【東吳資產(chǎn)配置】宏觀量化系列：中國(guó)CPI預(yù)測(cè)模型研究

證券分析師 蘆哲

執(zhí)業(yè)證書：S0600524110003

證券分析師 唐遙衎

執(zhí)業(yè)證書：S0600524120016

投資要點(diǎn)

研究背景與目的：

研究背景：通脹走勢(shì)是當(dāng)前宏觀交易的核心變量之一，直接影響利率定價(jià)、匯率預(yù)期及大類資產(chǎn)配置邏輯。為提升對(duì)CPI邊際變化的把握精度，本研究構(gòu)建了一套可跟蹤、可檢驗(yàn)的量化預(yù)測(cè)框架，以數(shù)據(jù)驅(qū)動(dòng)與主觀經(jīng)濟(jì)學(xué)判斷結(jié)合的方式替代單純依賴主觀經(jīng)驗(yàn)判斷的傳統(tǒng)分析范式。

研究目標(biāo)：本研究旨在通過系統(tǒng)整合高頻價(jià)格信號(hào)與宏觀領(lǐng)先指標(biāo)，實(shí)現(xiàn)對(duì)未來一年CPI趨勢(shì)的長(zhǎng)期演變路徑的預(yù)測(cè)，并同步跟蹤未來一個(gè)月CPI的短期變化。為中國(guó)未來的宏觀經(jīng)濟(jì)環(huán)境判斷提供量化層面的參考依據(jù)。

長(zhǎng)期與短期預(yù)測(cè)模型選擇：

長(zhǎng)期預(yù)測(cè)模型：采用具備外生變量輸入的季節(jié)性自回歸移動(dòng)平均模型（SARIMAX），對(duì)食品與非食品CPI分項(xiàng)進(jìn)行拆解建模。該模型側(cè)重參數(shù)的跨期穩(wěn)定性與路徑一致性，食品側(cè)重點(diǎn)引入春節(jié)效應(yīng)、蔬菜批發(fā)價(jià)滯后項(xiàng)與豬肉價(jià)格滯后項(xiàng)，非食品側(cè)則納入CRB大宗商品綜合指數(shù)與制造業(yè)PMI，以捕捉中長(zhǎng)期成本傳導(dǎo)與景氣變化對(duì)價(jià)格中樞的線性影響。

短期預(yù)測(cè)模型： 采用“月度滾動(dòng)重估”框架，在長(zhǎng)期模型結(jié)構(gòu)的基礎(chǔ)上，允許估計(jì)系數(shù)隨最新樣本窗口的滾動(dòng)而進(jìn)行適應(yīng)性漂移。相較于長(zhǎng)期模型，短期版本在變量選擇上更傾向于高時(shí)效性指標(biāo)，旨在增強(qiáng)模型對(duì)近期宏觀擾動(dòng)、節(jié)日錯(cuò)位及價(jià)格拐點(diǎn)的即時(shí)響應(yīng)能力。

模型效果總結(jié)：

長(zhǎng)期預(yù)測(cè)模型：2023至2025年半年步長(zhǎng)構(gòu)建的五輪滾動(dòng)樣本外測(cè)試中，最優(yōu)模型RMSE均值由基準(zhǔn)模型的0.3396降至0.2422，降幅約28.7%，方向勝率由65.0%提升至80.0%，預(yù)測(cè)精度與趨勢(shì)識(shí)別能力均有顯著改善。

短期預(yù)測(cè)模型：在2023至2025年逐月滾動(dòng)測(cè)試中，短期最優(yōu)模型RMSE均值為0.2379，方向勝率達(dá)80.56%，表現(xiàn)略好于長(zhǎng)期預(yù)測(cè)模型，對(duì)短期拐點(diǎn)與月度節(jié)奏的把握能力較優(yōu)。

2026年模型預(yù)測(cè)結(jié)果：

模型預(yù)測(cè)顯示2026年國(guó)內(nèi)通脹環(huán)境將呈現(xiàn)典型的“低位溫和修復(fù)”特征。全年CPI指數(shù)累計(jì)漲幅約為2.7%，價(jià)格運(yùn)行節(jié)奏表現(xiàn)為：春節(jié)因素消退后的3月經(jīng)歷正常季節(jié)性短暫回落，隨后內(nèi)需緩慢修復(fù)帶動(dòng)價(jià)格中樞在下半年趨于平穩(wěn)上行。綜合判斷，盡管價(jià)格下行風(fēng)險(xiǎn)已較2024-2025年期間明顯緩和，但整體物價(jià)彈性依然有限，宏觀經(jīng)濟(jì)運(yùn)行狀態(tài)更傾向于“弱復(fù)蘇、低通脹”組合。在此背景下，成本端的輸入性壓力傳導(dǎo)相對(duì)受限，政策層面或仍維持對(duì)穩(wěn)增長(zhǎng)與穩(wěn)預(yù)期的必要支持。

風(fēng)險(xiǎn)提示：1)政策或監(jiān)管環(huán)境突變；2)宏觀經(jīng)濟(jì)不及預(yù)期；3)發(fā)生重大預(yù)期外的宏觀事件。

1. 數(shù)據(jù)與樣本說明

本研究的主要目的為在系統(tǒng)整理與更新居民消費(fèi)價(jià)格及相關(guān)宏觀、價(jià)格類歷史數(shù)據(jù)的基礎(chǔ)上，建立可重復(fù)估計(jì)的時(shí)序模型，對(duì)未來一個(gè)月的 CPI 環(huán)比水平進(jìn)行定量預(yù)測(cè)，并刻畫與更新未來一年 CPI 的演變路徑與總體走勢(shì)，從而為短期中國(guó)平均價(jià)格與通脹水平與中期趨勢(shì)判斷提供數(shù)據(jù)支持與可檢驗(yàn)的預(yù)測(cè)基準(zhǔn)。

