OEM PRODUCTION INTELLIGENCE

长城汽车 · 预测总览

当前决策问题 未来 6 个月，长城汽车集团产量基线与波动范围是多少？
集团下月预测 — —
80% 预测区间 — 样本外残差校准
冠军模型平均 WAPE — 1 / 3 / 6 个月平均
官方数据覆盖 — —
A

集团历史产量与未来预测

实线为官方实际值，虚线为当前情景预测

实际预测
C

未来 6 个月预测明细

台；区间为80%经验预测区间

D

品牌级产量拆解

五个品牌独立预测，再与集团总量校准；误差较高的品牌仅作方向性参考

预测周期
WAPE—越低越好
MAE—平均绝对误差 / 台
Bias—正值高估，负值低估
回测样本—逐月扩窗样本
A

样本外预测 vs 实际

每个点均模拟当时真实可用的数据边界

C

同周期模型排行榜

不预设冠军，以样本外 WAPE 排序

D

误差反查与稳健升级

从历史差距找规律，并在其他时间窗口复验，避免为了回测成绩过拟合

分周期改善

T+1 跨时间窗口验证

最终采用

否决的过拟合候选
    归因不是“相关性包装成因果” 当前展示集团预测贡献；价格、政策、车型上市等因果结论必须进入事件研究或准实验层验证。
    A

    全局因子权重

    树模型在历史样本中的预测重要度

    B

    下月方向性贡献

    线性替代模型解释，单位：台

    C

    全量公开因子消融回测

    同一模型、同一历史起点：验证因子是否真实提升样本外预测，而非只增加复杂度

    D

    25 个高价值因子接入矩阵

    点击任一因子，查看影响大小、作用维度、传导机制与归因口径

    官方公告—逐份保留原始 PDF 与哈希
    总量序列完整率—连续月度检查
    异常值—非正值 / 重复月份
    数据等级A交易所官方披露
    A

    数据源台账

    每个因子都要回答：从哪来、何时可得、如何追溯

    C

    四类关键数据细化状态

    区分进入回测、仅作监控、作为约束和必须采购或内部授权的数据

    D

    车型上市与改款事件台账

    已绑定长城汽车官方来源；因历史事件库不完整，当前用于监控与情景修正

    E

    工厂产能约束

    2025 年报口径；设计产能按 250 天双班 16 小时计算，不等同于月度实时可用产能

    F

    官方公告追溯样例

    点击可回到上交所原始 PDF