基于金融視角的核心通貨膨脹預(yù)測

李金昌， 章琳云

(浙江工商大學(xué) 統(tǒng)計與數(shù)學(xué)學(xué)院， 浙江 杭州 310018)

一、 引 言

20世紀(jì)90年代以來，國外很多中央銀行實(shí)行了通貨膨脹目標(biāo)制，在這種政策框架下，穩(wěn)定物價成為中央銀行貨幣政策的首要目標(biāo)，在我國，通貨膨脹水平也是關(guān)系到國民經(jīng)濟(jì)能否和諧健康發(fā)展的核心要素。依照“泰勒規(guī)則”[1]，央行等決策部門的政策導(dǎo)向越來越依賴于未來的通脹預(yù)期，而不是過去的通脹歷史信息。對通貨膨脹水平做出準(zhǔn)確可靠的預(yù)測不僅能為政府政策部門和中央銀行宏觀經(jīng)濟(jì)決策提供重要依據(jù)，也能為企業(yè)和居民經(jīng)濟(jì)活動以及預(yù)期形成重要參考。[2]到目前為止，20余個國家采用了通貨膨脹預(yù)測機(jī)制來為央行貨幣政策的制定提供依據(jù)，如澳大利亞、英國、加拿大、巴西、智利、哥倫比亞、韓國、菲律賓、泰國、新西蘭、冰島、挪威等。因此，通貨膨脹的預(yù)測也是宏觀經(jīng)濟(jì)的一項(xiàng)重要議題。

二、 文獻(xiàn)回顧

在宏觀經(jīng)濟(jì)分析中，消費(fèi)者價格指數(shù)(CPI)是最常用來衡量通貨膨脹水平的指標(biāo)，但由于CPI短期內(nèi)經(jīng)常受到個別商品價格異常波動的影響，所以該指標(biāo)不可避免地包含“噪聲”，無法反映總供給與總需求的真實(shí)關(guān)系。由于CPI存在這樣的局限性，Eckstein(1981)[3]首次提出了核心通貨膨脹。中國人民銀行對核心通貨膨脹的表述是剔除暫時性因素影響的潛在通貨膨脹，用于反映價格變動的一般趨勢。自核心通貨膨脹的概念被提出以來，已有不少學(xué)者對其估算方法進(jìn)行了研究，這些方法包括修削均值法、剔除法、加權(quán)中位數(shù)法、結(jié)構(gòu)向量自回歸法、共同趨勢法、動態(tài)因子法和可持續(xù)加權(quán)法[4]。龍革生、曾令華和黃山(2008)[5]對剔除法、加權(quán)中位數(shù)法、修削均值法、結(jié)構(gòu)向量自回歸法、共同趨勢法進(jìn)行了實(shí)證比較，發(fā)現(xiàn)30%比率截尾法、共同趨勢法和SVAR法可以用作核心通貨膨脹的計算，但龍革生、黃山和湛泳(2008)[6]認(rèn)為共同趨勢法并不理想。在2008年后，國內(nèi)又有不少學(xué)者運(yùn)用其他方法估算核心通貨膨脹，如王宇和李季(2012)[7]使用的持續(xù)性加權(quán)法、湯丹和趙昕東(2011)[8]使用的貝葉斯Gibbs Sampler狀態(tài)空間模型、趙昕東和湯丹(2012)[9]使用的動態(tài)因子指數(shù)模型。后兩種估算方法都用到了狀態(tài)空間模型，在狀態(tài)空間觀測方程中，核心通貨膨脹及其系數(shù)都需要估計，參數(shù)太多，會造成不可識別問題[5]22[10]12，因此文章沒有用到這兩種方法。Pedersen(2009)[11]首次使用方差修削法對歐洲和美國的核心通貨膨脹進(jìn)行估算，結(jié)果顯示該方法也可用來估算核心通貨膨脹，國內(nèi)還未有學(xué)者使用過該方法。結(jié)合龍革生、曾令華和黃山(2008)[5]25認(rèn)為合適的30%比率截尾法和SVAR法，本文加入方差修削法、持續(xù)性加權(quán)法以及龍革生未進(jìn)行比較的方差加權(quán)指數(shù)法和HP濾波法，對我國的核心通貨膨脹進(jìn)行了估算，并在此基礎(chǔ)上對各估算方法進(jìn)行比較。核心通貨膨脹的比較標(biāo)準(zhǔn)，除了定性的易于理解性、理論性，定量的有效性、穩(wěn)定性、與CPI協(xié)整性、與CPI和貨幣供給的相關(guān)性、對CPI的預(yù)測能力這些方面[12-13]，考察的是通貨膨脹的趨勢預(yù)測，僅對6種方法進(jìn)行了有效性和對CPI預(yù)測能力的比較。

