇总（部分） [page::23][page::24][page::25]

| 预测事件描述 | 事件类型 | 预测概率P(YES) |
| ------------ | -------- | -------------- |
| 半导体制造能力迁出东亚≥50% | 连续型 | 68% |
| FDI对华流入减少>20% | 连续型 | 74% |
| 全球补贴提升≥30% | 连续型 | 77% |
| 美退出WTO | 二元 | 12% |
| 印度加入排除中国的贸易区 | 二元 | 63% |
| 美/G7出台“朋友岸置”政策 | 二元 | 75% |

金融研究报告深度分析报告

---

一、元数据与概览（引言与报告概览）

• 标题：Forecasting Binary Economic Events in Modern Mercantilism: Traditional methodologies coupled with PCA and K-means Quantitative Analysis of Qualitative Sentimental Data

- 作者：Sebastian Kot

• 发布机构：Submission to Bridgewater Association x Global Citizen “Forecasting the Future” research call

- 发布日期：2025年7月31日

• 主题：现代重商主义（Modern Mercantilism）及其下的二元经济事件预测，聚焦经济民族主义、技术自主、地缘政治分裂等议题

- 核心论点与目标：
- 本文提出了一个基于文本语义分析的定量预测框架，利用PCA（主成分分析）、K-means聚类，结合包括传统和众包市场在内的多源独立预测模块（IPMs），对现代重商主义背景下的经济二元事件进行概率预测。
- 现代重商主义是一种不同于1945年后全球化趋势的范式，表现为经济民族主义兴起、技术脱钩和地缘政治分裂。
- 通过对海量文本数据的嵌入与降维，识别关键语义特征，提高事件预测的准确性和可解释性。

• 目标：为金融经济事件（如关税政策变更、国际技术制造能力转移等）提供基于量化文本分析和多模块预测融合的概率预测，辅助理解和应对全球经济变局。

---

二、逐节深度解读

2.1 引言与背景：现代重商主义（第1页）

• 关键论点：

- 战后以来，全球化推动了生产效率提升和技术创新，展现为国民经济部门的GDP份额趋于单一化（图1显示美国1839-2016年农业、工业、服务业比例变化）。
- 近年来，全球经济范式出现转折，出现强烈保护主义和经济民族主义，例证如中美贸易战、WTO功能受限及AI产业的地缘竞争。
- 这种变化根源于安全局势不稳定（冲突焦虑）、AI技术创新和信息传播方式的碎片化，促使政治讨论更加情绪化和非理性、注意力经济主导社会舆论。

• 支撑逻辑：

- 结合历史数据与经济政治理论，揭示现代经济民族主义的兴起与全球信息生态演变的交织（从大型机构媒体转向碎片化用户生成内容，进而影响政治话语和经济政策）。

• 数据点说明：

- 图1突出表现出农业产业的衰退与服务业的快速增长，反映经济结构变迁，为全球一体化的历史基础提供佐证。

• 

---

2.2 现代重商主义四大预测主题（第2-3页）

• 主要预测方向：

1. 保护主义（经济民族主义驱动）：
- 预测全球对国内产业补贴将提高30%以上（77%概率），美国政府加征更多关税（58%概率）。
- 理论上，保护主义使产出位于国内生产可能曲线（PPC）内，效率降低，详见图2。

2. 技术民族主义（门控效应）：
- AI技术（如ChatGPT）兴起，推动半导体产业重视自主制造能力。
- 预测2026-2030年半导体新增产能中50%将在东亚以外建设。

3. 战略竞争：
- 通过经济政策增强地缘安全，如对AI/生物技术出口的投资审查（68%概率出现）。

4. 地缘政治分裂：
- 贸易集团及联盟的分裂与矛盾，例如G20内部贸易占比下降10%，排除中国的区域集团形成。

• 理论与逻辑推演：

- 保护主义短期降低产能利用，但期望通过刺激内需实现长期生产可能曲线外移。
- 以上预测反映当前国际关系复杂化及经济自主权诉求。

• 图表支持：

- 图2展示经典PPC图表，黑线代表当前生产能力，绿色为扩展后潜在产能，标注了保护主义下生产能力内移（P1到P2），凸显保护主义矛盾。

• 

---

2.3 预测方法与独立预测模块IPMs（第4-6页）

• 核心方法论：

- 事件分为离散二元事件（发生与否）和连续阈值事件（某指标变化是否超过阈值）。
- 采用多模块预测：
- 时间序列预测（LSTM）适用于连续事件。
- 语义新闻分析（Semantic News Analysis，SNA）适用于离散事件，结合BERTopic筛选新闻，SBERT文本嵌入，PCA降维，K-means聚类以及零样本大模型（LLM）辅助分类。
- 众包市场数据，包括Polymarket等，捕捉公众对事件的概率判断。
- 传统宏观经济分析用于辅助解释。

