摘   要

　　通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，会因春节效应和春节错位等因素对通胀水平产生影响，并给债券市场带来短期冲击。本文基于单变量模型进行预测，并结合2010年以来1月、2月居民消费价格指数的变动情况，分析了春节因素造成的预测误差，对预测值提出了调整建议，最后对2024年春节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、企业等各界的广泛关注。对于债券市场投资者而言，一方面，通胀的走势会影响交易投资决策，进而决定债券的中长期走势；另一方面，在债券交易实务中，因为指标的实际公布值（以下简称“实际值”）和市场预测值（以下简称“预测值”）之间时常形成预期差，CPI、社会融资规模等经济金融指标的月度发布往往对市场造成短期冲击。因此，对指标的精确预判，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。

　　在实践中笔者发现，春节作为我国重要的传统节日，对CPI有着显著影响（即春节效应），也经常出现实际值与预测值差异较大的情况，给债券市场带来短期冲击。为了帮助投资者优化交易决策，本文使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，以期为市场提供预测基准参考。

　　通胀指标量化预测的基本方法

　　（一）建模方法选择

　　单变量模型是预测宏观指标的一类简明而经典的方法。该方法的基本假定是数据已包含全部历史信息，仅采用指标数据即可建立模型。模型结构简明，并且在样本内估计和样本外预测维度下的评估均有较好表现，在经济指标预测方面被广泛使用。因此，本文使用单变量模型预测CPI，其核心表达式为：

　　式（1）中，

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

　　t期对未来第t+h期指标的预测值，

　　其中：

　　式（2）中，

　　t期起，向历史回溯L年的月度数据。根据建模的目标，L年可以选择为3年、5年等中短周期，也可以选择10年甚至更长时间的长周期。

　　本文讨论CPI模型的近端预测，即使用第t期模型和数据完成对未来第t+1期的预测。对于CPI这类具有季节性特征的时间序列数据，使用单变量方法建模在近月预测中平均误差小，且预测精度表现稳定。综合考虑模型特点和数据特征，本文选用单变量模型作为预测通胀的基本方法。

　　（二）CPI模型的相关设定

　　我国公布的CPI相关指标主要有三种形式：环比增速、同比增速和定基指数，功能包括监控指标的波动、变化趋势以及这些变化的积累发展情况。同比增速和环比增速使用得较多，指标实际值的数据精度相同（均保留到小数点后一位）。笔者通过实验发现，在指标数据精度相同的前提下，数据数量级越小，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速指标用于预测，再通过指标之间的数量关系，由环比增速推导得到对同比增速的预测，以获得较好的预测精度。推导公式为：

　　在选定CPI单变量模型的环比增速作为预测指标后，如何选择训练样本的长度，是所有使用“一串连续的数据”来训练模型的过程中必须面对的一个问题。首先，训练模型需要大样本，长度包括至少一个能满足预测的完整周期（对CPI而言需要3到5年的历史数据）。同时，由于模型用于环比指标的外推预测，为了较充分地捕捉短期波动的特征，训练样本长度也不是越大越好。综合上述分析，笔者选择近5年（L=5）的CPI数据建立单变量模型，预测CPI环比增速。

　　春节效应和春节错位因素的主要表现

　　（一）春节效应的具体表现

　　历史经验显示，春节效应对于CPI环比增速、同比增速的影响均比较显著。

　　春节效应对CPI环比数据的冲击比较容易理解。在居民置办年货、餐饮囤货、节日送礼等需求拉动下，春节当月的CPI环比数据基本位于全年较高水平。随着春节效应的消退，在前月较高基数的压力下，春节次月的CPI环比数据会降至全年较低水平。如表1所示，2010年以来春节效应在CPI环比数值中有明显体现。其中，春节当月平均环比增速为1.10%，远高于月度平均水平（0.19%）。春节次月涨价效应退潮，平均环比增速跌落至-0.30%，明显低于月度平均水平。

　　春节效应对CPI同比增速的冲击主要来自两方面。一是与环比增速类似，春节前后消费火爆，形成的短期波动对春节当月的同比增速也形成拉动；二是当年同比增速的较高水平使得次年同月的同比增速面临较高的比较基准，容易产生波动。

　　（二）春节错位的主要表现

　　春节假期的公历日期有时在1月，有时在2月，如果相邻年份的春节日期落在不同月份，则出现春节错位现象。具体来看，春节错位的情形包括当年春节在1月、上年在2月（情况1），以及当年春节在2月、上年在1月（情况2）两类（见表2）。其余情况可定义为正常年份，无错位情况。

　　由于上年同期基数未对齐，春节错位因素常导致1月、2月CPI的同比数据波动加大，实际值与预测值之间也经常存在较大差距。而1月、2月的通胀数据是债券市场全年运行中枢的关键观测月份，对全年的通胀水平有重要指示作用。有鉴于此，笔者拟通过研究CPI通胀模型在春节错位因素影响下的预测表现，针对两类春节错位情况提出预测调整方向，以更好地预测相关数据，以及应对春节期间的债券市场价格的调整风险。