以往的研究表明，貨幣供給量和股票價格是影響通貨膨脹的重要變量[14]，國內(nèi)外已有不少學(xué)者對貨幣供應(yīng)量、股票價格與通貨膨脹三者的關(guān)系進(jìn)行研究。易綱、王召(2002)[15]認(rèn)為貨幣數(shù)量與通貨膨脹的關(guān)系不僅取決于商品和服務(wù)的價格，而且一定意義上取決于股市，吳興敏、高明(2012)[16]認(rèn)為M2、M3對股票價格存在顯著的影響，靳云匯、于存高(1998)[17]通過回歸分析得出股票價格和通貨膨脹呈反向關(guān)系，孫求華(2012)[18]通過格蘭杰得出股票價格的上升會微弱加劇通貨膨脹的上升。以上相關(guān)研究對于貨幣供給量、股票價格與通貨膨脹這三者的作用機(jī)理、傳導(dǎo)機(jī)制沒有得出一致的結(jié)論，但值得肯定的是這三者存在緊密的聯(lián)系。本文立足于金融市場，想要找到影響核心通貨膨脹的因素，因此選取了8個股票價格指標(biāo)和3個貨幣供給指標(biāo)來對核心通貨膨脹進(jìn)行格蘭杰因果檢驗(yàn)，以得出股票價格、貨幣供給與核心通貨膨脹間的因果關(guān)系。

通貨膨脹的預(yù)測方法可分為兩類：統(tǒng)計途徑的調(diào)查分析法和計量模型途徑的方法。第一類方法的核心在于將人的預(yù)測進(jìn)行平均，該方法選定一定的樣本,對樣本進(jìn)行調(diào)查，得出他們對未來通貨膨脹的預(yù)測，將樣本預(yù)測數(shù)據(jù)平均，從而得出未來通貨膨脹的預(yù)測值[19]。第二類方法主要通過通貨膨脹本身歷史數(shù)據(jù)或其他經(jīng)濟(jì)變量數(shù)據(jù)來建立一個或多個模型，使用模型預(yù)測通貨膨脹[20]。調(diào)查分析法的優(yōu)點(diǎn)在于可以如實(shí)準(zhǔn)確地反映市場預(yù)測，缺點(diǎn)在于預(yù)測結(jié)果完全依賴于抽樣樣本及數(shù)量，并存在時滯性。計量模型法操作起來較為方便，但對于精度要求較高的預(yù)測來說，以往的參數(shù)模型容易造成偏差，薛永剛(2010)[21]使用非參數(shù)神經(jīng)網(wǎng)絡(luò)計量模型來預(yù)測通貨膨脹，結(jié)果顯示預(yù)測精度較高。從理論上來說有一種新的非參數(shù)支持向量回歸方法(SVR)比神經(jīng)網(wǎng)絡(luò)的預(yù)測能力更強(qiáng)，SVR繼承了神經(jīng)網(wǎng)絡(luò)擬合能力強(qiáng)的優(yōu)點(diǎn)，其最小化結(jié)構(gòu)風(fēng)險的特點(diǎn)使其具備了比神經(jīng)網(wǎng)絡(luò)更優(yōu)秀的預(yù)測能力。從上述文獻(xiàn)討論中我們可以看到，對于通貨膨脹的預(yù)測，沒有公認(rèn)的最佳方法，但從理論和實(shí)證經(jīng)驗(yàn)上來說支持向量回歸已在多個領(lǐng)域被證明具有強(qiáng)大的預(yù)測能力，而在通貨膨脹領(lǐng)域還沒有學(xué)者對其進(jìn)行研究，因此本文將對SVR在通貨膨脹領(lǐng)域的預(yù)測能力進(jìn)行驗(yàn)證。

三、 方法、數(shù)據(jù)和模型的構(gòu)建

(一) 估算方法和數(shù)據(jù)

