摘要：通脹水平是影響商業(yè)銀行資產(chǎn)配置和交易決策的重要因素。春節(jié)作為我國(guó)重要的傳統(tǒng)節(jié)日，會(huì)因春節(jié)效應(yīng)和春節(jié)錯(cuò)位等因素對(duì)通脹水平產(chǎn)生影響，并給債券市場(chǎng)帶來(lái)短期沖擊。本文基于單變量模型進(jìn)行預(yù)測(cè)，并結(jié)合2010年以來(lái)1月、2月居民消費(fèi)價(jià)格指數(shù)的變動(dòng)情況，分析了春節(jié)因素造成的預(yù)測(cè)誤差，對(duì)預(yù)測(cè)值提出了調(diào)整建議，最后對(duì)2024年春節(jié)通脹水平進(jìn)行了預(yù)測(cè)。

關(guān)鍵詞：CPI預(yù)測(cè) 單變量模型 春節(jié)效應(yīng) 春節(jié)錯(cuò)位

居民消費(fèi)價(jià)格指數(shù)（CPI）是衡量我國(guó)通脹水平的核心指標(biāo)，受到宏觀調(diào)控部門、金融機(jī)構(gòu)、企業(yè)等各界的廣泛關(guān)注。對(duì)債券市場(chǎng)投資者而言，一方面，通脹的走勢(shì)會(huì)影響交易投資決策，進(jìn)而決定債券的中長(zhǎng)期走勢(shì)；另一方面，在債券交易實(shí)務(wù)中，因?yàn)橹笜?biāo)的實(shí)際公布值（以下簡(jiǎn)稱“實(shí)際值”）和市場(chǎng)預(yù)測(cè)值（以下簡(jiǎn)稱“預(yù)測(cè)值”）之間時(shí)常形成預(yù)期差，CPI、社會(huì)融資規(guī)模等經(jīng)濟(jì)金融指標(biāo)的月度發(fā)布往往對(duì)市場(chǎng)造成短期沖擊。因此，對(duì)指標(biāo)的精確預(yù)判，是有效把握債券市場(chǎng)交易機(jī)會(huì)、管理市值波動(dòng)風(fēng)險(xiǎn)的重要基礎(chǔ)。

在實(shí)踐中筆者發(fā)現(xiàn)，春節(jié)作為我國(guó)重要的傳統(tǒng)節(jié)日，對(duì)CPI有著顯著影響，會(huì)產(chǎn)生“春節(jié)效應(yīng)”，也經(jīng)常出現(xiàn)CPI實(shí)際值與預(yù)測(cè)值差異較大的情況，給債券市場(chǎng)帶來(lái)短期沖擊。為了幫助投資者優(yōu)化交易決策，本文使用量化模型對(duì)通脹指標(biāo)尤其是春節(jié)期間的通脹指標(biāo)進(jìn)行建模和預(yù)測(cè)，以期為市場(chǎng)提供預(yù)測(cè)基準(zhǔn)參考。

通脹指標(biāo)量化預(yù)測(cè)的基本方法

（一）建模方法選擇

單變量模型是預(yù)測(cè)宏觀指標(biāo)的一類簡(jiǎn)明而經(jīng)典的方法。該方法的基本假定是數(shù)據(jù)已包含全部歷史信息，僅采用指標(biāo)數(shù)據(jù)即可建立模型。模型結(jié)構(gòu)簡(jiǎn)明，并且在樣本內(nèi)估計(jì)和樣本外預(yù)測(cè)維度下的評(píng)估均有較好表現(xiàn)，在經(jīng)濟(jì)指標(biāo)預(yù)測(cè)方面被廣泛使用。因此，本文使用單變量模型預(yù)測(cè)CPI，其核心表達(dá)式為：

（1）

式（1）中，表示在第t期對(duì)未來(lái)第t+h期指標(biāo)的預(yù)測(cè)值，表示第t期CPI所包含的全部歷史信息，F(xiàn)（·） 表示單變量函數(shù)，εt為模型殘差項(xiàng)。

