概括

　　通货膨胀水平是影响商业银行资产配置和交易决策的重要因素。 春节作为我国重要的传统节日，会因春节效应、春节错位等因素对通胀水平产生影响，并对债券市场带来短期影响。 本文基于单变量模型进行预测，并结合2010年以来1、2月居民消费价格指数的变化，分析春节因素造成的预测误差，提出预测值的调整建议，最终预测对2024年春节期间的通胀水平进行了预测。

　　关键词

　　CPI预测单变量模型 春节效应 春节错位

　　居民消费价格指数（CPI）是衡量我国通胀水平的核心指标，受到宏观调控部门、金融机构、企业等部门的广泛关注。 对于债券市场的投资者来说，一方面，通胀的走势会影响交易和投资决策，从而决定债券的中长期走势； 另一方面，在债券交易实践中，由于指标的实际公布值（以下简称“实际值”）与市场预测值（以下简称“预测值”）往往会形成一个偏差。预期差距。 每月发布的CPI、社会融资规模等经济金融指标往往会对市场造成短期影响。 因此，准确预测指标是有效把握债券市场交易机会、管理市值波动风险的重要基础。

　　笔者在实践中发现，春节作为我国重要的传统节日，对CPI有显着的影响（即春节效应）。 实际价值与预测价值往往存在较大差异，给债券市场带来短期影响。 为了帮助投资者优化交易决策，本文采用量化模型对通胀指标尤其是春节期间的通胀指标进行建模和预测，为市场提供预测基准参考。

　　通货膨胀指标定量预测的基本方法

　　(1)建模方法的选择

　　单变量模型是预测宏观指标的简洁而经典的方法。 该方法的基本假设是数据已经包含所有历史信息，并且仅使用指标数据即可建立模型。 该模型结构简单，在样本内估计和样本外预测维度上均表现良好，在经济指标预测中得到广泛应用。 因此，本文采用单变量模型来预测CPI，其核心表达为：

　　式（1）中，

　　表示t时段内的指标对未来t+h时段的预测值，

　　表示t期CPI包含的全部历史信息，F(·)表示单变量函数，εt为模型残差项。

　　在：

　　式（2）中，

　　表示以CPI为自变量的单变量函数，

　　表示从 t 时期开始的历史 L 年的月度数据。 根据建模目标，L年可以选择3年、5年等中短期周期，也可以选择10年甚至更长的长周期。

　　本文讨论的是CPI模型的近端预测，即利用第t期模型和数据完成对未来第t+1期的预测。 对于CPI等具有季节性特征的时间序列数据，采用单变量方法建模的近月预测平均误差较小，预测精度稳定。 综合考虑模型特点和数据特点，本文选择单变量模型作为预测通货膨胀的基本方法。

　　（二）CPI模型的相关设置

　　我国公布的CPI相关指标主要有三种形式：环比涨幅、同比涨幅和定基指数。 其功能包括监测指标的波动和变化趋势以及这些变化的积累和发展。 常用同比增长率和环比增长率，指标实际值的数据精度相同（均保留小数点后一位）。 作者通过实验发现，在指标数据精度相同的前提下，数据量级越小，预测误差越小，预测精度越高。 因此，选择数量级最小的环比增长率指标进行预测，然后通过指标之间的定量关系，由环比增长率得出同比增长率预测以获得更好的预测精度。 推导公式为：

　　选择CPI单变量模型的环比增长率作为预测变量后，如何选择训练样本的长度是所有使用“一串连续数据”来训练CPI的过程中必须面对的问题。模型。 首先，训练模型需要大量样本，样本长度至少包括一个能够满足预测的完整时期（对于CPI，需要3至5年的历史数据）。 同时，由于模型是用于链式指标的外推预测，为了充分捕捉短期波动的特征，训练样本长度越大越好。 基于上述分析，笔者选取近五年（L=5）的CPI数据，建立单变量模型来预测CPI环比增速。