1.1. CPI數(shù)據(jù)說明

本研究使用的居民消費(fèi)價(jià)格指數(shù)（CPI）及相關(guān)變量均為月度頻率，時(shí)間索引統(tǒng)一為各自然月月末（與官方常用發(fā)布節(jié)奏一致）。CPI 部分包含全國(guó) CPI 總指數(shù)環(huán)比、食品類環(huán)比與非食品類環(huán)比，數(shù)據(jù)來源于項(xiàng)目配置的原始指標(biāo)序列，經(jīng)與宏觀及價(jià)格類外生序列按月末對(duì)齊、合并后形成分析用面板。環(huán)比指標(biāo)刻畫相鄰兩個(gè)月之間的價(jià)格變化，解讀時(shí)需結(jié)合春節(jié)等季節(jié)性因素。

1.2. 外生變量說明

根外生變量的選擇遵循“先理論分層、后統(tǒng)計(jì)篩選、再經(jīng)濟(jì)解釋校驗(yàn)”的原則：首先從貨幣政策、實(shí)體經(jīng)濟(jì)、食品價(jià)格和外部輸入四個(gè)方向構(gòu)建候選變量池，分別覆蓋流動(dòng)性與利率環(huán)境、景氣與生產(chǎn)端變化、主要食品品類價(jià)格波動(dòng)以及國(guó)際大宗與輸入型成本沖擊；隨后在統(tǒng)一樣本區(qū)間內(nèi)對(duì)候選變量與 CPI （及相關(guān)分項(xiàng)）進(jìn)行格蘭杰因果檢驗(yàn)，保留在統(tǒng)計(jì)意義上具有顯著領(lǐng)先信息的變量；最后結(jié)合變量發(fā)布時(shí)點(diǎn)、可得性和傳導(dǎo)機(jī)制的經(jīng)濟(jì)學(xué)合理性進(jìn)行二次篩選，剔除雖顯著但解釋性弱或穩(wěn)定性不足的指標(biāo)，形成用于建模的候選外生變量集合。

1.3. 樣本空間說明

本研究的數(shù)據(jù)樣本空間按“完整可比、統(tǒng)一頻率”原則構(gòu)建：先將 CPI 及全部候選外生變量按時(shí)間對(duì)齊，再截取各變量均有有效觀測(cè)的共同時(shí)間區(qū)間，最終形成 2010 年 1 月至 2025 年 12 月的月度面板樣本。對(duì)頻率處理方面，若變量原始口徑已為月度，則直接使用；若變量為日頻，則先按自然月聚合為月度均值后再并入面板，以保證模型輸入在同一時(shí)間粒度下可比。完成頻率統(tǒng)一后，對(duì)樣本進(jìn)行缺失值檢查與一致性約束，僅保留全字段可用的月份用于估計(jì)與評(píng)估。季節(jié)性事件處理上，研究額外構(gòu)建春節(jié)虛擬變量：根據(jù)每年農(nóng)歷春節(jié)對(duì)應(yīng)公歷日期，將其映射到所在自然月，春節(jié)當(dāng)月記為 1、其余月份記為 0，并隨月度面板一并進(jìn)入模型，用于刻畫春節(jié)錯(cuò)位對(duì)價(jià)格環(huán)比的結(jié)構(gòu)性影響。

2. 外生變量篩選邏輯

本研究從貨幣政策、實(shí)體經(jīng)濟(jì)、食品價(jià)格和外部輸入四個(gè)方向構(gòu)建候選變量池，分別覆蓋流動(dòng)性與利率環(huán)境、景氣與生產(chǎn)端變化、主要食品品類價(jià)格波動(dòng)以及國(guó)際大宗與輸入型成本沖擊。候選變量池如表 1 所示：

2.1. 量化角度初步篩選

本研究在構(gòu)建 CPI 預(yù)測(cè)模型前，對(duì)候選外生變量與 CPI及必要時(shí)分項(xiàng)進(jìn)行格蘭杰因果檢驗(yàn)，在指定最大滯后階數(shù)下檢驗(yàn)在控制各自歷史信息后，候選變量是否對(duì) CPI 的預(yù)測(cè)具有統(tǒng)計(jì)上顯著的邊際解釋力。通過該步驟，可在較寬變量池中篩除與 CPI 動(dòng)態(tài)關(guān)系不顯著或方向不穩(wěn)定的指標(biāo)，縮小后續(xù)建模與樣本外評(píng)估的負(fù)擔(dān)，并降低僅憑主觀敘事堆砌變量的風(fēng)險(xiǎn)。

選擇格蘭杰因果檢驗(yàn)的原因在于：其一，它面向時(shí)間序列預(yù)測(cè)問題，直接回答“過去信息是否有助于預(yù)測(cè)未來”，與滾動(dòng)預(yù)測(cè)目標(biāo)一致；其二，檢驗(yàn)在向量自回歸框架下比較嵌套模型，具有明確的統(tǒng)計(jì)假設(shè)與可復(fù)現(xiàn)的顯著性標(biāo)準(zhǔn)，便于在報(bào)告中披露與復(fù)核；其三，它并不等同于經(jīng)濟(jì)學(xué)意義上的“真實(shí)因果”，但能作為數(shù)據(jù)層面的先導(dǎo)性篩選，與經(jīng)濟(jì)學(xué)理論分層（貨幣、實(shí)體、食品、外部輸入）相結(jié)合，可在統(tǒng)計(jì)顯著與經(jīng)濟(jì)可解釋之間取得平衡。

表2與表3展示了食品CPI與非食品CPI的格蘭杰因果檢驗(yàn)結(jié)果。本研究設(shè)定最小P值小于0.1的變量通過初步篩選。依照此邏輯，食品項(xiàng)通過初步篩選的變量為：春節(jié)變量、蔬菜價(jià)格指數(shù)、可繁育母豬存欄量、豬肉市場(chǎng)價(jià)、美元匯率、制造業(yè)PMI、PPI同比。非食品項(xiàng)通過初步篩選的變量為：春節(jié)變量、布倫特原油價(jià)格、制造業(yè)PMI、PPI同比、CBR指數(shù)、M1同比、蔬菜價(jià)格指數(shù)、M2同比。