本文擬用30%比率截尾法、SVAR法、方差修削法、持續(xù)性加權(quán)法、方差加權(quán)指數(shù)法和HP濾波法對我國的核心通貨膨脹進(jìn)行估算，并在此基礎(chǔ)上對各估算方法進(jìn)行有效性和預(yù)測性的比較。由于30%比率截尾法計算分項(xiàng)權(quán)重所需數(shù)據(jù)只更新到2012年，為了比較的一致性，用作方法比較的核心通脹序列估算時間為2001年1月至2012年12月。

30%單側(cè)截尾法計算用到的數(shù)據(jù)有2001年1月至2012年12月月度八類價格指數(shù)、2001年至2012年年度農(nóng)村居民家庭平均每人生活消費(fèi)支出構(gòu)成、城鎮(zhèn)居民家庭平均每人生活消費(fèi)支出構(gòu)成、年度農(nóng)村人口和城鎮(zhèn)人口，數(shù)據(jù)來源于鳳凰網(wǎng)的數(shù)據(jù)中心和國家統(tǒng)計局網(wǎng)站。其中八項(xiàng)分類指數(shù)為家庭設(shè)備用品及服務(wù)、交通和通信、居住、娛樂教育文化用品服務(wù)、醫(yī)療保健及個人用品、衣著、煙酒及用品、食品類，計算過程中各分項(xiàng)價格指數(shù)所占權(quán)重根據(jù)居民消費(fèi)性支出推算[22]。方差修削法的核心在于按各分項(xiàng)價格指數(shù)的波動性來分配權(quán)重，波動性大的賦予權(quán)重小，波動性小的賦予權(quán)重大，在此基礎(chǔ)上剔除一端或兩端一定比例的分項(xiàng)價格指數(shù)，再對剩余價格指數(shù)進(jìn)行加權(quán)。本文分別對10%方差對稱修削和10%方差單側(cè)修削進(jìn)行了計算，選擇剔除10%是考慮到剔除比重較高，一半以上的分項(xiàng)價格指數(shù)都要剔除，信息損失較多，10%比較合適。SVAR方法需要用到月度產(chǎn)出、食品價格和通貨膨脹指標(biāo)，由于GDP沒有月度數(shù)據(jù)，根據(jù)短時期里消費(fèi)和收入成固定比率,我們用社會零售商品總額同比增長率來代替產(chǎn)出增加指標(biāo)，通貨膨脹以CPI同比增長率代替，數(shù)據(jù)均來源于鳳凰網(wǎng)的數(shù)據(jù)中心。持續(xù)性加權(quán)法和方差加權(quán)指數(shù)法用到八類分項(xiàng)價格指數(shù)的月度數(shù)據(jù)，HP濾波法用到月度CPI數(shù)據(jù)，數(shù)據(jù)來源于鳳凰網(wǎng)的數(shù)據(jù)中心。

(二) 預(yù)測模型的構(gòu)建

支持向量機(jī)(SVM)是一種算法，是神經(jīng)網(wǎng)絡(luò)的擴(kuò)展，擁有獨(dú)特的理論設(shè)計，即結(jié)構(gòu)風(fēng)險最小化原理。該算法最早由Vapnik(1995)[23]提出，國內(nèi)鄧乃楊、田英杰(2004)[24]和陳詩一(2007)[25]等都對其進(jìn)行過詳細(xì)解釋推導(dǎo)。SVM開始是用來解決分類和識別問題的，這就是支持向量分類(SVC)，后由于其泛化能力很強(qiáng)大，開始被擴(kuò)展到回歸領(lǐng)域,而且主要用來估計和預(yù)測不同領(lǐng)域的時間序列，即支持向量回歸(SVR)。支持向量回歸的結(jié)構(gòu)設(shè)計同神經(jīng)網(wǎng)絡(luò)一樣，由輸入層、隱藏層和輸出層構(gòu)成，訓(xùn)練集在輸入層和隱藏層之間進(jìn)行非線性轉(zhuǎn)換后，就可以在輸出空間上進(jìn)行線性回歸。假定輸入變量和輸出變量存在一個未知的映射關(guān)系g(x)，我們所做的就是對訓(xùn)練集進(jìn)行訓(xùn)練，得到?jīng)Q策函數(shù)f(x)，近似于g(x)，再用f(x)去做預(yù)測，公式(1)為決策函數(shù)的表達(dá)形式。