其中：

（2）

式（2）中，表示以CPI為自變量的單變量函數(shù)，表示自第t期起，向歷史回溯L年的月度數(shù)據(jù)。根據(jù)建模的目標(biāo)，L年可以選擇為3年、5年等中短周期，也可以選擇10年甚至更長(zhǎng)時(shí)間的長(zhǎng)周期。

本文討論CPI模型的近端預(yù)測(cè)，即使用第t期模型和數(shù)據(jù)完成對(duì)未來(lái)第 t+1 期的預(yù)測(cè)。對(duì)于CPI這類具有季節(jié)性特征的時(shí)間序列數(shù)據(jù)，使用單變量方法建模在近月預(yù)測(cè)中平均誤差小，且預(yù)測(cè)精度表現(xiàn)穩(wěn)定。綜合考慮模型特點(diǎn)和數(shù)據(jù)特征，本文選用單變量模型作為預(yù)測(cè)通脹的基本方法。

（二）CPI模型的相關(guān)設(shè)定

我國(guó)公布的CPI相關(guān)指標(biāo)主要有三種形式：環(huán)比增速、同比增速和定基指數(shù)，功能包括監(jiān)控指標(biāo)的波動(dòng)、變化趨勢(shì)以及這些變化的積累發(fā)展情況。同比增速和環(huán)比增速使用得較多，指標(biāo)實(shí)際值的數(shù)據(jù)精度相同（均保留到小數(shù)點(diǎn)后一位）。筆者通過實(shí)驗(yàn)發(fā)現(xiàn)，在指標(biāo)數(shù)據(jù)精度相同的前提下，數(shù)據(jù)數(shù)量級(jí)越小，預(yù)測(cè)誤差越小，預(yù)測(cè)精度越高。因此，選擇數(shù)量級(jí)最小的環(huán)比增速指標(biāo)用于預(yù)測(cè)，再通過指標(biāo)之間的數(shù)量關(guān)系，由環(huán)比增速推導(dǎo)得到對(duì)同比增速的預(yù)測(cè)，以獲得較好的預(yù)測(cè)精度。推導(dǎo)公式為：

（3）

在選定CPI單變量模型的環(huán)比增速作為預(yù)測(cè)指標(biāo)后，如何選擇訓(xùn)練樣本的長(zhǎng)度，是所有使用“一串連續(xù)的數(shù)據(jù)”來(lái)訓(xùn)練模型的過程中必須面對(duì)的一個(gè)問題。首先，訓(xùn)練模型需要大樣本，長(zhǎng)度包括至少一個(gè)能滿足預(yù)測(cè)的完整周期（對(duì)CPI而言需要3到5年的歷史數(shù)據(jù)）。同時(shí)，由于模型用于環(huán)比指標(biāo)的外推預(yù)測(cè)，為了較充分地捕捉短期波動(dòng)的特征，訓(xùn)練樣本長(zhǎng)度也不是越大越好。綜合上述分析，筆者選擇近5年（L=5）的CPI數(shù)據(jù)建立單變量模型，預(yù)測(cè)CPI環(huán)比增速。

春節(jié)效應(yīng)和春節(jié)錯(cuò)位因素的主要表現(xiàn)

（一）春節(jié)效應(yīng)的具體表現(xiàn)

歷史經(jīng)驗(yàn)顯示，春節(jié)效應(yīng)對(duì)于CPI環(huán)比增速、同比增速的影響均比較顯著。

春節(jié)效應(yīng)對(duì)CPI環(huán)比數(shù)據(jù)的沖擊比較容易理解。在居民置辦年貨、餐飲囤貨、節(jié)日送禮等需求拉動(dòng)下，春節(jié)當(dāng)月的CPI環(huán)比數(shù)據(jù)基本位于全年較高水平。隨著春節(jié)效應(yīng)的消退，在前月較高基數(shù)的壓力下，春節(jié)次月的CPI環(huán)比數(shù)據(jù)會(huì)降至全年較低水平。如表1所示，2010年以來(lái)春節(jié)效應(yīng)在CPI環(huán)比數(shù)值中有明顯體現(xiàn)。其中，春節(jié)當(dāng)月平均環(huán)比增速為1.10%，遠(yuǎn)高于月度平均水平（0.19%）。春節(jié)次月漲價(jià)效應(yīng)退潮，平均環(huán)比增速跌落至-0.30%，明顯低于月度平均水平。