2.2. 經(jīng)濟(jì)學(xué)解釋角度篩選

從經(jīng)濟(jì)學(xué)上看，食品 CPI 的短期波動(dòng)主要由供給沖擊、節(jié)日消費(fèi)節(jié)奏與“豬周期”主導(dǎo)，因此格蘭杰檢驗(yàn)雖顯示美元匯率與 PMI 等宏觀變量也可能含有預(yù)測(cè)信息，但它們對(duì)食品分項(xiàng)的作用往往是間接且多通道疊加的：匯率更多通過進(jìn)口大宗與能源成本傳導(dǎo)，且與本土鮮菜、豬肉等籃子的聯(lián)動(dòng)存在時(shí)滯與結(jié)構(gòu)性干擾；PMI 則刻畫廣義景氣與工業(yè)品需求，對(duì)食品價(jià)格的映射不如高頻農(nóng)產(chǎn)品價(jià)格直接。相較之下，春節(jié)虛擬變量刻畫的是統(tǒng)計(jì)與消費(fèi)日歷上的強(qiáng)季節(jié)錯(cuò)位；蔬菜批發(fā)價(jià)直接對(duì)應(yīng)鮮菜分項(xiàng)的成本與預(yù)期；豬肉批發(fā)價(jià)與能繁母豬存欄分別從價(jià)格邊際與供給領(lǐng)先兩個(gè)維度鎖定“豬周期”核心機(jī)制，變量含義與食品 CPI 的微觀傳導(dǎo)鏈條一致、可解釋性更強(qiáng)。因此本研究?jī)?yōu)先保留與食品價(jià)格形成機(jī)制距離更近、傳導(dǎo)路徑更清晰的春節(jié)、蔬菜批發(fā)價(jià)、可繁育母豬存欄與豬肉批發(fā)價(jià)作為食品側(cè)最終候選變量，而將匯率與 PMI 等更偏總量與外部金融條件的指標(biāo)留給非食品或宏觀敘事層使用。

非食品 CPI 更多反映能源與工業(yè)消費(fèi)品、服務(wù)與居住相關(guān)價(jià)格的邊際變化，其波動(dòng)往往與全球大宗、國(guó)內(nèi)景氣與成本傳導(dǎo)聯(lián)系更緊。春節(jié)虛擬變量同樣重要，因?yàn)榇汗?jié)會(huì)同時(shí)擾動(dòng)出行、服務(wù)與部分非食品消費(fèi)與統(tǒng)計(jì)節(jié)奏。布倫特原油價(jià)格直接錨定國(guó)內(nèi)燃料與能源相關(guān)分項(xiàng)及廣泛的成本推動(dòng)鏈條；制造業(yè) PMI 刻畫需求與生產(chǎn)景氣，與非食品中工業(yè)品、可選消費(fèi)的價(jià)格動(dòng)量更為貼近。CRB 大宗商品綜合指數(shù)則把能源、金屬與部分農(nóng)產(chǎn)品價(jià)格壓力匯總為廣義輸入型通脹的代理，比單一油價(jià)更能捕捉外部?jī)r(jià)格環(huán)境的整體松緊。相較之下，PPI 同比雖與成本端相關(guān)，但更偏生產(chǎn)端出廠價(jià)，且與油價(jià)、CRB商品指數(shù)信息高度重疊，容易帶來多重共線而邊際增益有限；M1、M2 同比屬于貨幣金融條件，對(duì)非食品價(jià)格的映射路徑長(zhǎng)、領(lǐng)先關(guān)系不穩(wěn)定；蔬菜批發(fā)價(jià)則主要驅(qū)動(dòng)食品分項(xiàng)，與非食品籃子的經(jīng)濟(jì)距離較遠(yuǎn)。因此在格蘭杰顯著的前提下，最終非食品側(cè)優(yōu)先保留春節(jié)變量、布倫特原油價(jià)格、制造業(yè)PMI 指數(shù)與 CRB商品指數(shù)作為候選。

3. 模型選擇與評(píng)估方式

3.1. SARIMAX模型

本研究采用 SARIMAX（季節(jié)性自回歸滑動(dòng)平均外生變量）模型，主要出于三方面考慮：其一，該類模型在計(jì)量經(jīng)濟(jì)學(xué)與宏觀經(jīng)濟(jì)實(shí)證研究中長(zhǎng)期使用，理論成熟、估計(jì)與推斷路徑清晰，便于與既有文獻(xiàn)對(duì)照并保持結(jié)果可復(fù)現(xiàn)；其二，CPI 環(huán)比存在較為明顯的年度季節(jié)結(jié)構(gòu)，SARIMAX 通過季節(jié)差分與季節(jié)項(xiàng)能夠顯著刻畫其周期性，精準(zhǔn)捕捉其季節(jié)性趨勢(shì)；其三，模型在自回歸結(jié)構(gòu)基礎(chǔ)上可納入外生變量，將宏觀與高頻價(jià)格信息并入方程，在控制序列相關(guān)的同時(shí)考察外生沖擊的邊際影響。與以預(yù)測(cè)精度為導(dǎo)向、結(jié)構(gòu)往往難以拆解的機(jī)器學(xué)習(xí)方案相比，SARIMAX 的系數(shù)、滯后階數(shù)與外生項(xiàng)具有直接的經(jīng)濟(jì)與統(tǒng)計(jì)含義，系數(shù)符號(hào)與顯著性可作為解釋依據(jù)，整體可解釋性更強(qiáng)，更適合本研究在預(yù)測(cè)之外兼顧機(jī)制敘述與政策討論的需要。

