TFG IPC-MCP：结合基础模型与MCP协议的经济时间序列预测框架

项目核心信息

• 原作者/维护者: Diego Ramirez Lacalle
• 来源平台: GitHub
• 原始链接: https://github.com/DiegoRamirezLacalle/tfg-ipc-mcp
• 发布时间: 2026年6月15日

项目概述

tfg-ipc-mcp是一个开源端到端预测框架，旨在系统性评估时间序列基础模型在通胀预测中的表现，并探索模型上下文协议（MCP）语义信号的价值。项目覆盖三条经济时间序列：西班牙CPI（INE）、全球CPI（IMF）、欧洲HICP（Eurostat），测试期为2021-2024年，采用滚动原点回溯测试，以MASE为主要评估指标。

核心研究问题

1. 时间序列基础模型是否能在通胀预测任务中超越传统统计模型？
2. MCP信号能否为预测带来额外价值？
3. 这种增益是否依赖于具体的数据场景？

时间序列预测是经济、金融领域的核心任务，传统统计模型（如ARIMA）和深度学习模型（如LSTM）应用广泛。近年来，专门针对时间序列的基础模型（如Amazon Chronos-2、Google TimesFM、Nixtla TimeGPT）逐渐兴起。

同时，模型上下文协议（MCP）作为新兴技术标准，允许模型通过标准化接口访问实时数据、文档和工具，增强上下文理解能力。

本项目围绕三个核心问题展开：

• 基础模型是否能超越传统统计模型？
• MCP信号是否能提升预测效果？
• 增益是否因数据场景而异？

实验条件

设计四种条件以评估不同信息源的价值：

条件	描述
C0	单变量预测——仅使用历史序列数据
C1_inst	加入机构信号（美联储利率、EPU、布伦特原油价格等）
C1_mcp	加入MCP新闻信号（Claude从GDELT新闻标题提取的特征）
C1_full	同时使用机构信号和MCP信号

所有外生信号采用shift+1处理，并经StandardScaler标准化后用于Ridge回归修正。

模型对比阵容

• 统计模型: ARIMA、SARIMA、SARIMAX、AutoARIMA（动态重选阶数）
• 深度学习模型: LSTM、N-BEATS、N-HiTS
• 基础模型: Chronos-2（Amazon）、TimesFM（Google）、TimeGPT（Nixtla）

评估方法

测试期2021-2024年，采用滚动原点回溯测试，MASE指标以2002-2020年历史数据为基准归一化。

预测精度对比（h=12预测期）

序列	最佳统计模型	MASE	最佳基础模型	MASE	C1信号效果
西班牙CPI	ARIMA	1.097	TimesFM C0	1.326	-3%（中性）
全球CPI	AutoARIMA	1.134	Chronos-2 C1_inst	0.976	-14% vs AutoARIMA
欧洲HICP	SARIMA	1.656	TimesFM C1_full	1.370	-17%

关键结论

1. 基础模型表现依赖序列: 西班牙CPI场景下ARIMA领先；全球/欧洲序列中，基础模型在长预测期（h≥3-6）优势明显。
2. C1信号价值因序列而异: 全球CPI（Chronos-2+C1_inst）误差降低14%；欧洲HICP（TimesFM+C1_full）降低17%；西班牙CPI效果中性。
3. 模型家族排名: Chronos-2（全球机构信号下稳健）> TimesFM（欧洲C1_full最佳）> TimeGPT（相对较弱）。
4. 预测期重要性: 统计模型短预测期（h=1）占优；基础模型中期（h=3-6）开始竞争，长期（h=12）对全球/欧洲序列领先。
5. AutoARIMA双刃剑: 动态阶数对全球序列有益，但西班牙/欧洲长预测期效果下降。
6. 标准化关键: 未标准化导致MAE膨胀534%，处理异构信号时必须标准化。

项目结构

• tfg-forecasting: 数据科学模块，含ETL、EDA、模型实现（统计/深度学习/基础模型）、MCP管道、评估等。
• tfg-arquitectura: Web平台模块，用于结果展示与交互。

技术栈

Python、Docker Compose、PostgreSQL+MongoDB、Jupyter Notebook、pytest。

MCP信号提取流程

1. 新闻收集: 从GDELT数据库获取新闻标题。
2. 语义提取: 使用Claude从新闻中提取经济相关语义特征。
3. 特征工程: 将语义信息转换为结构化时间序列特征。
4. 模型融合: 与机构信号一起作为外生变量输入预测模型。

当前局限

1. 信号历史: 西班牙MCP信号仅从2021年开始，限制历史学习。
2. 计算资源: 基础模型推理需大量资源。
3. 可解释性: 基础模型“黑盒”特性限制经济理论解释。

未来方向

1. 更长数据: 整合更长时间跨度的新闻档案。
2. 多模态信号: 纳入社交媒体、卫星数据等。
3. 实时部署: 构建生产级实时预测系统。
4. 因果推断: 从相关性向因果机制探索。

对数据科学家

基础模型并非万能，有效性依赖数据特征与任务。选择模型需考虑序列复杂性、历史长度及外生信号。

对经济学家

MCP协议与LLM技术为经济预测提供新工具，但需评估与传统方法的互补性。

对技术架构师

项目展示了MLOps实践（Docker、CI/CD、可复现研究）在经济预测领域的应用。