我国通货膨胀指数测度与预测的计量研究.pdfVIP

我国通货膨胀指数测度与预测的计量研究 摘 要 随着经济的起伏，国内的物价水平也随之产生波动，而物价水平与人们的日 常生活联系密切，人们会依据当前的物价水平对下一期的物价水平做出预测判断， 并采取相应的举措。随着每个人采取举措的不同，宏观经济也会受到影响，进而 对物价水平又产生影响，而当物价变动幅度较大时就会导致通货膨胀现象的发生。 在经济生活中，将物价稳定在一个合理的范围内是一个国家机构制定货币政策的 主要目标，而通货膨胀指数对政府决策货币政策有较强的参考性，因此，合理有 效的通货膨胀衡量指数和精准高效的预测方法便极为重要。由于单一的CPI、PPI 并不能全面准确反映通货膨胀的变动情况，本文在CPI 基础上加入房产价格以及 股票价格指标共同构成广义通货膨胀指数GPI，以期能反映更加准确的通货膨胀 率的变动。而构成GPI 的各指标受到的影响因素数量众多，同时具备了线性与 非线性的特征，传统的模型如ARIMA、BP 神经网络等模型对这类复杂时间序列 的预测有一定的优势也有无法避免的劣势。如ARIMA 模型在处理非线性因素影 响较强的时间序列上效果会相对较差，而BP 神经网络对于时序的前后记忆性的 “ ” 处理较差。在此基础上本文对传统模型方法进行适当改进，基于 先分解后组合 的思想，先通过CEEMDAN 方法对GPI序列进行分解，对分解后的分量采用线 性ARIMA 模型与非线性LSTM 神经网络模型结合，从而弥补单一模型的不足， 提高预测效果。 2006 5 2021 本文从房产价格及股票价格这两个资产价格方面选取 年 月到 年6 月包括CPI 指标在内的3个月度指标，从而对原通货膨胀指标 （CPI）进行 修正。通过方差加权法以及共同因子冲击响应法分别获得广义通货膨胀衡量指数 （GPIF、GPIG），随后进行对比分析，选出效果更优的GPIF 作为最终的广义 GPI GPI 通货膨胀衡量指数 （ ）。针对构建的广义通货膨胀指数 （ ），本文首先 运用ARIMA模型、LSTIM模型以及ARIMA-LSTM模型对GPI进行建模与预测， CEEMDAN GPI Hurst 最后采用 分解方法，将 序列进行分解，再通过计算各分量的 指数对各分量进行合并，随后对处理后的分量同样运用上述三种模型进行建模预 测，最终预测值为各分量结果的加总。最优模型则通过计算各模型预测值与真实 值的均方根误差 （RMSE）和平均绝对百分比误差 （MAPE）对比选出。 实证结果表明，纳入房地产价格与股票价格的广义通货膨胀指数有着更稳定 的性质且能够更好反映我国通胀水平的同时也有着较好的预测能力，能够作为政 府决策的有效参考。同时将复杂序列先分解再叠加重构的思想在预测精度上有较 大的优势，即相对于单一模型，混合模型CEEMDAN-ARIMA-LSTM 有着更好 的预测效果，这对决策者在制定货币政策以预防较大通胀情形发生有着一定的引 1 摘要 导作用。 ARIMA LSTM CEEMDAN 关键词：通货膨胀指数修正； ； ； 2 我国通货膨胀指数测度与预测的计量研究