本研究對(duì)食品與非食品 CPI 環(huán)比分別設(shè)定SARIMAX。食品側(cè)采用 (2,1,0) × (1,0,1,12)：非季節(jié)部分先作一階差分，再在差分序列上用二階自回歸刻畫短期慣性；季節(jié)部分在周期 12 上配置一階季節(jié)自回歸與一階季節(jié)滑動(dòng)平均且不做季節(jié)差分，用于吸收年內(nèi)固定節(jié)奏下的季節(jié)相關(guān)，而不額外強(qiáng)加“季節(jié)單位根”結(jié)構(gòu)。非食品側(cè)采用 (1,0,1) × (1,1,1,12)：水平序列上使用 ARMA(1,1)，使沖擊的影響可平滑延續(xù)若干期；季節(jié)部分對(duì) 12 個(gè)月周期作一階季節(jié)差分，并配以季節(jié) AR(1) 與季節(jié) MA(1)，對(duì)應(yīng)非食品環(huán)比存在以年為尺度的隨機(jī)季節(jié)成分，與非季節(jié)短期動(dòng)態(tài)分開刻畫。

3.2. 合成權(quán)重說明

由于在公開材料中無法完整復(fù)現(xiàn)統(tǒng)計(jì)局對(duì)總 CPI 環(huán)比的鏈?zhǔn)椒纸馀c分項(xiàng)權(quán)數(shù)生成規(guī)則，本研究在將食品與非食品分項(xiàng)預(yù)測(cè)合成為總CPI 環(huán)比時(shí)，對(duì)食品權(quán)重采用過去 12 個(gè)月官方公布食品權(quán)重的算術(shù)平均值作為下一期合成所用權(quán)數(shù)，非食品權(quán)重由互補(bǔ)關(guān)系得到。該做法的合理性在于：一方面，下月權(quán)重在預(yù)測(cè)時(shí)點(diǎn)不可觀測(cè)，只能基于歷史信息外推，而籃子結(jié)構(gòu)通常緩慢變化，對(duì)近 12 個(gè)月取均值可在跟蹤結(jié)構(gòu)漂移的同時(shí)平滑單月噪聲與數(shù)據(jù)修訂；另一方面，相較單月上期權(quán)重或需額外校準(zhǔn)參數(shù)的指數(shù)加權(quán)方案，12 個(gè)月均值規(guī)則透明、參數(shù)少、便于復(fù)核，從而降低因權(quán)數(shù)設(shè)定帶來的爭(zhēng)議成本。

3.3. 模型評(píng)估方式

本研究對(duì)模型表現(xiàn)的評(píng)估采用固定長(zhǎng)度的滾動(dòng)樣本設(shè)計(jì)：在完整歷史數(shù)據(jù)中，按規(guī)則每次截取連續(xù)十二年的樣本窗口，其中前十一年用于模型估計(jì)與參數(shù)識(shí)別，最后一年作為樣本外測(cè)試集，并僅以該測(cè)試年的 RMSE 衡量當(dāng)期預(yù)測(cè)精度。首輪測(cè)試區(qū)間設(shè)定為 2023 年 1 月至 2023 年 12 月；此后將上述十年窗口整體向后平移六個(gè)月，重復(fù)構(gòu)造測(cè)試集，共進(jìn)行五輪評(píng)估，從而得到五組相互銜接、覆蓋不同宏觀階段的樣本外表現(xiàn)。最終模型的選擇不僅取決于五輪測(cè)試 RMSE 的平均水平，還結(jié)合各輪誤差波動(dòng)與尾部表現(xiàn)以及方向識(shí)別能力，在精度與跨階段穩(wěn)定性之間權(quán)衡，選取 RMSE 相對(duì)較低且五輪表現(xiàn)最為穩(wěn)健的規(guī)格作為本研究的最終模型。

4. 候選模型的構(gòu)建與評(píng)估結(jié)果

4.1. 候選模型的構(gòu)建

本研究的候選模型在結(jié)構(gòu)上采用「食品—非食品」拆分、分別估計(jì)帶季節(jié)項(xiàng)的 SARIMAX，再按固定權(quán)重合成總 CPI 環(huán)比；春節(jié)虛擬變量在兩條方程中一律納入，不作篩選。食品側(cè)從經(jīng)濟(jì)學(xué)機(jī)制出發(fā)設(shè)定三類信息：蔬菜批發(fā)價(jià)以滯后 1 期或 3 期刻畫鮮菜的季節(jié)性與短周期波動(dòng)；豬周期則在同一規(guī)格中僅擇一使用：豬肉批發(fā)價(jià)滯后 1 期或 3 期，或能繁母豬存欄滯后 6 期，且不與豬肉價(jià)同時(shí)進(jìn)入，以避免供給鏈條變量高度重疊。非食品側(cè)必須包含制造業(yè) PMI 滯后 1 期，用于反映景氣與成本環(huán)境；外部輸入成本則在布倫特原油滯后 1 期與 CRB 商品指數(shù)滯后 1 期之間選擇一項(xiàng)，以區(qū)分油價(jià)渠道與廣義大宗渠道且避免多重共線。由此得到 6×2=12 條經(jīng)濟(jì)學(xué)含義清晰的結(jié)構(gòu)組合。由于SARIMAX模型假設(shè)變量均為時(shí)序平穩(wěn)變量，本研究依據(jù)單位根檢驗(yàn)結(jié)論，對(duì)判定為非平穩(wěn)的變量先作一階差分再按相同滯后階數(shù)進(jìn)入，平穩(wěn)變量仍取水平滯后，從而在統(tǒng)一滾動(dòng)樣本外框架下比較各候選模型的預(yù)測(cè)表現(xiàn)。

