国信证券非食品环比高频均值预测方法蹭飞

国信证券：CPI非食品环比高频+均值预测方法研究 类别： 机构： 研究员：

[摘要]

行政化定价的淡化使得历史均值预测方法逐渐失效考虑到国内存在价格管制，CPI非食品价格的变动较平稳且季节性明显，因此目前市场上对CPI非食品环比的预测多采用历史均值法。

随着行政化定价不断被打破，使用历史均值法预测非食品环比越来越无法满足市场对CPI预测精度越来越高的要求。事实上，历史均值法是典型的时间序列预测方法。时间序列预测方法的逻辑是，总结以前变量的变化趋势和周期,并假设该趋势和周期在未来延续。此方法包含两前提：其一，变量历史的趋势和周期必须稳定，没有这种稳定，无从总结；其二，变量历史变化的趋势和周期必须延续，没有这种延续，无从预测。两前提的任何偏差都会形成时序方法预测的误差，当待预测变量自身呈现混乱不堪的随机游走时，趋势和周期无从总结，时间序列方法的预测效果将大打折扣。行政化定价的淡化使得非食品各分项价格走势越来越接近混乱不堪的随机游走，因此使用历史均值法预测CPI非食品环比的精度势必越来越差。

因此，我们积极寻找非食品各分项对应的高频指标，通过跟踪高频指标的环比变动，把握对应非食品分项当期的价格变化，以期更得到更精准的CPI非食品环比预测值。

部分非食品分项的预测仍可考虑历史均值法但实际上，相关性极好的高频数据很难找到，大多数情况下仅能找到相关性有限的高频指标，因此用高频数据进行预测本身就会带来一定的误差，如果这个误差大过采用历史均值作为预测值带来的误差，那采用历史均值作为预测值就是更优的预测方法。具体处理方面，可考察各细项每年同月价格季节性的稳定性（用历年相同月份的价格环比方差来衡量，方差小则稳定性强），稳定性强的分项可考虑取历史均值作为预测值；不稳定的分项则尽量寻找高频数据进行跟踪预测。

产品用途：穿幸运的是，我们发现，难以找到对应良好高频数据的细分项，往往季节性非常稳定，因此这些细分项采用历史环比均值作为预测值，预测效果非常好；而那些季节因素非常不稳定的分项，我们大部分找到了较好的高频数据，可以进行较精准的预测。因此，在我们的预测框架下，CPI非食品环比预测的效果有了较大改善。

预测结果通过分项的加权平均计算得到某个月CPI非食品环比等于非食品项下七个分项环比的加权平均值。因此我们可以分别预测非食品下面的七大分项①烟酒及其用品、②衣着、③家庭设备用品及维修服务、④医疗保健和个人用品、⑤交通和通信、⑥娱乐教育文化用品及服务、⑦居住的环比，然后按七个分项的权重加总得到非食品环比。

同理，对于非食品项下七个分项的环比，我们也可以用七个分项下各个细项的环比进行加权平均得到。