　　春节效应主要表现及春节错位因素

　　（一）春节效应具体表现

　　历史经验表明，春节效应对CPI环比和同比涨幅均产生显着影响。

　　春节效应对CPI环比数据的影响相对容易理解。 在居民对年货、餐饮长袜、节日礼品等需求的拉动下，春节月环比CPI数据基本处于全年较高水平。 随着春节效应消退，在上月基数较高的压力下，春节第二个月CPI环比数据将跌至全年最低水平。 如表1所示，2010年以来的春节效应在CPI环比值中得到了明显的体现。 其中，春节期间环比平均增速为1.10%，远高于月均值（0.19%）。 春节第二个月物价上涨效应消退，环比平均增速回落至-0.30%，明显低于月均值。

　　春节效应对CPI同比增速的影响主要来自两个方面。 一是与环比增速类似，春节前后消费旺盛，由此带来的短期波动也带动春节月同比增速； 二是当年较高的同比增速使得次年同月同比增速面临较大挑战。 与基准比较容易出现波动。

　　（二）春节错位的主要表现

　　春节假期的公历日期有时是一月，有时是二月。 如果相邻年份的春节日期落在不同月份，就会出现春节错位。 具体来说，春节错位包括两种：本年春节在1月，上年春节在2月（情况一），本年春节在2月，上年春节在2月。一月（情况 2）（见表 2）。 其余情况可定义为正常年份，没有错位。

　　由于去年同期基数错位，春节错位因素往往导致1、2月份CPI数据同比波动加大，实际值与实际值往往存在较大差距。预测值。 1月和2月通胀数据是全年债券市场的关键观察月份，对反映全年通胀水平具有重要作用。 鉴于此，笔者拟研究春节错位因素影响下CPI通胀模型的预测表现，针对两类春节错位情况提出预测调整方向，以便更好地预测相关数据并应对春节期间债券市场价格调整。 风险。

　　春节错位因素对CPI预测的影响及建议

　　作者使用单变量模型预测了2020年至2023年的通胀增长，并验证了上述判断。 结果发现，春节前后，模型的预测精度短期内确实会受到影响。 为了了解和提高模型春节前后的预测效果，作者利用2010年至2023年的历史数据，对春节期间错位因素造成的预测偏差进行了分析。 同时，对受影响月份（主要是春节期间的1月和2月）单变量模型预测结果提出调整建议。

　　（一）2010年以来春节错位

　　逐年来看，2010年至2023年的14个春节中，有10年出现春节错位，占比超过70%。 其中，2012年、2014年、2017年、2020年、2023年为情况一，2010年、2013年、2015年、2018年、2021年为情况二，其余为正常年、无位移年。

　　春节错位对预测精度的影响主要体现在春节所在月份及邻近月份，因此可以将错位分为两类进行讨论：对于春节错位案例1，定义1月为月份春节的月份，二月是与春节相邻的月份。 对于春节错位情况2，定义2月为春节月份，1月定义为与春节相邻的月份。 表3列出了2010年以来春节CPI环比增速和同比增速的模型预测值和预测误差（实际值减去预测值）。表4列出了模型预测值以及春节相邻月份的预测误差。

　　同时，CPI数据指标每五年轮换一次基期，最后一位数字为0或5的年份作为新的统计基期。 因此，基期轮换会对第1年和第6年的CPI数据产生影响。 为了独立分析春节错位因素对预测的影响，本文在后续分析春节错位因素造成的预测误差时，不考虑2011年、2016年和2021年受基期轮换影响的情况。

　　（二）春节错位对CPI预测影响分析及调整建议

　　从表3列出的预测误差来看，春节月份CPI环比增速模型的预测值往往低于实际值，即模型被低估。 因此，可以根据模型预测值，适当加点向上进行调整。 预测误差集中在(0, 0.6%)区间，上调幅度参考值可选择0.3%左右。 其中，案例1的环比增速调整幅度高于案例2。案例1的环比增速调整值可设置为0.4%，环比增速调整值可设置为0.4%，环比增速调整值为0.4%。情况2的月增长率调整值可以设置为0.2%。