4.2. 候選模型表現(xiàn)對(duì)比

本研究在模型篩選中采用“預(yù)測(cè)精度—穩(wěn)定性—方向識(shí)別能力”三維等權(quán)的綜合排名標(biāo)準(zhǔn)：首先以五輪滾動(dòng)樣本外 RMSE 均值衡量平均預(yù)測(cè)誤差（越小越優(yōu)），確保模型在總體數(shù)值上具備較高精度；其次以五輪 RMSE 的標(biāo)準(zhǔn)差衡量跨時(shí)段表現(xiàn)穩(wěn)定性（越小越優(yōu)），避免僅在個(gè)別階段表現(xiàn)良好的“偶然優(yōu)勝”模型；最后以五輪樣本外的方向勝率衡量模型對(duì) CPI 環(huán)比漲跌方向的識(shí)別能力（越高越優(yōu)），強(qiáng)化其在宏觀研判和政策應(yīng)用中的可解釋性與實(shí)用價(jià)值。三項(xiàng)指標(biāo)采用等權(quán)排名準(zhǔn)則，核心考量為CPI 預(yù)測(cè)不僅要“點(diǎn)位準(zhǔn)”，還要“波動(dòng)穩(wěn)、方向?qū)Α保瑥亩诮y(tǒng)計(jì)意義與經(jīng)濟(jì)意義之間取得更均衡、可復(fù)現(xiàn)的最優(yōu)解。詳細(xì)的模型參數(shù)對(duì)比請(qǐng)參考表4。其中Ln代表滯后n期，RMSE代表殘差均方差，no_exog代表無任何外生變量的SARIMA模型，作為基準(zhǔn)模型對(duì)比其他模型表現(xiàn)。

經(jīng)綜合考量，排名最優(yōu)的模型食品項(xiàng)外生變量為：春節(jié)變量，蔬菜價(jià)格指數(shù)滯后3期，豬肉價(jià)格滯后3期；非食品項(xiàng)外生變量為：春節(jié)變量，CRB商品指數(shù)滯后1期，PMI指數(shù)滯后1期。

5. 最終模型樣本外表現(xiàn)

上文中的最終預(yù)測(cè)模型在2023年至2025年的五輪測(cè)試集表現(xiàn)如圖2所示，用來對(duì)比的無外生變量基準(zhǔn)SARIMA模型表現(xiàn)則如圖3所示。從樣本外結(jié)果看，該模型在大多數(shù)測(cè)試窗口中均表現(xiàn)出較好的預(yù)測(cè)精度與跨區(qū)間穩(wěn)定性，整體具有較強(qiáng)穩(wěn)健性。與無外生變量的基線時(shí)間序列模型相比，該模型的五輪樣本外 RMSE 均值由 0.3396 降至 0.2422（降幅約 28.7%），誤差波動(dòng)（RMSE 標(biāo)準(zhǔn)差）下降約 7.8%，方向勝率由 65.0% 提升至 80.0%。這表明引入外生變量后，模型對(duì) CPI 環(huán)比的刻畫能力和預(yù)測(cè)有效性均獲得顯著提升。

6. 外生變量路徑預(yù)測(cè)

在2026 年外生變量路徑設(shè)定上，本研究采用“數(shù)據(jù)優(yōu)先 + 統(tǒng)計(jì)篩選 + 經(jīng)濟(jì)合理性校驗(yàn)”的組合策略：對(duì)信息更新最及時(shí)的變量（豬肉市場(chǎng)價(jià)、布倫特原油價(jià)格、PMI指數(shù)）優(yōu)先使用已發(fā)布/已更新的 2026 月度數(shù)據(jù)，并對(duì)缺口月份銜接外生預(yù)測(cè)序列；對(duì)需內(nèi)生推演的變量則采用時(shí)間序列模型篩選，其中蔬菜價(jià)格指數(shù)先由周環(huán)比遞推構(gòu)建歷史指數(shù)（2010-01=100），再在候選 SARIMA 規(guī)格中以 2024–2025 驗(yàn)證集 RMSE 最小準(zhǔn)則選擇 (0,1,1)(0,1,0,12) 進(jìn)行 2026 外推，可繁育母豬存欄量與 CRB 商品指數(shù)采用 AIC 最優(yōu)的 SARIMA 進(jìn)行缺口補(bǔ)全與預(yù)測(cè)。該做法的合理性在于：既充分利用可觀測(cè)“真實(shí)信息”降低遠(yuǎn)期假設(shè)誤差，又通過統(tǒng)一、可復(fù)現(xiàn)的統(tǒng)計(jì)準(zhǔn)則控制模型復(fù)雜度并保證序列連續(xù)性與口徑一致性。從趨勢(shì)看，2026 年外生變量整體呈“溫和波動(dòng)”特征：蔬菜指數(shù)表現(xiàn)為上半年回落、下半年修復(fù)并年末回升，豬價(jià)在年初偏弱后逐步抬升，原油在二季度高位后緩慢回落，PMI大體圍繞榮枯線附近小幅波動(dòng)，整體與宏觀環(huán)境“弱修復(fù)、低通脹彈性”的情形相一致。

本研究展示的外生變量路徑預(yù)測(cè)方式為不預(yù)設(shè)任何觀點(diǎn)的情況下結(jié)合其自身時(shí)序結(jié)構(gòu)進(jìn)行預(yù)測(cè)，實(shí)際操作中可結(jié)合外生變量走勢(shì)觀點(diǎn)進(jìn)行推演，觀測(cè)在不同假設(shè)的條件下CPI后一年走勢(shì)的趨勢(shì)。

7. 2026年CPI預(yù)測(cè)結(jié)果

7.1. 2026年CPI同比與環(huán)比預(yù)測(cè)表現(xiàn)

