国内生产总值是一个国家或地区经济状况的晴雨表,它可以反映出当前的经济形势,从而在政府制定宏观经济政策的时候,政府可以借助它来确定对经济实行刺激政策还是紧缩政策。因此,关于GDP的预测一直是学者研究的热点问题,但是以往的预测模型受限于数据的维度,数据序列长度以及预测过程中的非线性因素,其次是GDP只有季度指标与年度指标,用来预测的宏观经济指标与GDP同频率的较少,若采用高低频数据转换的方法则会对模型的精确度产生影响。针对这些存在的问题和缺陷,本文采用了另外一种GDP预测方法,即基于混频数据的Light GBM算法模型。本文从wind金融数据库获取了60个对GDP增长率影响较大的宏观经济指标数据,以及2000年Q1到2019年Q1共77个季度GDP增长率,然后运用Light GBM回归算法模型进行GDP预测。文章主要的两个创新点是样本数据的预处理方法和样本数据的模型训练方法。样本数据的处理上没有运用以往高低频数据转换方法,而是直接用混频数据进行训练模型,最终的模型训练数据包含77个样本、300个变量,对于这种横向维度大于纵向维度的数据类型正好适合本文所用的Light GBM这一前沿的机器学习算法。关于模型的训练方法并没有采用常规的随机选择训练样本与测试样本来训练模型,而是通过依次选择连续时间段的样本来训练多个模型,因为样本数据具有时序性,随机选择训练样本会影响模型的预测准确率。最终结果表明,模型在预测效果上较传统预测模型有很大的提升,在经济指标特征贡献度上也基本与当前的中国经济情况不谋而合。