关于核心通货膨胀的预测

国内外学者对于通货膨胀的预测研究采用的指标通常为居民消费价格指数，很少有学者对核心通货膨胀进行预测，但是核心通货膨胀和以居民消费价格指数为代表的标题通货膨胀都属于通货膨胀的测度方法，两者反映的都是物价的波动情况。因此通货膨胀的预测方法在居民消费价格指数和核心通货膨胀上是相通的，居民消费价格指数的预测方法也可以借鉴到核心通货膨胀的预测上来。通过对国内外通货膨胀预测方法的梳理，我们将通货膨胀的各种预测方法分为3类：一类是通过统计途径的调查分析预测法；一类是通过参数计量建模途径的分析法；一类是非参数人工智能方法。接下来本书将对这3类方法的研究文献加以梳理。

第一类方法的核心在于抽取一定的样本进行预测调查，然后将人的主观预测进行平均。在美国有很多根据调查来进行预测的方式，其中最经典的当属Livingston预测法和Michigan预测法。Livingston预测法是通过向一些经济学家咨询了解他们对一些经济变量的预期，然后根据经济学家的预期水平，来对收集到的信息进行分析处理，得到最终的通货膨胀预测值。Michigan预测法与Livingston预测法的不同之处在于调查对象个体的不同，Michigan预测法是通过对普通居民进行电话访问，然后对居民的预期进行处理，得到季度通货膨胀预测值。此外，自1999年起，英格兰银行就开始开展样本量为2000人的月度通货膨胀意向调查。国内中国人民银行自1995年以来每个季度都会进行针对居民的储蓄问卷调查，肖争艳，陈彦斌（2004）就是将该调查系统的定性数据转换为定量的预期通货膨胀率，以此来研究通货膨胀预期的长期、短期性质。肖争艳，姚一旻，唐诗磊（2011）也是通过该数据库研究影响居民通货膨胀预期的因素。

第二类参数模型方法主要有线性自回归模型、结构模型和联立模型这几类程建伟（2006）。线性自回归模型是用通货膨胀本身历史数据来预测未来通货膨胀数据的一类方法。作为最简单的AR模型，时常被用来与其他预测方法进行比较，如Fredo Jean-Baptiste（2011）就用AR模型和新凯恩斯—菲利普斯曲线进行比较，Selahattin Imrohoroglu（1995）也曾使用AR模型和Markov AR（1）进行比较。使用ARIMA模型预测通货膨胀的文章也不少，如Gabriel Moser（2007）、Andrew Ang（2007）、Philip Hans Franses（1997）等；此外，Carmen Broto（2011）、叶阿忠（2000）还曾使用过GARCH模型来预测通胀。

结构模型的基本思路是使用影响通货膨胀的变量来拟合方程预测通货膨胀。使用这类方法预测通胀的文章很多，Roman Horvath（2011）证明货币变量在拟合方程中能更好地预测通胀；Mario Forni（2003）使用了447个变量，通过FHLR和SW方法预测欧洲通胀，证明金融变量有助于预测；张权（2011）使用经济增长因子、需求因子、货币因子对我国通货膨胀进行回归；郑文姜（2012）认为外商直接投资（FDI）、政府的财政货币政策和经济增长会对通货膨胀有影响，在此基础上建立了这些变量和通货膨胀之间的VAR模型来研究经济变量对通货膨胀的影响程度。

联立模型将通货膨胀等宏观经济变量看作是相互依存、互为因果的，用一组联立方程模型来描述经济运行过程中各变量的作用过程，在一定程度上，这种联立模型可以模拟宏观经济运行，并对其中一些经济变量进行预测。韩丽鹏等（2011）构建了总供给曲线、总需求曲线和通货膨胀预期形成机制的三模块线性联立方程，模型的事后预测结果得到总供给需求模型能够很好地与我国的实际数据相匹配。张卫平（2012）通过向量自回归（VAR）模型和AR模型的比较，得出这两种模型对通货膨胀的预测都要优于随机游走式的预测，VAR模型是否要比AR模型优秀，要视模型加入的影响变量而言，当加入M1增长速度、名义GDP增长速度和真实GDP增长速度这几种单个变量时，或引入两个影响变量时，大部分的结构向量自回归模型预测效果要好于AR模型。Hubrich Kirstin（2005）也采用过向量自回归法对欧洲地区的通货膨胀进行预测。

第三类通货膨胀的预测方法也可归类于计量建模法。与第二类参数计量建模不同的是，该类方法运用的是人工智能的非参数计量建模方法。在以往的参数模型中，通常是有预设的预测模型，通过估算预测模型中的参数来构建模型预测通货膨胀，但是参数模型对于精度要求较高的预测来说，容易造成偏差，现已有学者验证了非参数人工智能方法在通货膨胀领域的优秀预测能力。Mc Adam（2005）、Nakamura（2005）均采用了神经网络来预测通货膨胀，其中用到的自变量包括失业率、GDP、货币供给量。薛永刚（2010）采用了BP神经网络、RBF神经网络和Elman神经网络来对我国的通货膨胀进行预测，得到神经网络方法的预测效果优秀，但在这3种类型的神经网络中，BP神经网络预测效果优于其他两种神经网络。韩丽鹏等（2011）在构建联立方程的基础上，又构建了多层神经网络，通过联立方程和神经网络的预测结果比较，得到我国的通货膨胀行为较复杂，虽然联立方程模型可以较好地匹配我国的实际数据，但是从拟合效果和事后预测精度来看，非线性的神经网络能更好地预测通货膨胀。张德生等（2007）采用了非参数回归模型、线性回归模型、非参数局部线性回归模型来预测我国的通货膨胀。结果表明，非参数回归模型要优于其他两种方法。

在以上的3类通货膨胀预测方法中，统计调查预测方法的优点在于可以如实准确地反映市场预测，缺点在于预测结果完全依赖于抽样样本及数量，并且该方法从数据的取得到获得预测结果存在一定滞后性。计量模型预测方法可以较为方便地做出预测，但对于精度要求较高的预测来说，参数模型容易造成偏差，尤其是联立模型，虽然该模型对宏观经济的反映比较全面，但是对于数据的要求很高，新兴市场以及发展中国家由于数据的缺乏和经济结构变动较大，模型很难建立或拟合效果不好。现有的非参数人工智能方法既能方便快捷地得到预测结果，在预测精度上又能克服参数计量模型的不足，因此在已有的通货膨胀预测方法中，该类方法的优越性是不言而喻的。在非参数人工智能方法中，神经网络是现在最常被用来预测通货膨胀的方法，但从理论上来说，新的非参数支持向量回归方法在预测方面更优于非参数神经网络。相比支持向量回归（SVR），神经网络模型更侧重于拟合，在预测方面优势不如支持向量回归显著，而SVR继承了神经网络模型的优点，其最小化结构风险的特点赋予了它优秀的预测能力，国内还很少有学者使用该方法来对我国的通货膨胀进行预测。因此，本书将对支持向量回归方法在通货膨胀领域内的优秀预测性能进行验证。