基于深度学习的动态因子向量自回归模型(Deep-DFVAR)在区域房价指数预测中的应用研究

本文提出了一种创新的混合框架Deep-DFVAR，通过将区域房价指数(HPI)分解为共享成分(动态因子模型DFM提取)和特异成分(深度学习模型PatchLatentMLP预测)，结合向量自回归(VAR)的经济可解释性和深度学习的非线性建模优势，有效解决了低频经济数据的概念漂移(Concept Drift)和分布偏移问题，在韩国和美国数据集上显著优于现有时间序列预测模型。

　　

研究亮点

• 首创两阶段分解法：将区域HPI分解为共享成分(通过动态因子模型DFM捕获跨区域共性)和特异成分(通过我们提出的PatchLatentMLP建模区域变异)，实证显示该分解策略显著优于纯深度学习模型(见图12)。

• DFM因子预测创新：采用向量自回归(VAR)预测动态因子，支持格兰杰因果分析(Granger causality，见表1)，相比传统方法能更快响应突变(如2022年美国房市拐点，见图11)，提升模型解释力。

• PatchLatentMLP突破：在特异成分预测中引入通道独立性和卡尔曼滤波(Kalman filter)趋势分解，相比傅里叶变换(FFT)等传统方法显著降低训练-测试分布差距(见图3，表5)。

问题陈述

问题1：训练与测试数据间的分布偏移

多数深度学习模型假设数据符合平稳性(stationarity)，但经济时间序列存在概念漂移(Concept Drift)。例如2022年美国房市骤变时(图1)，基于历史趋势训练的模型会出现预测滞后。

方法论概述

核心创新在于：

1. 1.

   用DFM提取跨区域共同因子，通过VAR预测并重构区域共享信号；

2. 2.

   将残差作为特异成分，由PatchLatentMLP预测。该架构兼具经济解释性(通过VAR系数分析区域差异，见图7)和抗分布偏移能力。

实验验证

基于格兰杰因果检验筛选HPI关键影响因素构建数据集，在美韩数据上验证：

• DF+VAR对共享成分的预测响应速度比传统方法快1.8倍(表6)

• PatchLatentMLP在特异成分预测中准确率提升23%(表11)

结论

Deep-DFVAR通过分解-预测框架，在保持经济学解释力的同时突破现有模型对低频经济数据的预测瓶颈，为政策制定者提供区域差异分析工具(如首都与非首都地区HPI动态，见表17-20)。