(1)

φ(x)=[φ1(x),...φl(x)]T為從輸入層到隱藏層的非線性轉(zhuǎn)換方程，W=[w1,...wl]T代表從隱藏層到輸出層的線性權(quán)重，b代表閾值，要獲得f(x),必須用訓(xùn)練集估計出W和b，理論上W和b應(yīng)根據(jù)SVR的原問題求解，但Scholkopf和Smola(2001)[26]認(rèn)為SVR原問題的對偶問題比原問題更容易求解，因此，可以先解出對偶問題的最優(yōu)解再來求得W和b。

SVR的原問題表示為：

(2)

s．t．WTφ(x)+b-yi≤ε+ξi，i=1,2,...,n，

(3)

(4)

(5)

其中，yi為產(chǎn)出被解釋變量,ε為線性ε不敏感損失方程中的誤差參數(shù)，當(dāng)預(yù)測誤差小于ε時損失可以被忽略，該類損失方程也是SVR方法所特有，目的是簡化樣本信息量，這樣即使樣本維數(shù)很高，也不會給計算和存儲帶來很大麻煩。ξ和ξ′是松弛變量，代表了預(yù)測誤差超過ε時的真正損失。懲罰參數(shù)C則控制對ε帶外樣本數(shù)據(jù)的懲罰程度。式(2)就是SVR的結(jié)構(gòu)風(fēng)險最小化原理的體現(xiàn)，前一項(xiàng)代表最大化泛化能力，后一項(xiàng)代表由ε不敏感方程決定的經(jīng)驗(yàn)風(fēng)險損失，最小化該兩項(xiàng)和意味著SVR不僅能夠最大化推廣能力，而且同時最小化經(jīng)驗(yàn)風(fēng)險，最終獲得兩者的平衡最優(yōu)解。

求得W和b，也就能寫出預(yù)測所需的決策函數(shù)f(x)。但劉廣利和楊志明(2002)[27]也給出了解釋，在整個估算過程中，只要選擇核函數(shù)的形式就可以了，并不需要非線性轉(zhuǎn)換函數(shù)φ(x)的形式并計算它們的內(nèi)積。常用的核函數(shù)主要有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)(RBF)和sigmoid核函數(shù)。支持向量回歸方法的難點(diǎn)在于核函數(shù)以及參數(shù)的選擇，這兩者的選擇至今沒有統(tǒng)一公認(rèn)的方法。在眾多核函數(shù)中RBF核不僅容易執(zhí)行，并且可以有效地將訓(xùn)練集非線性地映射到無線空間層中，非常適合處理非線性關(guān)系問題[28]，因此本文選用RBF核。對于參數(shù)的優(yōu)化選取，本文選用的是網(wǎng)格法[29]，需要選擇的參數(shù)包括懲罰因子C、核函數(shù)參數(shù)γ。

利用SVR方法所估計的非線性回歸模型為：

yt=g(yt-j,x1,t-j,x2,t-j,...,xi,t-j)+εt

(6)

利用MLE方法估計的線性回歸模型為：

yt=α+β1yt-j+εt

(7)

yt=α+β1yt-j+γ1x1,t-j+γ2x2,t-j+...+γixi,t-j+εt

(8)

其中yt表示第t期核心CPI，i表示第i項(xiàng)自變量，j表示各變量滯后期，公式(7)表示未加入自變量的線性回歸模型，公式(8)表示加入自變量的線性回歸模型。

四、 實(shí)證分析

(一) 估算方法比較

通過30%比率截尾法、SVAR法、方差修削法(方差單側(cè)修削和方差對稱修削)、持續(xù)性加權(quán)法、方差加權(quán)指數(shù)法和HP濾波法這六種方法的估算，我們得到了核心通貨膨脹的七個序列(如圖1)。表1所示是以2012年12月為例，方差修削單側(cè)10%計算的核心通貨膨脹，由于核心CPI波動性不強(qiáng)，為體現(xiàn)其變化，對核心CPI的計算數(shù)值均保留兩位小數(shù)。接下來，我們將對這七個序列進(jìn)行有效性和預(yù)測性的比較。

表1方差修削單側(cè)10%的具體算法(以2012年12月為例)