春節(jié)效應(yīng)對(duì)CPI同比增速的沖擊主要來(lái)自兩方面。一是與環(huán)比增速類似，春節(jié)前后消費(fèi)火爆，形成的短期波動(dòng)對(duì)春節(jié)當(dāng)月的同比增速也形成拉動(dòng)；二是當(dāng)年同比增速的較高水平使得次年同月的同比增速面臨較高的比較基準(zhǔn)，容易產(chǎn)生

波動(dòng)。

（二）春節(jié)錯(cuò)位的主要表現(xiàn)

春節(jié)假期的公歷日期有時(shí)在1月，有時(shí)在2月，如果相鄰年份的春節(jié)日期落在不同月份，則出現(xiàn)春節(jié)錯(cuò)位現(xiàn)象。具體來(lái)看，春節(jié)錯(cuò)位的情形包括當(dāng)年春節(jié)在1月、上年在2月（情況1），以及當(dāng)年春節(jié)在2月、上年在1月（情況2）兩類（見表2）。其余情況可定義為正常年份，無(wú)錯(cuò)位情況。

由于上年同期基數(shù)未對(duì)齊，春節(jié)錯(cuò)位因素常導(dǎo)致1月、2月CPI的同比數(shù)據(jù)波動(dòng)加大，實(shí)際值與預(yù)測(cè)值之間也經(jīng)常存在較大差距。而1月、2月的通脹數(shù)據(jù)是債券市場(chǎng)全年運(yùn)行中樞的關(guān)鍵觀測(cè)月份，對(duì)全年的通脹水平有重要指示作用。有鑒于此，筆者擬通過研究CPI通脹模型在春節(jié)錯(cuò)位因素影響下的預(yù)測(cè)表現(xiàn)，針對(duì)兩類春節(jié)錯(cuò)位情況提出預(yù)測(cè)調(diào)整方向，以更好地預(yù)測(cè)相關(guān)數(shù)據(jù)，以及應(yīng)對(duì)春節(jié)期間的債券市場(chǎng)價(jià)格的調(diào)整風(fēng)險(xiǎn)。

春節(jié)錯(cuò)位因素對(duì)CPI預(yù)測(cè)的影響及建議

筆者使用單變量模型對(duì)2020—2023年的通脹增速進(jìn)行預(yù)測(cè)，對(duì)上文的判斷進(jìn)行驗(yàn)證，結(jié)果發(fā)現(xiàn)，在春節(jié)當(dāng)月前后，模型的預(yù)測(cè)準(zhǔn)確性的確會(huì)受到短期沖擊。為理解進(jìn)而改善模型在春節(jié)前后的預(yù)測(cè)效果，筆者使用2010—2023年的歷史數(shù)據(jù)，分析春節(jié)錯(cuò)位因素造成的預(yù)測(cè)偏誤。同時(shí)，對(duì)受到影響月份（主要是春節(jié)所在的1月、2月）的單變量模型預(yù)測(cè)結(jié)果提出調(diào)整建議。

（一）2010年以來(lái)的春節(jié)錯(cuò)位情況

逐年來(lái)看，在2010—2023年的14個(gè)春節(jié)中，有10年出現(xiàn)春節(jié)錯(cuò)位情況，占比超七成。其中，2012年、2014年、2017年、2020年及2023年為情況1，2010年、2013年、2015年、2018年及2021年為情況2，其他為正常無(wú)錯(cuò)位年份。

