经济学XX经济研究机构分析师实习生实习报告

经济学XX经济研究机构分析师实习生实习报告一、摘要

2023年7月1日至2023年8月31日，我在XX经济研究机构担任分析师实习生，负责宏观经济数据监测与分析工作。通过运用计量经济学模型，完成季度GDP增长率预测报告，模型预测误差控制在1.2个百分点以内，准确率达92%。参与撰写行业分析报告3篇，涉及15个细分领域，其中关于新能源汽车行业的报告被机构采纳并作为核心参考依据。在实习期间，熟练掌握Stata软件进行数据清洗与回归分析，累计处理数据量达2000余条，独立完成5个经济指标的时间序列分析，提炼出“移动平均-ARIMA混合模型”适用于短期经济波动预测的方法论，可复用于其他周期性数据研究。

二、实习内容及过程

1实习目的

希望通过实践了解经济分析师的工作日常，把课堂上学到的供需理论、宏观政策传导这些玩意儿，跟实际数据运转联系起来，看看理论模型在真实世界怎么变形，顺便摸清楚经济预测这行到底需要啥样的技能栈。

2实习单位简介

我去的那个机构，主要做行业和区域经济研究，团队不大但专精，覆盖消费、制造、能源这些板块，客户以金融机构和政府部门为主。他们挺看重数据颗粒度，比如分析一个省份的工业增加值时，会拆解到30多个细分行业去跑量。

3实习内容与过程

我跟着带我的老师做季度经济预测，具体是GDP和通胀。7月10号开始接触原始数据，国家统计局发布的月度PMI、工业增加值这些，我花了两周时间用Excel整理2015年到现在的序列，把缺值用线性插值补上，还做了移动平均平滑处理。后来转Stata，用ARIMA模型拟合制造业PMI的波动，发现2019年二季度数据点跟其他年份明显离群，后来查资料才知道是疫情初期基数效应。8月初参与撰写新能源汽车行业报告，需要拉乘用车产销量数据，我从中车网爬取了2010年到现在的月度数据，还用结构向量自回归模型（VAR）分析了补贴政策对产量的脉冲响应，结果显示短期弹性系数是0.38。每周有两次例会，老师会点评我做的分析，比如有次说我把出口额拆解成机电产品和劳动密集型时，分母太细导致结果失真，后来我改用WIOD数据库的全球投入产出表重新做，误差小了近40%。

4实习成果与收获

最后那篇新能源汽车报告被机构发给过三个甲方，虽然没明说，但后来看团队在知识库里标注了来源。个人方面，最明显的进步是数据敏感度，以前觉得季度GDP预测是套公式，现在知道要关注海关出口数据跟波罗的海干散货指数的交叉验证。还学会了用Python写爬虫，把欧盟统计局的月度采购经理人指数自动下载下来，节省了3个小时的重复劳动。最大的收获是意识到经济分析没那么多天才公式，关键在于把宏观数据拆解成可验证的模块，比如用贝叶斯方法更新通胀预期时，要盯紧CPI环比跟PPI的领先滞后关系。这段经历让我开始想，要不要考研时主攻计量经济学方向。

5问题与建议

机构这边人手紧张，我写报告时发现好几次用到的行业分类标准不统一，比如有的数据源是国民经济行业分类，有的用的是国际标准产业分类，最后只能手动对码。我觉得可以建个内部数据字典，把常用指标的不同编码对应上。另外培训方面，刚开始没人带我用R语言，团队电脑里Stata版本都过期了，得自己装，有点折腾。建议新来的实习生先集中培训一周，搞清楚数据库密码和常用软件操作，特别是那个用SQL从Wind下载数据的脚本，我花了整整两天才摸透。还有，岗位匹配度上，我来了以为能接触很多前沿的DSGE模型，结果八成时间都在整理数据，可能机构现阶段更缺做杂活儿的实习生，但这也挺锻炼耐心。

三、总结与体会

1实习价值闭环

这八周像是在打地基。7月15号第一次独立用VAR模型分析消费数据时，参数估计结果一直不对，对着结果纠结了两个晚上，最后发现是差分次数选错了。老师点拨我说，模型不是拟合出来的，是理论引导出来的。现在回头看，那些对着数据表数的日子，比如8月3号花一整天核对500个地级市固定资产投资口径，看似琐碎，但真的让我明白宏观指标背后是成千上万条微观决策的汇总。把课堂上学到的总需求函数，跟8月25号实际跑出来的各省PMI数据进行比对，那种豁然开朗的感觉挺难得。实习结束合上笔记本，突然发现现在看财经新闻的角度完全不一样了，会下意识拆解里面的生产者价格指数环比是受成本冲击还是需求拉动。

2职业规划联结

跟带我的老师聊过几次，8月18号那次谈到行业发展趋势，他建议我多关注绿色金融这块，说现在政策性开发性金融工具发行量已经突破4万亿，但相关经济模型研究还偏少。这让我开始琢磨，要不要把计量学习跟ESG（环境社会治理）研究结合起来。现在正计划下学期选修时间序列分析进阶课，顺便考个CFA一级，把权益投资那部分知识补上，毕竟他们机构做的很多行业报告最后都要卖给基金公司。实习最后那周整理的工作文档里，有份关于碳交易市场对工业增加值影响的分析，当时觉得是边缘话题，现在看可能是个潜在方向。

3行业趋势展望

最大的感受是经济研究这行，现在越来越强调数据治理能力。之前写报告发现，同一个“高技术制造业投资”，统计局和工信部发布的数据口径有差异，得手动匹配，这让我意识到未来做研究必须懂点数据库架构。8月下旬团队在做的地方政府债务风险评估时，用了百度云的AI工具做文本挖掘，从政策文件里抓取隐性债务线索，效率比我手动搜索快了至少60%。虽然我参与得不多，但看得出来大趋势是研究要拥抱技术，纯粹靠Excel和Stata可能要被淘汰。这让我开始焦虑，但又觉得兴奋，毕竟这意味着更多可能性。比如我最近在自学Python的Pandas包，就是想跟上团队用JupyterNotebook做混合建模的节奏。现在看招聘信息，发现不少平台型研究岗都要求“具备数据库操作经验”，这八周的经历正好给了我一个说得出话的实践背书。

四、致谢

1

感谢XX经济研究机构给我这次实习机会，让我能把书本里那些供需关系、政策传导的模型，真刀真枪地用到实际数据上。8月31号离职那天，老师特意把我叫到茶水间，说看到我整理的那份新能源汽车行业数据手册挺用心的，虽然里面还有不少错别字。

2

特别感谢我的导师，从7月1号教我用Stata做脉冲响应函数开始，到8月20号帮我修改报告的逻辑链条，每次讨论模型参数时他都会说“先画个散点图看看”，这种务实的研究风格我学到不少。还有那个负责金融分析的同事，8月15号晚上我卡在Wind数据库的API调用上，他给我发了段Python脚本，说“以后下数据就用这个，效率高”。

3

感谢学校指导老师，实习前那场关于“如何避免过度拟合”的讲座（6月10号），现在想想还是帮大忙了，不然我那篇GDP预