GDP实时预测是通过使用及时有效的数据信息,在季度数据公布之前利用月度数据甚至更高频率的指标来预测当季GDP增速,由于其时效性,在经济遭受疫情等异常冲击的情况下受到了广泛的关注。由于GDP的发布时间具有滞后的特性且每季度发布一次,无法及时反映宏观经济的发展状况,因此,对GDP的实时预测在宏观经济运行及相关政策的制定上具有重要意义。而在经济领域包含大量频率不同的经济指标,为了充分应用数据信息,不断地探索数据处理的方法,产生了各种混频数据模型。其中,混频向量自回归（MF-VAR）模型、混频动态因子（MF-DFM）模型与MIDAS模型得到广泛使用,但在经济出现短期剧烈波动的情况下,预测效果有时不尽人意,因此,对混频数据模型进行改进以提高实时预测效果具有重要的学术和现实意义。新冠肺炎疫情的出现给我国以及世界的经济运行发展都带来了巨大的冲击,分析我国的宏观经济所受到的影响并对GDP当期和未来走势及时进行预测,提高预测的准确性,能够为国家的政策及未来发展策略提供一定的理论依据,也为疫情发生后中国经济的恢复与稳步发展提供参考。贝叶斯累加回归树（BART）是通过集成学习的方法结合多个树模型所构成的,在数据拟合上较为灵活;混频向量自回归（MF-VAR）模型能够有效处理混频数据,在预测时使用迭代的算法,对模型不断迭代从而实现预测,由于这一特性,使其能够更好地与BART相结合。本文将前沿的混频数据模型方法与备受关注的机器学习的方法相结合,即将机器学习算法中的贝叶斯累加回归树与混频向量自回归模型相结合,构建MF-BAVART（Bayesian Additive Vector Autoregressive Tree）模型。结合MF-VAR模型与BART的特点,使得MF-BAVART模型拥有较强的泛化能力,对非线性数据的拟合上也具有较强的灵活性,本文基于MF-BAVART模型对GDP进行实时预测。本文的主要工作包含以下几个部分:（1）对模型方法进行相对详尽的介绍,包括对MF-VAR模型的表现形式、BART的相关理论以及对MF-BAVART模型的构建及估计进行介绍;（2）在实证分析部分,选取国内生产总值、工业增加值、社会消费品零售总额、进出口总额、固定资产投资完成额以及新冠疫情新增确诊人数指标进行模型的构建,并展示基于MF-BAVART模型的GDP实时预测结果,在此基础上,为了识别模型在预测上是否有显著优势,通过平均绝对误差与均方根误差来比较MF-BAVART模型与MF-VAR模型的预测效果,结果显示,MF-BAVART模型的整体预测效果相对较好。线性MF-VAR模型对异常情况下经济的预测并不敏锐,本文着力探究非线性形式的模型预测,运用BART充分挖掘数据中所包含的信息,对非线性形式进行估计,并将其应用于GDP的预测中。同时加入新冠疫情新增确诊人数指标,比较分析疫情发生后模型的预测效果。本文参考众多国内外学者的相关研究,探索利用MF-BAVART模型对GDP进行的实时预测,不但可以为国内基于MF-BAVART模型进行GDP预测提供参考,也可以丰富和补充国内的经济预测研究方法。