分項(xiàng)價格指數(shù)家庭交通居住娛樂醫(yī)療衣著煙酒食品類2012年12月CPI101.7100.0103101.1101.7101.9101.5104.2按2012年CPI方差排序0.120.140.160.190.210.310.566.30CPI方差倒數(shù)8.337.146.255.264.763.221.780.16方差倒數(shù)的權(quán)重0.230.190.170.140.130.090.050.00累計權(quán)重0.230.420.590.730.860.951.001.0010%比率單側(cè)截尾0.230.190.170.140.130.040.000.00加權(quán)平均(101.7* 0.23+100* 0.19+103* 0.17+101.1* 0.14+101.7* 0.13+101.9* 0.04+101.5* 0+104.2* 0)/(1-0.1)=101.50

數(shù)據(jù)來源：鳳凰網(wǎng)的數(shù)據(jù)中心：http://app.finance.ifeng.com/data/mac/jmxf. php?symbol=01

圖1 六種方法估算的核心通貨膨脹序列

Marquesa等(2003)[13]768、侯成琪等(2011)[10]16認(rèn)為，一個有效的核心通貨膨脹度量應(yīng)該滿足三個條件：

(9)

(10)

本文對30%比率單側(cè)截尾法、方差加權(quán)指數(shù)法、方差修削法、SVAR、HP濾波法、持續(xù)性加權(quán)法產(chǎn)生的序列進(jìn)行了三項(xiàng)有效性檢驗(yàn)(結(jié)果見表2)，檢驗(yàn)?zāi)Ｐ偷臏笃诟鶕?jù)AIC準(zhǔn)則確定。

表2 核心通貨膨脹序列的有效性檢驗(yàn)

注：用作有效性檢驗(yàn)的序列均根據(jù)鳳凰網(wǎng)的數(shù)據(jù)中心和國家統(tǒng)計局網(wǎng)站數(shù)據(jù)計算而來。

根據(jù)xt是平穩(wěn)序列(p<0.1)、γ小于零(p<0.1)、λ和ai等于零(Pλ>0.1，Pa1>0.1)這三項(xiàng)有效性檢驗(yàn)，可以發(fā)現(xiàn)只有方差單側(cè)修削法、SVAR和持續(xù)性加權(quán)法序列通過了檢驗(yàn)。

(11)

表3 三種方法預(yù)測CPI的比較

注：三項(xiàng)CPI預(yù)測序列均根據(jù)鳳凰網(wǎng)的數(shù)據(jù)中心和國家統(tǒng)計局網(wǎng)站數(shù)據(jù)計算而來。

從表3中我們可以看到三序列預(yù)測的CPI與真實(shí)CPI的RMSE和MAE比較接近，但方差單側(cè)修削序列還是略優(yōu)于SVAR和持續(xù)性加權(quán)序列。基于上述比較結(jié)果，本文使用方差單側(cè)修削10%法對我國2001年1月至2013年9月的核心通貨膨脹進(jìn)行了計算，以進(jìn)行下一步的格蘭杰因果檢驗(yàn)。

(二) 自變量的選擇

本文選取的金融指標(biāo)為：2001年1月至2013年9月的上證最低價格、上證最高價格、上證開盤價格、上證收盤價格、深證最低價格、深證最高價格、深證開盤價格、深證收盤價格、M0同比增長、M1同比增長和M2同比增長。將各指標(biāo)與核心CPI序列進(jìn)行格蘭杰因果檢驗(yàn)，以得出與核心CPI存在因果關(guān)系的指標(biāo)。