• IPM权重计算：

- 每个IPM结果按权重加权生成最终概率，权重由人类定性分析决定，以确保不同模型贡献合理融合。

• 技术细节：

- LSTM通过预测值与阈值差异计算sigmoid型概率，体现置信强度。
- SNA过程中，新闻通过关键词筛选，利用BERTopic过滤不相关文档，SBERT编码回归768维向量。
- PCA提取关键成分，Fisher评分判定区分标签能力最强的主成分，指导特征选择。

---

2.4 语义新闻分析详细流程（第7-11页）

• 新闻收集与过滤：

- 利用NewsData.io、NewsAPI和MediaCloud搜集按关键词选定时间段内新闻。
- 用BERTopic计算文章与事件摘要的余弦相似度，0.75为过滤门槛，剔除不相关文本。

• PCA与分类步骤详解：

- 768维SBERT嵌入经中心化处理后，通过求协方差矩阵特征向量得到主成分向量uk。
- PCA逐级正交提取主成分，计算对应特征值占总方差比例，筛选保留95%方差的20个PC。
- 利用Fisher Score计算不同PC对“是/否”标签分类的区分能力，确定最关键PC。
- 对未标注文章提取关键特征，计算与“是”和“否”类别均值向量的欧氏距离，进而通过软max类概率函数得出文章属于“是”的概率。
- 按文章发布日期加权（时间衰减），近期文章权重更高。

• K-means聚类补充：

- 无监督分为两簇，根据信息距离和时间权重加权指标综合概率。
- 该方法提供另一视角，弥补PCA过于强调局部特征的问题。

• 零样本LLM分类：

- 使用GPT-4o对文章按预设模板进行“是/否”分类，不再细分解释，节约计算资源。
- 得出二元概率，作为SNA组合权重之一。

---

2.5 预测市场与众包方法（第12-13页）

• 众包预测市场：

- 利用Polymarket等真实交易市场的价格作为“是”的隐含概率。
- 若无直接市场，利用相关子事件市场概率加权推断，权重由交易量和相关度决定，总和\(\omega \leq 1\)，表示覆盖度。
- 通过比例缩放调节，防止遗漏因素过于乐观。
- 对临近决议期的非理性波动采用指数衰减平滑（半衰期7天）。

---

2.6 最终预测熔合与举例解析（第13-21页）

• 最终综合IPF公式：

\[
P0(E=1) = w{LSTM} P{LSTM}(E=1) + w{SNA} P{SNA}(E=1) + w{Crowd} P{Crowd}^\mathrm{adjusted}(E=1) + w{Macro} P{Macro}(E=1)
\]

其中各权重非负且和为1，体现多模型融合策略。

• 示例事件：美国未来60天内是否加征主要进口关税

- 收集新闻，BERTopic去重后保留约75%文章，PCA分析展示前20个PC贡献95%方差（见图3）。



- 3D PCA降维显示“是”文章聚集，“否”为离散点，分类分界明显（见图4）。



- Fisher评分表明PC21、PC3及PC4为最佳判别维度（见图5、6）。





- 无标签新闻的“是”概率大多分布于0.42-0.56之间，略偏中性（见图7）。



- K-means聚类以PCA二维降维展示新闻分布，质心位于两极，分类清晰（见图8）。



- 三个子模块权重设为\(\alpha=0.5,\beta=0.2,\gamma=0.3\)，综合SNA概率为0.5773。
- 3个相关众包预测市场概率加权平均后调整为0.1068，因覆盖不足权重较低。
- 宏观经济分析基于Smithian自由贸易理论，关税提升会增加消费者成本与福利损失（见图9），短期经济上缺乏合理性，但政治目的如谈判筹码可能支持保护主义，评估概率为0.56。

• 由权重计算最终概率：

\[
P^{YES} = 0.5 \times 0.5773 + 0.1 \times 0.1068 + 0.4 \times 0.56 = 0.52333
\]

事件发生概率约52.3%，与非发生概率47.7%较为接近，显示出事件具有中度不确定性。

---

2.7 预测事件汇总（附录1，23-26页）

• 报告列出20个具体事件预测，涵盖多种保护主义与战略经济主题，概率值从12%-77%不等。

- 事件涵盖半导体产量迁移、对华FDI下降、美国技术违约、WTO退出、区域贸易联盟形成等。

---

三、图表深度解读

• 图1（第1页）: 美国GDP经济部门百分比分布的堆积面积图，明确展示了农业占比大幅下降与服务业占比上升的长期趋势。这体现全球化背景下的产业结构转型，为后续经济民族主义产生奠定历史基础。

- 图2（第2页）: 生产可能曲线（PPC）示意图，直观表达保护主义导致资源效率下降（点P1移动至P2，即资源未被充分利用），但长期信念是通过激发内需实现生产潜力扩张（PPC1曲线）。