春節(jié)錯(cuò)位對(duì)預(yù)測(cè)精度的影響主要體現(xiàn)在春節(jié)當(dāng)月及相鄰月，所以可以將錯(cuò)位情況分為兩類討論：對(duì)于春節(jié)錯(cuò)位情況1，定義1月為春節(jié)當(dāng)月，2月為春節(jié)相鄰月。對(duì)于春節(jié)錯(cuò)位情況2，則定義2月為春節(jié)當(dāng)月，1月為春節(jié)相鄰月。表3列示了2010年以來(lái)春節(jié)當(dāng)月CPI環(huán)比增速、同比增速的模型預(yù)測(cè)值及預(yù)測(cè)誤差（實(shí)際值減預(yù)測(cè)值），表4列示了春節(jié)相鄰月的模型預(yù)測(cè)值及預(yù)測(cè)誤差。

同時(shí)，CPI數(shù)據(jù)指標(biāo)每5年進(jìn)行基期輪換，以末尾數(shù)字逢0、逢5的年份作為新一輪的統(tǒng)計(jì)基期。所以，基期輪換會(huì)對(duì)逢1、逢6年份的CPI數(shù)據(jù)造成影響。為了獨(dú)立分析春節(jié)錯(cuò)位因素對(duì)預(yù)測(cè)的影響，本文在后續(xù)分析春節(jié)錯(cuò)位因素造成的預(yù)測(cè)誤差的時(shí)候，不考慮受基期輪換影響的2011年、2016年和2021年的情況。

（二）春節(jié)錯(cuò)位對(duì)CPI預(yù)測(cè)的影響分析及調(diào)整建議

從表3所列示的預(yù)測(cè)誤差來(lái)看，春節(jié)當(dāng)月CPI環(huán)比增速模型預(yù)測(cè)值低于實(shí)際值的情況較多，即模型存在低估情況。因此，可在模型預(yù)測(cè)值的基礎(chǔ)上適當(dāng)向上加點(diǎn)進(jìn)行調(diào)整。預(yù)測(cè)誤差較集中地落在（0，0.6%）區(qū)間，向上調(diào)整幅度的參考值可選在0.3%左右。其中，情況1的環(huán)比增速調(diào)整幅度較情況2要高，可將情況1的環(huán)比增速調(diào)整值設(shè)為0.4%，將情況2的環(huán)比增速調(diào)整值設(shè)為0.2%。

從表4所列示的情況來(lái)看，春節(jié)相鄰月CPI的環(huán)比增速模型預(yù)測(cè)值高于實(shí)際值的情況較多，即模型存在高估情況。因此，可在模型預(yù)測(cè)值的基礎(chǔ)上適當(dāng)向下減點(diǎn)進(jìn)行調(diào)整。預(yù)測(cè)誤差多數(shù)落在（-1.2%，0）區(qū)間，向下調(diào)整的參考值可選擇-0.6%左右。其中，錯(cuò)位情況1的環(huán)比調(diào)整幅度相對(duì)更大，可將情況1的環(huán)比增速調(diào)整值設(shè)為-0.9%，將情況2的環(huán)比增速調(diào)整值設(shè)為-0.3%（見表5）。

對(duì)2024年春節(jié)通脹水平的展望

2023年春節(jié)為1月22日，2024年春節(jié)為2月10日。根據(jù)前文分析，僅考慮春節(jié)錯(cuò)位因素的影響，2024年1月CPI同比增速更可能出現(xiàn)負(fù)的預(yù)測(cè)誤差，2月更可能出現(xiàn)正的預(yù)測(cè)誤差，分別可能對(duì)10年期國(guó)債收益率產(chǎn)生向下（利好多頭）和向上（利好空頭）的日內(nèi)短期沖擊。根據(jù)實(shí)際需求及業(yè)務(wù)策略，建議債券市場(chǎng)參與者提前作出安排，并適當(dāng)把握通脹數(shù)據(jù)公布前后的交易機(jī)會(huì)。