模型預(yù)測(cè)2026年CPI環(huán)比連乘累計(jì)漲幅約2.7%，具體每月環(huán)比變化如圖8所示。從模型預(yù)測(cè)結(jié)果看，2026年國(guó)內(nèi)通脹呈現(xiàn)“低位溫和修復(fù)”而非明顯上行：年內(nèi) CPI 環(huán)比多數(shù)月份為小幅正增長(zhǎng)，春節(jié)后（3 月）短暫回落后逐步修復(fù)，下半年相對(duì)更平穩(wěn)，說明價(jià)格中樞整體有抬升但彈性有限。由此推斷，2026 年宏觀經(jīng)濟(jì)更可能處于“弱復(fù)蘇、溫和通脹”狀態(tài)：內(nèi)需較 2024至2025 年有改善，但不足以形成高通脹壓力，政策環(huán)境預(yù)計(jì)仍以穩(wěn)增長(zhǎng)、穩(wěn)預(yù)期為主，貨幣與財(cái)政政策可能保持寬松以刺激消費(fèi)與投資。整體上，價(jià)格下行風(fēng)險(xiǎn)較前期明顯緩和，但經(jīng)濟(jì)修復(fù)的斜率仍偏溫和。原材料成本方面，中東的地緣沖突帶來的能源價(jià)格提升造成了一定的工業(yè)原材料成本上升壓力，但實(shí)際傳導(dǎo)到CPI仍然有限，主要得益于中國(guó)的工業(yè)體系和新能源技術(shù)。

2026年CPI同比始終為正且持續(xù)增長(zhǎng)，較去年有大幅度回升，表明中國(guó)經(jīng)濟(jì)逐漸走出整體價(jià)格下行區(qū)間，宏觀經(jīng)濟(jì)環(huán)境正在回暖。

7.2. 模型系數(shù)解讀

本模型中，外生變量參數(shù)整體呈現(xiàn)出較為清晰且符合經(jīng)濟(jì)邏輯的結(jié)構(gòu)特征。食品方程中，春節(jié)虛擬變量系數(shù)為正且在統(tǒng)計(jì)上高度顯著，表明節(jié)日效應(yīng)仍是推動(dòng)食品價(jià)格短期上行的核心力量；豬肉價(jià)格三期滯后項(xiàng)系數(shù)為負(fù)且顯著，說明豬價(jià)對(duì)食品CPI存在明顯滯后傳導(dǎo)，但該傳導(dǎo)在樣本期內(nèi)更多體現(xiàn)為“前期沖擊后回落修正”的動(dòng)態(tài)過程。相比之下，節(jié)后虛擬變量與蔬菜差分滯后項(xiàng)雖方向上具備一定合理性（節(jié)后回落、蔬菜波動(dòng)的短期擾動(dòng)），但統(tǒng)計(jì)顯著性不足，提示其邊際解釋力相對(duì)有限。

非食品方程的外生項(xiàng)表現(xiàn)更穩(wěn)定。CRB一階差分滯后項(xiàng)為正且顯著，反映出大宗商品成本變化對(duì)非食品價(jià)格的傳導(dǎo)機(jī)制依然存在；PMI滯后項(xiàng)同樣為正且顯著，說明景氣修復(fù)能夠通過需求與預(yù)期渠道支撐非食品價(jià)格中樞。春節(jié)與節(jié)后虛擬變量分別呈現(xiàn)“節(jié)中上行、節(jié)后回吐”的對(duì)稱特征，且均達(dá)到顯著水平，這與我國(guó)消費(fèi)季節(jié)性和服務(wù)價(jià)格調(diào)整節(jié)奏一致。

總體看，模型參數(shù)在經(jīng)濟(jì)含義與統(tǒng)計(jì)顯著性上具有較好一致性：食品端主要由節(jié)日與豬價(jià)周期驅(qū)動(dòng)，非食品端則更多受成本與景氣變量共同影響，支持該模型用于2026年通脹路徑研判。

8. CPI月度預(yù)測(cè)模型

本研究的月度短期預(yù)測(cè)采用“滾動(dòng)重估”框架：對(duì)每一個(gè)預(yù)測(cè)月t，均使用其前 132 個(gè)月樣本重新估計(jì)一次模型參數(shù)，再生成 1 步前瞻預(yù)測(cè)。與長(zhǎng)期預(yù)測(cè)模型相比，短期模型在參數(shù)設(shè)定上的核心差異在于“時(shí)變近似”假設(shè)：其默認(rèn)結(jié)構(gòu)形式不變，但允許參數(shù)隨樣本窗口滾動(dòng)而緩慢調(diào)整，從而及時(shí)吸收最新價(jià)格與外生變量信息；而長(zhǎng)期模型更強(qiáng)調(diào)參數(shù)穩(wěn)定性與跨期一致性，默認(rèn)估計(jì)系數(shù)在整個(gè)預(yù)測(cè)期內(nèi)保持不變，因此對(duì)中長(zhǎng)期趨勢(shì)刻畫更平滑、但對(duì)近期拐點(diǎn)響應(yīng)相對(duì)滯后。由此帶來的方法學(xué)優(yōu)勢(shì)是，月度短期模型在高頻擾動(dòng)、節(jié)日錯(cuò)位和外生沖擊傳導(dǎo)節(jié)奏變化較快的階段，通常具有更強(qiáng)的“當(dāng)期貼合能力”和轉(zhuǎn)折識(shí)別能力，能夠降低短期預(yù)測(cè)偏差并提高方向判斷的及時(shí)性；相對(duì)地，長(zhǎng)期模型更適用于年度路徑研判與情景推演。綜合而言，短期滾動(dòng)模型更適合作為“近月監(jiān)測(cè)與校準(zhǔn)工具”，長(zhǎng)期模型更適合作為“中長(zhǎng)期基準(zhǔn)路徑工具”，兩者應(yīng)在同一研究框架下互補(bǔ)使用。

8.1. 月度短期預(yù)測(cè)模型參數(shù)說明

在本研究的當(dāng)前設(shè)定中，長(zhǎng)期預(yù)測(cè)模型與短期預(yù)測(cè)模型使用的 SARIMA 參數(shù)并不相同。長(zhǎng)期模型（用于 2026 年全年路徑預(yù)測(cè)、一次估計(jì)后多步外推）采用的是食品方程 SARIMA(2,1,0)×(1,0,1,12)、非食品方程 SARIMA(1,0,1)×(1,1,1,12)；短期模型則為食品方程 SARIMA(2,0,1)×(1,0,1,12)、非食品方程 SARIMA(1,1,1)×(1,0,1,12)，并在同樣的外生信息框架下進(jìn)行逐月重估。