格蘭杰因果檢驗(yàn)前首先要進(jìn)行單位根和協(xié)整檢驗(yàn)，進(jìn)行單位根檢驗(yàn)后，我們發(fā)現(xiàn)，除了M0同比增長和M1同比增長，其余9個金融指標(biāo)與核心CPI均為一階單整，將該9個金融指標(biāo)與核心CPI進(jìn)行協(xié)整檢驗(yàn)后，我們得到，除了深證開盤價格外其余8個指標(biāo)與核心CPI均存在協(xié)整關(guān)系，最后進(jìn)行格蘭杰因果檢驗(yàn)，Eviews軟件中最優(yōu)滯后期的選擇標(biāo)準(zhǔn)有LR、FPE、AIC、SC、HQ，本文將占有最多最優(yōu)標(biāo)準(zhǔn)值的期數(shù)定為最優(yōu)滯后期，上證最低價格、上證最高價格、上證開盤價格、上證收盤價格、深證最低價格、深證最高價格、深證收盤價格、M2同比增長的最優(yōu)滯后期數(shù)分別為5、3、1、5、5、2、1、1。由于核心CPI的預(yù)測是通過金融指標(biāo)的歷史數(shù)據(jù)來預(yù)測，對于滯后1、2期與核心CPI存在因果關(guān)系的指標(biāo)來說，只能預(yù)測未來1、2期的核心CPI，因此，這類指標(biāo)的現(xiàn)實(shí)意義不大，在利用股票歷史數(shù)據(jù)進(jìn)行預(yù)測的過程中，本文剔除了滯后1，2期與核心CPI存在因果關(guān)系的指標(biāo)，只留下了滯后5期與核心CPI存在因果關(guān)系的上證最低價格、上證收盤價格和深證最低價格這三項(xiàng)指標(biāo)作為自變量，三個變量的格蘭杰因果檢驗(yàn)結(jié)果見表4。

表4 核心CPI與三股票市場指標(biāo)的格蘭杰因果檢驗(yàn)結(jié)果

數(shù)據(jù)來源：鳳凰網(wǎng)的數(shù)據(jù)中心和中國人民銀行。

(三) 回歸過程

圖2 網(wǎng)絡(luò)法搜索最優(yōu)參數(shù)的三維示意圖

SVR是通過Matlab2010a實(shí)現(xiàn)的，實(shí)現(xiàn)過程包括5個步驟。

(1)數(shù)據(jù)預(yù)處理，將原始數(shù)據(jù)進(jìn)行歸一化處理。

(2)確定訓(xùn)練集。本文進(jìn)行了一次擬合和一次3季度預(yù)測，擬合的訓(xùn)練集為2001年1月至2013年9月的核心CPI、上證最低價格、上證收盤價格和深證最低價格，3季度預(yù)測的訓(xùn)練集為2001年1月至2012年12月的核心CPI、上證最低價格、上證收盤價格和深證最低價格。

(3)確定核函數(shù)以及最優(yōu)參數(shù)。在選擇RBF核的前提下，最優(yōu)參數(shù)通過網(wǎng)格法得到，擬合最優(yōu)C、γ為2.8284、5.6569，預(yù)測3季度最優(yōu)C、γ為2.8284、0.00097656，圖2為網(wǎng)格法搜索最優(yōu)參數(shù)的三維示意圖。

(4)得到擬合或預(yù)測結(jié)果。

(5)反歸一化，得到最終預(yù)測數(shù)據(jù)。

根據(jù)公式(7)、(8)，本文分別對未加入股票價格自變量(線性回歸1)和加入股票價格自變量(線性回歸2)的序列進(jìn)行了回歸，作為自變量的核心CPI滯后項(xiàng)，其滯后期根據(jù)AIC準(zhǔn)則確定為1，結(jié)合SVR的回歸結(jié)果，三種預(yù)測結(jié)果的比較見表5。

表5 線性回歸和SVR預(yù)測結(jié)果比較

表5中，線性回歸2的擬合與預(yù)測效果均優(yōu)于線性回歸1，該結(jié)果表明加入上證最低價格、上證收盤價格和深證最低價格這三項(xiàng)指標(biāo)的滯后5期作為自變量可以使預(yù)測效果更好，SVR方法的擬合與預(yù)測效果均顯著優(yōu)于線性回歸1和線性回歸2，該結(jié)果表明SVR的預(yù)測能力要顯著優(yōu)于線性回歸方程。在驗(yàn)證了SVR優(yōu)秀的預(yù)測能力后，本文將對核心通貨膨脹的短期趨勢進(jìn)行預(yù)測。

根據(jù)公式(6)和格蘭杰因果檢驗(yàn)結(jié)果中，上證最低價格、上證收盤價格和深證最低價格的滯后5期與核心CPI存在因果關(guān)系，文章以核心CPI的滯后1期和上證最低價格、上證收盤價格和深證最低價格的滯后5期作為自變量來預(yù)測未來5期的核心CPI，預(yù)測方案采用遞推式預(yù)測，在預(yù)測得到2013年10月的核心CPI后，將其與2013年6月的上證最低價格、上證收盤價格和深證最低價格作為自變量預(yù)測得到2013年11月的核心CPI，以此類推直至預(yù)測到2014年2月的核心CPI，預(yù)測結(jié)果見表6，圖3為2001年1月至2013年9月CPI與2001年1月至2014年2月核心CPI的比照圖。