筆者基于前文所述方法對(duì)2024年春節(jié)的CPI數(shù)據(jù)進(jìn)行具體預(yù)測(cè)。首先，依據(jù)截至2023年11月末的統(tǒng)計(jì)數(shù)據(jù)，單變量模型對(duì)2024年1月、2月CPI環(huán)比增速的預(yù)測(cè)值均為0.80%，對(duì)應(yīng)的同比增速預(yù)測(cè)值分別為0.2%、1.6%。其次，依據(jù)春節(jié)錯(cuò)位情況分類，2024年春節(jié)錯(cuò)位屬于情況2，所以應(yīng)向下調(diào)整2024年1月的環(huán)比增速預(yù)測(cè)值，并向上調(diào)整2024年2月的環(huán)比增速預(yù)測(cè)值。最后，通過計(jì)算得到2024年1月、2月對(duì)應(yīng)的CPI環(huán)比增速調(diào)整結(jié)果分別為0.5%、1.0%，同比增速調(diào)整結(jié)果分別為-0.1%、1.5%。

需要注意的是，雖然近兩年CPI預(yù)測(cè)未受到數(shù)據(jù)基期輪換因素的影響，但考慮到2023年1—2月正處于優(yōu)化調(diào)整疫情防控政策的關(guān)鍵節(jié)點(diǎn)，該因素對(duì)2023年及2024年的CPI預(yù)測(cè)值均有影響，亦應(yīng)加以謹(jǐn)慎考慮并適當(dāng)調(diào)整。其中，2023年1—2月經(jīng)濟(jì)逐步復(fù)蘇，但居民消費(fèi)尚未全面恢復(fù)；2024年為優(yōu)化調(diào)整疫情防控政策后的第二個(gè)春節(jié)，居民消費(fèi)增長(zhǎng)動(dòng)能有望持續(xù)轉(zhuǎn)強(qiáng)。因此，在春節(jié)錯(cuò)位的基礎(chǔ)上綜合考慮，預(yù)計(jì)2024年1月、2月CPI環(huán)比增速的所在區(qū)間分別為（0.4%，0.7%）（0.8%，1.2%），2024年1月、2月CPI同比增速的所在區(qū)間分別為（-0.2%，0.2%）（1.2%，1.9%）。此外，還可根據(jù)2024年春節(jié)旅游、服務(wù)消費(fèi)、備貨送禮需求等具體情況再適度調(diào)整，以便獲得更加精準(zhǔn)的預(yù)測(cè)值。（本文僅代表作者個(gè)人觀點(diǎn)，不代表所在機(jī)構(gòu)觀點(diǎn)和立場(chǎng)）

參考文獻(xiàn)

[1]董德志，李智能. CPI非食品環(huán)比“高頻+均值”預(yù)測(cè)方法研究[J]. 債券，2015（8）.

[2]何曉群. 多元統(tǒng)計(jì)分析[M]. 北京：中國(guó)人民大學(xué)出版社，2019（6）.

[3]梁詠梅，董敏杰. 月度CPI增速的高頻數(shù)據(jù)預(yù)測(cè)方法[J]. 當(dāng)代財(cái)經(jīng)，2018（12）.

[4]路思遠(yuǎn). CPI構(gòu)成項(xiàng)目權(quán)重估算及2016年走勢(shì)預(yù)測(cè)[J]. 債券，2016（4）.

[5]肖爭(zhēng)艷，陳彥斌. 中國(guó)通貨膨脹預(yù)期研究：調(diào)查數(shù)據(jù)方法[J]. 金融研究，2004（11）.

[6]熊偉琪，張鵬. 穿越周期的通脹預(yù)測(cè)：季節(jié)性模型及高頻數(shù)據(jù)的適用性[J]. 金融市場(chǎng)研究，2021（6）.

[7]中國(guó)人民銀行調(diào)查統(tǒng)計(jì)司. 時(shí)間序列X-12-ARIMA季節(jié)調(diào)整——原理與方法[M]. 北京：中國(guó)金融出版社，2006.

[8] SWANSON N R， XIONG W Q， YANG X Y. Predicting Interest Rates Using Shrinkage Methods， Real‐time Diffusion Indexes， and Model Combinations[J]. Journal of Applied Econometrics， 2020， 35（5）.