兩者的差異本質(zhì)上是“多步穩(wěn)定性優(yōu)先”與“單步響應(yīng)速度優(yōu)先”的取舍。長(zhǎng)期模型在食品端保留一階差分、在非食品端使用更強(qiáng)的季節(jié)差分，參數(shù)設(shè)定更強(qiáng)調(diào)中長(zhǎng)期平滑與年度路徑一致性，適合做全年情景分析；短期模型則在食品端提高了短期動(dòng)態(tài)項(xiàng)（由 (2,1,0) 調(diào)整為 (2,0,1)），并在非食品端弱化季節(jié)差分（由 (1,1,1,12) 調(diào)整為 (1,0,1,12)），使模型對(duì)近月沖擊與拐點(diǎn)變化更敏感。換言之，長(zhǎng)期模型的參數(shù)假設(shè)更接近“預(yù)測(cè)期內(nèi)結(jié)構(gòu)穩(wěn)定”，短期模型的參數(shù)假設(shè)更接近“結(jié)構(gòu)不變但系數(shù)可隨滾動(dòng)樣本更新而適度漂移”。因此，短期模型通常在當(dāng)期誤差控制和轉(zhuǎn)折識(shí)別上更有優(yōu)勢(shì)，而長(zhǎng)期模型在年度軌跡的平滑性與可解釋性上更占優(yōu)。

8.2. 月度短期預(yù)測(cè)模型評(píng)估結(jié)果

本研究的短期模型采用的是逐月滾動(dòng)單月步長(zhǎng)樣本外評(píng)估。具體做法是：以 2023-01 到 2025-12 的每一個(gè)月作為獨(dú)立測(cè)試點(diǎn)，對(duì)每個(gè)測(cè)試月都僅使用

其之前最多 132 個(gè)月樣本重新擬合一次模型，然后只預(yù)測(cè)該月 1 個(gè)月的 CPI 環(huán)比。將全部月份預(yù)測(cè)值與真實(shí)值對(duì)比后，計(jì)算總體與分年度的 RMSE、MAE 和方向勝率（預(yù)測(cè)環(huán)比符號(hào)與實(shí)際符號(hào)一致的比例）。這種評(píng)估方式的優(yōu)勢(shì)在于口徑嚴(yán)格、貼近實(shí)時(shí)應(yīng)用場(chǎng)景，能夠真實(shí)反映模型在“每月更新、近月預(yù)判”任務(wù)中的穩(wěn)定性與短期跟蹤能力。

短期預(yù)測(cè)模型與長(zhǎng)期預(yù)測(cè)最優(yōu)模型在外生變量選擇上呈現(xiàn)出“短期更敏感、長(zhǎng)期更穩(wěn)健”的差異。短期最優(yōu)模型采用的是蔬菜價(jià)格指數(shù)滯后1期而非3期，說明在短期預(yù)測(cè)框架下，食品價(jià)格對(duì)蔬菜價(jià)格的短期變動(dòng)更為敏感，近期信息的解釋力更強(qiáng)；同時(shí)，食品端仍保留豬肉價(jià)格滯后3期，表明豬價(jià)信號(hào)雖然重要，但更適合以相對(duì)滯后的形式進(jìn)入模型，以減少高頻波動(dòng)干擾。

非食品端方面，短期最優(yōu)模型傾向于選擇布倫特原油價(jià)格滯后1期，而長(zhǎng)期最優(yōu)模型更偏向CRB指數(shù)滯后1期；這表明短期預(yù)測(cè)更看重原油價(jià)格對(duì)當(dāng)期非食品通脹的直接傳導(dǎo)，而長(zhǎng)期預(yù)測(cè)則更依賴CRB這類更綜合的大宗商品指標(biāo)來刻畫成本趨勢(shì)。總體來看，短期模型偏好高時(shí)效性的單項(xiàng)價(jià)格信號(hào)，長(zhǎng)期模型則更偏好穩(wěn)定性更強(qiáng)的綜合性外生變量。

8.3. 月度短期預(yù)測(cè)模型樣本外表現(xiàn)

本研究的短期模型樣本外表現(xiàn)如下圖所示。從樣本外表現(xiàn)來看，相比長(zhǎng)期預(yù)測(cè)模型，短期預(yù)測(cè)模型在2023年表現(xiàn)略差，但2024與2025年表現(xiàn)均更優(yōu)。短期最優(yōu)模型對(duì)總體走勢(shì)和方向的把握較好，尤其在大多數(shù)月份能夠較準(zhǔn)確跟隨實(shí)際環(huán)比的正負(fù)變化，說明其對(duì)短期拐點(diǎn)和節(jié)奏具有一定識(shí)別能力。結(jié)合前面的結(jié)果，模型在 2023-2025 全樣本外區(qū)間的方向勝率較高，整體預(yù)測(cè)穩(wěn)定性在候選模型中處于較優(yōu)水平。

不足的是，該模型對(duì)個(gè)別波動(dòng)較大的月份仍存在一定偏差，表現(xiàn)為峰值和谷值附近的振幅擬合不夠充分，即在短期沖擊較強(qiáng)時(shí)容易出現(xiàn)低估或高估。總體而言，該模型更擅長(zhǎng)刻畫短期方向和中樞水平，對(duì)極端波動(dòng)的擬合能力相對(duì)有限，因此適合作為短期滾動(dòng)研判工具，但對(duì)單月異常波動(dòng)仍需結(jié)合外部信息作輔助判斷。

9. 總結(jié)