　　春节错位因素对CPI预测的影响及建议

　　笔者使用单变量模型对2020—2023年的通胀增速进行预测，对上文的判断进行验证，结果发现，在春节当月前后，模型的预测准确性的确会受到短期冲击。为理解进而改善模型在春节前后的预测效果，笔者使用2010—2023年的历史数据，分析春节错位因素造成的预测偏误。同时，对受到影响月份（主要是春节所在的1月、2月）的单变量模型预测结果提出调整建议。

　　（一）2010年以来的春节错位情况

　　逐年来看，在2010—2023年的14个春节中，有10年出现春节错位情况，占比超七成。其中，2012年、2014年、2017年、2020年及2023年为情况1，2010年、2013年、2015年、2018年及2021年为情况2，其他为正常无错位年份。

　　春节错位对预测精度的影响主要体现在春节当月及相邻月，所以可以将错位情况分为两类讨论：对于春节错位情况1，定义1月为春节当月，2月为春节相邻月。对于春节错位情况2，则定义2月为春节当月，1月为春节相邻月。表3列示了2010年以来春节当月CPI环比增速、同比增速的模型预测值及预测误差（实际值减预测值），表4列示了春节相邻月的模型预测值及预测误差。

　　同时，CPI数据指标每5年进行基期轮换，以末尾数字逢0、逢5的年份作为新一轮的统计基期。所以，基期轮换会对逢1、逢6年份的CPI数据造成影响。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的时候，不考虑受基期轮换影响的2011年、2016年和2021年的情况。

　　（二）春节错位对CPI预测的影响分析及调整建议

　　从表3所列示的预测误差来看，春节当月CPI环比增速模型预测值低于实际值的情况较多，即模型存在低估情况。因此，可在模型预测值的基础上适当向上加点进行调整。预测误差较集中地落在（0，0.6%）区间，向上调整幅度的参考值可选在0.3%左右。其中，情况1的环比增速调整幅度较情况2要高，可将情况1的环比增速调整值设为0.4%，将情况2的环比增速调整值设为0.2%。

　　从表4所列示的情况来看，春节相邻月CPI的环比增速模型预测值高于实际值的情况较多，即模型存在高估情况。因此，可在模型预测值的基础上适当向下减点进行调整。预测误差多数落在（-1.2%，0）区间，向下调整的参考值可选择-0.6%左右。其中，错位情况1的环比调整幅度相对更大，可将情况1的环比增速调整值设为-0.9%，将情况2的环比增速调整值设为-0.3%（见表5）。

　　对2024年春节通胀水平的展望

　　2023年春节为1月22日，2024年春节为2月10日。根据前文分析，仅考虑春节错位影响，2024年1月CPI同比增速更可能出现负的预测误差，2月更可能出现正的预测误差，分别可能对10年期国债收益率产生向下（利好多头）和向上（利好空头）的日内短期冲击。根据实际需求及业务策略，建议债券市场参与者提前作出安排，并适当把握通胀数据公布前后的交易机会。

　　笔者基于前文所述方法对2024年春节的CPI数据进行具体预测。首先，依据截至2023年11月末的统计数据，单变量模型对2024年1月、2月CPI环比增速的预测值均为0.80%，对应的同比增速预测值分别为0.2%、1.6%。其次，依据春节错位情况分类，2024年春节错位属于情况2，所以应向下调整2024年1月的环比增速预测值，并向上调整2024年2月的环比增速预测值。最后，通过计算得到2024年1月、2月对应的CPI环比增速调整结果分别为0.5%、1.0%，同比增速调整结果分别为-0.1%、1.5%。

　　需要注意的是，虽然近两年CPI预测未受到数据基期轮换因素的影响，但考虑到2023年1—2月正处于优化调整疫情防控政策的关键节点，该因素对2023年及2024年的CPI预测值均有影响，亦应加以谨慎考虑并适当调整。其中，2023年1—2月经济逐步复苏，但居民消费尚未全面恢复；2024年为优化调整疫情防控政策后的第二个春节，居民消费增长动能有望持续转强。因此，在春节错位的基础上综合考虑，预计2024年1月、2月CPI环比增速的所在区间分别为（0.4%，0.7%）（0.8%，1.2%），2024年1月、2月CPI同比增速的所在区间分别为（-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再适度调整，以便获得更加精准的预测值。（本文仅代表作者个人观点，不代表所在机构观点和立场）

　　参考文献

　　[1]董德志，李智能． CPI非食品环比“高频+均值”预测方法研究[J]． 债券，2015（8）．

　　[2]何晓群． 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增速的高频数据预测方法[J]． 当代财经，2018（12）．

　　[4]路思远． CPI构成项目权重估算及2016年走势预测[J]． 债券，2016（4）．

　　[5]肖争艳，陈彦斌． 中国通货膨胀预期研究：调查数据方法[J]． 金融研究，2004（11）．

　　[6]熊伟琪，张鹏． 穿越周期的通胀预测：季节性模型及高频数据的适用性[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）．

　　◇ 本文原载《债券》2023年12月刊

　　◇ 作者：中信银行总行金融市场部　熊伟琪　张鹏

　　◇ 编辑：涂晓枫　刘颖