宏观深度报告_宏观量化系列_中国CPI预测模型研究_21页_1mb

中国CPI预测模型研究总结

核心内容

本报告构建了一套可跟踪、可检验的量化预测模型，用于预测中国CPI的短期与长期走势，以提升对CPI边际变化的把握精度。研究采用SARIMAX模型，结合高频价格信号与宏观领先指标，从货币政策、实体经济、食品价格与外部输入四个维度筛选外生变量，以实现对CPI趋势的精准预测。

主要观点

• CPI预测模型构建：采用SARIMAX模型，分别对食品与非食品CPI进行建模，并通过合成权重得到总CPI环比预测。
• 长期预测模型：使用SARIMAX模型，引入外生变量以提高预测精度与趋势识别能力，食品侧引入春节效应、蔬菜价格指数、猪肉价格指数与能繁母猪存栏量；非食品侧引入CRB商品指数、制造业PMI与布伦特原油价格。
• 短期预测模型：采用“月度滚动重估”框架，允许估计系数随样本窗口滚动而漂移，以增强对近期扰动与价格拐点的响应能力。
• 模型效果：长期预测模型在2023至2025年测试中，RMSE均值由0.3396降至0.2422，方向胜率由65.0%提升至80.0%；短期预测模型表现略优，RMSE为0.2379，方向胜率达80.56%。
• 2026年CPI预测：预计全年CPI指数累计涨幅约为2.7%，呈现“低位温和修复”特征，价格中枢在下半年趋于平稳上行，但整体物价弹性有限，宏观经济更倾向于“弱复苏、低通胀”。
• 外生变量路径预测：2026年外生变量整体呈温和波动趋势，蔬菜价格指数上半年回落、下半年修复；猪肉价格逐步抬升；原油价格缓慢回落；制造业PMI小幅波动。

关键信息

模型选择与评估方式

• 长期模型：食品CPI采用 $(2,1,0)\times (1,0,1,12)$，非食品CPI采用 $(1,0,1)\times (1,1,1,12)$。
• 短期模型：食品CPI采用 $(2,0,1)\times (1,0,1,12)$，非食品CPI采用 $(1,1,1)\times (1,0,1,12)$，并允许参数随样本窗口滚动而调整。
• 模型评估：采用滚动样本外测试，综合RMSE均值、标准差与方向胜率进行三维等权排名，选择最优模型。

外生变量筛选逻辑

• 食品侧：优先考虑春节效应、蔬菜价格指数、猪肉市场价格与能繁母猪存栏量，这些变量在统计与经济解释上均具备较高显著性。
• 非食品侧：优先考虑布伦特原油价格、CRB商品指数与制造业PMI，这些变量对非食品价格的传导机制更为直接与稳定。

模型预测结果

• 2026年CPI走势：全年CPI环比累计涨幅约2.7%，呈现“低位温和修复”特征，价格中枢在下半年趋于平稳上行。
• 模型表现：长期模型在五轮测试中表现稳健，短期模型在逐月测试中更擅长捕捉短期波动与拐点。

模型参数与变量

食品类模型系数（训练集2015/1至2025/12）

非食品项模型系数（训练集2015/1至2025/12）

风险提示

1. 政策或监管环境突变：可能改变价格形成机制与传导路径，影响模型预测的准确性。
2. 宏观经济不及预期：内需回暖不足、居民消费意愿偏弱或房地产与就业市场修复受阻，可能导致模型预测的“温和修复”路径下修。
3. 重大预期外宏观事件：如极端天气、疫病扩散或地缘冲突升级，可能引发关键食品分项价格剧烈波动，影响短期预测精度。

未来优化方向

1. 春节效应刻画：可引入连续型变量（如距离春节天数）或更精细的日历权重，以更准确捕捉节日错位效应。
2. CPI分项细化：进一步拆分食品与非食品项，如鲜菜、猪肉、粮食、交通通信、居住服务等，以提升对结构性价格波动的识别能力。
3. 外生变量拓展：考虑纳入期货市场价格信息，如生猪、玉米、豆粕等，以增强模型对价格趋势的前瞻性判断。

总结

本研究通过系统整合高频价格信号与宏观领先指标，构建了具备较强预测能力和稳健性的CPI量化预测模型。长期模型侧重于趋势识别与跨期一致性，短期模型则更关注短期波动与拐点响应。两者结合，为宏观研判与政策制定提供了有力的工具支持。同时，研究指出2026年CPI将呈现“低位温和修复”趋势，整体通胀弹性有限，宏观经济运行状态更倾向于“弱复苏、低通胀”。未来研究可进一步细化CPI分项与拓展外生变量池，以提高预测精度与适应性。