本研究立足于通脹走勢(shì)對(duì)宏觀交易與資產(chǎn)配置的前瞻指引價(jià)值，以“食品—非食品”雙輪驅(qū)動(dòng)框架為核心，構(gòu)建了一套可跟蹤、可檢驗(yàn)的CPI量化預(yù)測(cè)體系。在方法論層面，研究從貨幣政策、實(shí)體經(jīng)濟(jì)、食品價(jià)格及外部輸入四個(gè)維度系統(tǒng)梳理外生變量池，通過格蘭杰因果檢驗(yàn)與經(jīng)濟(jì)學(xué)含義校驗(yàn)相結(jié)合的篩選流程，擇優(yōu)納入蔬菜、豬肉、CRB大宗指數(shù)及制造業(yè)PMI等高信息量指標(biāo)；在模型篩選與評(píng)估層面，采用五輪滾動(dòng)樣本外測(cè)試設(shè)計(jì)，以RMSE均值衡量預(yù)測(cè)精度、以RMSE標(biāo)準(zhǔn)差評(píng)估跨期穩(wěn)定性、以方向勝率檢驗(yàn)趨勢(shì)識(shí)別能力，三維等權(quán)綜合排名后確定最優(yōu)模型規(guī)格。在模型層面，分別構(gòu)建了側(cè)重年度路徑一致性的長(zhǎng)期SARIMAX模型與側(cè)重拐點(diǎn)響應(yīng)的月度滾動(dòng)短期模型，兩者互為補(bǔ)充，形成覆蓋中長(zhǎng)期趨勢(shì)研判與短期節(jié)奏把握的完整工具箱。

從實(shí)際效果來看，最終選定的長(zhǎng)期預(yù)測(cè)模型2023至2025年五輪樣本外RMSE均值為0.2422，較無外生變量基準(zhǔn)模型下降約28.7%，方向勝率達(dá)80.0%；短期滾動(dòng)模型RMSE均值為0.2379，方向勝率達(dá)80.56%，驗(yàn)證了外生變量引入與滾動(dòng)重估機(jī)制對(duì)預(yù)測(cè)效能的邊際貢獻(xiàn)。 在模型層面，分別構(gòu)建了側(cè)重年度路徑一致性的長(zhǎng)期SARIMAX模型與側(cè)重拐點(diǎn)響應(yīng)的月度滾動(dòng)短期模型，兩者互為補(bǔ)充，形成覆蓋中長(zhǎng)期趨勢(shì)研判與短期節(jié)奏把握的完整工具箱。

基于上述框架，模型對(duì)2026年CPI走勢(shì)的核心判斷為“低位溫和修復(fù)、彈性仍顯不足”：全年CPI環(huán)比累計(jì)漲幅預(yù)計(jì)約2.7%，價(jià)格中樞較2024—2025年有所抬升，但尚不足以形成高通脹壓力。從投資含義看，該通脹環(huán)境對(duì)應(yīng)貨幣政策維持寬松的窗口期較長(zhǎng)，短端利率上行風(fēng)險(xiǎn)可控。

本研究亦存在若干值得持續(xù)優(yōu)化的方向。其一，春節(jié)效應(yīng)的刻畫仍有精進(jìn)空間：當(dāng)前模型采用二元虛擬變量標(biāo)記春節(jié)所在月份，無法區(qū)分春節(jié)落在月初、月中或月末對(duì)當(dāng)月價(jià)格統(tǒng)計(jì)的不同影響，未來可嘗試構(gòu)建連續(xù)型變量（如距離春節(jié)的天數(shù)）或引入更精細(xì)的日歷權(quán)重，以更精準(zhǔn)捕捉節(jié)日錯(cuò)位效應(yīng)。其二，CPI分項(xiàng)可進(jìn)一步拆細(xì)：當(dāng)前模型僅區(qū)分食品與非食品兩大板塊，尚未對(duì)非食品項(xiàng)下的交通通信、居住服務(wù)等子類單獨(dú)建模，食品項(xiàng)內(nèi)部亦可考慮將鮮菜、豬肉、糧食等核心分項(xiàng)獨(dú)立處理，以提升對(duì)結(jié)構(gòu)性價(jià)格波動(dòng)的識(shí)別精度。其三，外生變量池可拓展至期貨市場(chǎng)信息：期貨價(jià)格蘊(yùn)含市場(chǎng)對(duì)未來供需格局的預(yù)期，除已納入的原油相關(guān)變量外，生豬、玉米、豆粕等農(nóng)產(chǎn)品期貨價(jià)格對(duì)食品CPI可能具有前瞻指示意義，未來可嘗試將其作為增量信息納入預(yù)測(cè)框架，進(jìn)一步檢驗(yàn)對(duì)模型精度的邊際貢獻(xiàn)。

10. 風(fēng)險(xiǎn)提示

1)政策或監(jiān)管環(huán)境突變

若相關(guān)部門對(duì)食品、能源等關(guān)鍵品類實(shí)施臨時(shí)價(jià)格干預(yù)、投放儲(chǔ)備或調(diào)整CPI籃子構(gòu)成與權(quán)重，可能改變價(jià)格形成機(jī)制與傳導(dǎo)路徑，使得基于歷史數(shù)據(jù)訓(xùn)練的模型對(duì)短期波動(dòng)的刻畫出現(xiàn)偏差。

2)宏觀經(jīng)濟(jì)不及預(yù)期

若內(nèi)需回暖幅度低于預(yù)期、居民消費(fèi)意愿持續(xù)偏弱，或房地產(chǎn)與就業(yè)市場(chǎng)修復(fù)進(jìn)程受阻，可能導(dǎo)致核心通脹中樞進(jìn)一步走低，使模型預(yù)測(cè)的“溫和修復(fù)”路徑面臨下修風(fēng)險(xiǎn)。

3)發(fā)生重大預(yù)期外宏觀事件

若發(fā)生大范圍極端天氣、疫病擴(kuò)散或地緣沖突升級(jí)等事件，導(dǎo)致鮮菜、豬肉等關(guān)鍵食品分項(xiàng)價(jià)格短期劇烈波動(dòng)，模型基于歷史規(guī)律的季節(jié)性參數(shù)可能無法充分捕捉極端尾部風(fēng)險(xiǎn)，進(jìn)而影響短期預(yù)測(cè)精度。