表6 SVR短期預(yù)測核心CPI趨勢數(shù)據(jù)

圖3 2001年1月至2013年9月CPI與2001年1月至2014年2月核心CPI比照圖

五、 結(jié)論與展望

從圖3中我們可以看到，首先核心CPI的波動性要小于CPI，表現(xiàn)得較為平穩(wěn)，這也基本符合“核心通貨膨脹是通貨膨脹剔除暫時波動序列”的定義。其次核心CPI的整體波動趨勢與CPI接近，在CPI高的年份，核心CPI表現(xiàn)出通貨膨脹，在CPI低的年份，核心CPI表現(xiàn)出通貨緊縮。最后從外推5期的短期預(yù)測結(jié)果來看，未來5個月仍將處于通貨膨脹階段，通脹情況基本與2013年9月接近，結(jié)合表6來看，10月至11月的通脹水平將略有降低，而2013年年底至2014年年初的通脹水平將有所回升。

本文認(rèn)為核心CPI指標(biāo)更能真實(shí)地反映我國的通貨膨脹情況，因此根據(jù)未來5期波動不大的通脹水平預(yù)測，我們可以繼續(xù)實(shí)施穩(wěn)健中性的貨幣政策和財政政策，對于年末略有上升的通貨膨脹趨勢要合理積極地引導(dǎo)居民和市場通脹預(yù)期，同時對于該通脹上升趨勢需要引起的足夠重視，主動采取相應(yīng)適當(dāng)?shù)拇胧悦馔ㄘ浥蛎浰竭M(jìn)一步上升。

本文雖然嘗試性地對我國核心通貨膨脹進(jìn)行了估算和預(yù)測，但對于估算方法、自變量的選擇、支持向量回歸核函數(shù)和參數(shù)的選擇還有很多值得改進(jìn)的地方。

首先，本文最后采用的方法修削法雖然能夠通過有效性檢驗(yàn)，計算簡便，也能滿足及時性的要求，但不具備SVAR方法那樣的理論性，不具備宏觀經(jīng)濟(jì)理論的支持，并且單側(cè)方差修削10%也未考慮是否會造成序列的有偏性，總體來說該方法在理論意義上有所欠缺，后續(xù)研究可以進(jìn)一步探討是否有改進(jìn)的或更好的估算方法。

其次，本文對影響核心通貨膨脹的自變量只選用了三項(xiàng)股市指標(biāo)，并且三項(xiàng)股市指標(biāo)有重復(fù)的信息。出于對月度自變量數(shù)據(jù)的局限和預(yù)測通貨膨脹的考慮，本文只選擇了金融市場上的9個指標(biāo)，并在進(jìn)一步的檢驗(yàn)中剔除了6個指標(biāo)，在后續(xù)研究中可以納入月度貨幣缺口、通貨膨脹預(yù)期、生產(chǎn)總值缺口等相關(guān)指標(biāo)作為自變量。

最后，本文支持向量機(jī)的核函數(shù)選為RBF核，參數(shù)選擇為網(wǎng)格法，目前支持向量回歸方法的核函數(shù)和參數(shù)選擇研究突飛猛進(jìn)，因此對于該預(yù)測方法的改進(jìn)還存有不少值得探討的地方，可嘗試更為先進(jìn)的核函數(shù)和參數(shù)選擇方法。

[1]TAYLOR J.Discretion versus Policy Rules in Practice [J].Carnegie-Rochester Conference Series on Public Policy,1993(39):195-214.

[2]何運(yùn)信.法定失行獨(dú)立性的反通脹效應(yīng)及其影響因素——基于現(xiàn)有研究文獻(xiàn)的分析[J].財經(jīng)論叢，2010(1)：48-54.

[3]ECKSTEIN O.Core Inflation [M].Englewood Cliffs:Prentice Hall,1981:7.

[4]湯丹，趙昕東.核心通貨膨脹的度量方法及其應(yīng)用[J].宏觀經(jīng)濟(jì)研究,2011(7):28-34.

[5]龍革生，曾令華，黃山.我國核心通貨膨脹的實(shí)證比較研究[J].統(tǒng)計研究,2008,25(3):20-25.

