CROSS：基于规则混合神经架构的可复现宏观经济预测方法

本文介绍CROSS混合神经网络架构，这是一种结合经济学结构模型与残差学习的宏观经济预测新方法。它通过规则化路由机制，解决传统计量模型应对非线性能力不足、纯深度学习模型过拟合及不可复现的问题，并有效防护时间序列预测中的数据泄露，提升预测结果的可靠性与可解释性。

宏观经济预测是经济学与数据科学交叉的核心难题。传统计量模型（如ARIMA、VAR）可解释性强，但难以处理非线性关系和复杂经济动态；纯数据驱动的深度学习模型预测能力强，却易过拟合噪声，且预测结果难以复现。此外，时间序列预测中普遍存在的数据泄露问题（训练时接触未来信息）会严重高估模型真实性能。

CROSS架构核心理念是结合经济学先验知识与数据学习能力，通过规则路由机制自动选择预测策略。其双分支架构包括：1. Structure分支：编码经济学理论结构性关系，确保预测符合基本逻辑；2. Simple分支：学习结构模型无法解释的残差（短期冲击、季节性波动等）。路由决策模块根据输入特征和历史表现动态分配分支权重，且决策过程可解释。

CROSS采取多重措施保障结果真实可复现：固定随机种子42消除波动；训练/测试集严格按时间顺序分割；数据标准化统计量仅来自训练集；滞后特征在时间分割前构造；路由决策仅基于预测前历史证据，目标年份误差在预测后计算。这些措施构建防泄露实验流水线，贴近真实预测场景。

实验聚焦伊拉克宏观经济指标，使用世界银行公开年度数据。结果显示CROSS预测精度显著优于纯结构模型和纯数据驱动模型，且结果一致性更好（不同种子和子集波动小）。路由诊断发现：经济受外部冲击（油价波动、冲突）时残差分支权重上升，平稳期结构分支主导，验证了组合不同方法优势的合理性。

对政策制定者：提供可靠工具，可解释路由机制让决策者理解预测逻辑；对研究者：展示领域知识与机器学习结合的思路，避免黑箱荒谬结论；对开发者：数据泄露防护实践提供检查清单，为严谨评估流程提供范本。

局限：结构分支设计依赖较强领域知识，新兴经济领域难直接应用；路由规则依赖专家经验。未来方向：探索数据驱动自动学习路由策略；验证在更高频率（月度、季度）数据的表现；扩展到多国家、多指标联合预测。

CROSS代表宏观经济预测领域的重要进步，在传统模型与深度学习间找到中间道路，结合两者优势提升预测精度、可解释性和可复现性。其代码和实验数据已在GitHub开源（链接：https://github.com/asadollahi2/CROSS_Hybrid_Forecasting），为社区改进应用提供基础。