• 图3（第15页）: PCA累积方差解释图表，红线显示主成分数量与解释的方差比例，由此确定20个主成分解释95%信息量，有效减少维度的同时保证信息完整。

- 图4（第15页）: 新闻文章在前三主成分空间中的3D散点图，“YES”与“NO”文章明显区分，说明PCA技术在文本语义分辨上的能力。

• 图5（第16页）: PCA主成分的Fisher分数条形图，表明PC21拥有最高的类间区分度，紧随其后为PC3和PC4，为后续分类提供方向。

- 图6（第17页）: 以PC21、PC3、PC4为坐标轴的3D散点图，验证Fisher选择主成分的有效性，增强对语义分类某些维度关键性的理解。

• 图7（第18页）: 基于PCA隐含的“是”概率分布直方图，显示无标签文章概率多分布于中间区域，表明文本预测具有一定不确定性和连续性。

- 图8（第18页）: K-means二分类结果在前两PCA主成分空间的投影，质心黄色星标，实际标签点颜色，对文本进行无监督二分类，两簇清晰分开，验证聚类的合理性。

• 图9（第20页）: 经典关税影响消费者剩余与政府收入的供需图，分两幅(9a及9b)，显示提高关税虽增加政府收入但导致更大经济福利损失，支持宏观上对保护主义不利的判断。

---

四、估值分析

• 本报告为经济事件预测报告，未涵盖公司财务估值，故无传统估值方法论讨论。

- 不过概率预测相当于对事件发生可能性的量化估值，基于多模块算法加权综合。

• 该方法属于概率预测中的集成学习思想，结合逻辑回归式加权，保证总和为1，体现预测的不确定性和互补性。

---

五、风险因素评估

• 模型风险：

- PCA与K-means方法基于新闻文本嵌入，可能存在信息采样偏差或语义歧义。
- 大型语言模型零样本分类受限于模型训练数据和Prompt设计，计算资源有限。
- 传统经济理论未能完全解释复杂的现实政治博弈，可能导致宏观分析偏离实际政策走向。

• 数据风险：

- 预测市场覆盖不足，导致众包数据权重和质量偏低，从而影响最终置信。
- 新闻数据采集时间窗口与关键词设计直接影响模型结果准确度。

• 外部风险：

- 地缘政治突发事件、国与国间的非理性行为可能带来模型无法捕捉的极端结果。
- 技术迭代速度和法律政策快速变化可能使部分假设失效。

• 缓解措施：

- 权重调节与多模型融合减少单一模块偏差。
- 结合专家定性输出来校正模型，保持理论与现实兼顾。
- 时间加权机制帮助模型对信息时效性进行自动调整。

---

六、批判性视角与细微差别

• 报告方法创新结合前沿自然语言处理与传统经济学，但对模型权重分配缺乏完全透明的定量依据，依赖“定性、人为设定”，可能带来主观性和过拟合风险。

- 依赖于已有的预测市场数据，尚处于“地下”状态，数据稀疏影响权重合理分配。

• 保护主义分析深刻，指出传统经济学视角的反直觉之处，但政治经济动态变化快速，存在未来政策翻盘风险。

- 文章将注意力经济视为推动政治话语变化的核心驱动，这是一种前沿视角，但对其机制解释尚欠深度，可能忽略其他社会经济因素。

• PCA和K-means的高维文本向量解释尚存在“黑箱”问题，虽然通过Fisher Score解读主成分贡献，有一定透明度，但模型解释力有限。

- 预测事件多为宏大经济政治事件，整体预测概率幅度在中低区间，实用性受限于后续跟踪验证。

• 表格与图形大多清晰，部分用于说明原理的数学公式较为基础，文中代码可视化图示有效弥补抽象公式带来的理解难度。

---

七、结论性综合

本报告通过多模块综合预测框架，巧妙结合现代大规模文本语义分析技术（SBERT嵌入、PCA降维、K-means聚类）、基于众包的市场信号和传统宏观经济理论，对现代重商主义下的经济二元事件进行了概率量化预测。核心贡献在于：

• 提出了基于高维文本嵌入的定量分析，通过PCA主成分负载与Fisher Score解读，提升文本语义二元分类的准确性和可解释性。

- 多模块综合使得预测结果更为稳健，降低了单一数据源或模型的偏误性。

• 实证示例（美国加征关税事件）充分展示了预测流程，且模型结合新闻数据、市场情绪及经济理论，得出中性偏向“是”的概率0.52，体现事件复杂性与不确定性。

- 图表直观严谨，辅助理解经济学理论（PPC、需求曲线与关税效应）与机器学习过程，提高报告整体可信度。

• 风险识别全面，包括数据局限，模型偏差，政治与技术不可控变量，提示读者谨慎参考。

总体而言，报告展现出作者对于当前全球经济新趋势的独到洞见，以及利用创新机器学习方法结合传统经济学理论进行复杂经济事件预测的扎实能力。其思路和方法对于进一步开展类似主题的量化研究具有重要启示价值。

---

参考来源

• 所有结论和内容均严格基于报告文本与页面编号整理，如[page::0]至[page::26]。

---

总结：

本文是一篇融合前沿算法与传统经济学的现代重商主义经济预测报告，侧重通过结构化新闻语义数据和多模块预测设计，系统量化经济政策变量，进而为政策制定、投资决策等提供概率基础的科学参考。其方法和流程对于未来跨学科金融政治经济研究具有重要推动意义。

报告