[6]龍革生，黃山，湛泳.基于共同趨勢的我國核心通貨膨脹估計[J].統(tǒng)計與決策，2008(11):125-127.

[7]王宇，李季.持續(xù)性加權(quán)核心通貨膨脹的測度及其貨幣政策涵義[J].國際金融研究,2012(4):24-31.

[8]湯丹，趙昕東.中國核心通貨膨脹的估計——基于貝葉斯Gibbs Sampler狀態(tài)空間模型[J].經(jīng)濟(jì)評論,2011(5):39-46.

[9]趙昕東，湯丹.基于CPI分項(xiàng)目價格指數(shù)的中國核心通貨膨脹估計及政策選擇研究[J].統(tǒng)計研究,2012,29(7):31-36.

[10]侯成琪,龔六堂,張維迎.核心通貨膨脹:理論模型與經(jīng)驗(yàn)分析[J].經(jīng)濟(jì)研究,2011(2):4-18.

[11]PEDERSEN M.An Alternative Core Inflation Measure [J].German Economic Review,2009,10(2):139-164.

[12]SILVER M.Core Inflation Measures and Statistical Issues in Choosing Among Them [R].Washington D C:International Monetary Fund,2006:32-48.

[13]MARQUES C R,NEVES P D,SARMENTOA L M.Evaluating Core Inflation Indicators[J].Economic Modelling,2003,20(4):765-775.

[14]張建波，白銳鋒，王睿.我國資產(chǎn)價格對通貨膨脹影響的效果研究[J].江西財經(jīng)大學(xué)學(xué)報，2011(2)：12-18.

[15]易綱，王召.貨幣政策與金融資產(chǎn)價格[J].經(jīng)濟(jì)研究,2002(3):13-20.

[16]吳興敏,高明.我國貨幣政策對股票價格變動的影響機(jī)理分析[J].價格理論與實(shí)踐,2012(7):80-81.

[17]靳云匯,于存高.中國股票市場與國民經(jīng)濟(jì)關(guān)系的實(shí)證研究(上)[J].金融研究,1998(3):40-45.

[18]孫求華.通貨膨脹與股票市場走勢研究——基于中國CPI和上證綜合指數(shù)、深證綜合指數(shù)的協(xié)整檢驗(yàn)與格蘭杰檢驗(yàn)[J].知識經(jīng)濟(jì),2012(12):82-83.

[19]肖爭艷,姚一旻,唐詩磊.我國通貨膨脹預(yù)期的微觀基礎(chǔ)研究[J].統(tǒng)計研究,2011,28(3):8-14.

[20]程建偉.通貨膨脹預(yù)測的幾種方法[J].價格理論與實(shí)踐,2006(3):48-49.

[21]薛永剛.基于神經(jīng)網(wǎng)絡(luò)的通貨膨脹預(yù)測模型研究[J].商業(yè)時代,2010(18):71-72.

[22]王金玲.我國核心通貨膨脹率的估算及其應(yīng)用分析[D].河北:河北大學(xué)工商學(xué)院,2008:19-20.

[23]VAPNIK V N.The Nature of Statistical Learning Theory [M].New York:Springer,1995:17-33.

[24]鄧乃揚(yáng),田英杰.數(shù)據(jù)挖掘中的新方法:支持向量機(jī)[M].北京:科學(xué)出版社,2004:174-185.

[25]陳詩一.匯率預(yù)測:一個新的非參數(shù)支持向量回歸方法[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2007(5):142-150.

[26] SCHLKOPF B,SMOLA A J.Learning with Kernels[M].Cambridge,MA:MIT Press,2001:200-204.

[27]劉廣利,楊志民.一種新的支持向量回歸預(yù)測模型[J].吉首大學(xué)學(xué)報(自然科學(xué)版),2002,23(3):28-31.

[28]HONG W C.Chaotic Particle Swarm Optimization Algorithm in a Support Vector Regression Electric Load Forecasting Model [J].Energy Conversion and Management,2009,50(1):105-117.

[29]史峰,王小川,郁磊,等.MATLAB 神經(jīng)網(wǎng)絡(luò)30個案例分析[M].北京:北京航空航天出版社,2010:122-132.

[30]BERMINGHAM C.A Critical Assessment of Existing Estimates of US Core Inflation [J].Journal of Macroeconomics,2010,32(4):993-1007.