　　从表4所列情况来看，临近春节月份CPI环比增速的预测值往往高于实际值，即模型被高估。 因此，可以根据模型预测值适当减分进行调整。 大部分预测误差落在(-1.2%,0)区间，向下调整的参考值可选择在-0.6%左右。 其中，错位情况1的环比调整幅度相对较大。 案例1的环比增长率调整值可以设置为-0.9%，案例2的环比增长率调整值可以设置为-0.3%（见表5）。

　　2024年春节期间通胀水平展望

　　2023年春节为1月22日，2024年春节为2月10日。根据此前分析，仅考虑春节错位影响，1月份CPI同比增速2024年出现负预测误差的可能性更大，2月份出现正预测误差的可能性更大，这可能对10年期国债收益率产生下行（正）影响。 多头）和向上（空头有利）日内短线震荡。 建议债券市场参与者根据实际需求和经营策略，提前布局，妥善把握通胀数据发布前后的交易机会。

　　笔者根据上述方法对2024年春节CPI数据进行了具体预测。 首先，根据截至2023年11月末的统计数据，单变量模型预测2024年1月、2月CPI环比增速为0.80%，对应的同比增长率预测分别为0.2%和1.6%。 其次，根据春节错位情况分类，2024年春节错位属于情景2，因此2024年1月环比增长预测值应向下调整，环比增长预测值应向下调整。 2024年2月的利率预测值应上调。 最后通过计算，对应的2024年1月和2月CPI环比增速调整结果分别为0.5%和1.0%，同比增速调整结果分别为-0.1%和1.5%。

　　需要注意的是，虽然近两年CPI预测并未受到数据基期轮换因素的影响，但考虑到2023年1月和2月正处于优化调整疫情防控政策的关键节点，本次预测因素将对2023年和2024年的预测产生影响。CPI预测值有影响，应认真考虑并适当调整。 其中，2023年1月至2月经济逐步复苏，但居民消费尚未完全恢复； 2024年，优化调整疫情防控政策后的第二个春节，居民消费增长动力有望继续增强。 因此，考虑到春节错位，预计2024年1月、2月CPI环比涨幅区间分别为（0.4%、0.7%）（0.8%、1.2%）。 CPI同比涨幅区间分别为（-0.2%、0.2%）（1.2%、1.9%）。 此外，还可根据2024年春节旅游、服务消费、备货送礼需求等具体情况进行适当调整，以获得更为准确的预测值。 （本文仅代表作者个人观点，不代表所在机构的观点和立场）

　　参考

　　[1] 董德智，李智智。 CPI非食物链周期“高频+均值”预测方法研究[J]. 债券，2015（8）。

　　[2]何小群. 多元统计分析[M]． 北京：中国人民大学出版社，2019（6）。

　　[3]梁咏梅，董敏杰。 月度CPI增速高频数据预测方法[J]． 当代财经，2018（12）。

　　[4] 卢思源. CPI构成权重估算及2016年走势预测[J]. 债券，2016（4）。

　　[5]肖正彦，陈彦斌． 中国通胀预期研究：调查数据法[J]． 金融研究，2004（11）。

　　[6]熊伟奇，张鹏。 跨周期通胀预测：季节性模型和高频数据的适用性[J]． 金融市场研究，2021 (6)。

　　[7]中国人民银行调查统计司。 时间序列X-12-ARIMA季节调整-原理与方法[M]． 北京：中国财经出版社，2006。

　　[8] NR, 熊文庆, 杨小燕. 费率运用、实时与模型[J]. ，2020 年，35(5)。

　　◇本文最初发表于《邦德》2023年12月号