【東吳資產配置】宏觀量化系列：中國CPI預測模型研究

證券分析師 蘆哲

執業證書：S0600524110003

證券分析師 唐遙衎

執業證書：S0600524120016

投資要點

研究背景與目的：

研究背景：通脹走勢是當前宏觀交易的核心變量之一，直接影響利率定價、匯率預期及大類資產配置邏輯。為提升對CPI邊際變化的把握精度，本研究構建了一套可跟蹤、可檢驗的量化預測框架，以數據驅動與主觀經濟學判斷結合的方式替代單純依賴主觀經驗判斷的傳統分析范式。

研究目標：本研究旨在通過系統整合高頻價格信號與宏觀領先指標，實現對未來一年CPI趨勢的長期演變路徑的預測，并同步跟蹤未來一個月CPI的短期變化。為中國未來的宏觀經濟環境判斷提供量化層面的參考依據。

長期與短期預測模型選擇：

長期預測模型：采用具備外生變量輸入的季節性自回歸移動平均模型（SARIMAX），對食品與非食品CPI分項進行拆解建模。該模型側重參數的跨期穩定性與路徑一致性，食品側重點引入春節效應、蔬菜批發價滯后項與豬肉價格滯后項，非食品側則納入CRB大宗商品綜合指數與制造業PMI，以捕捉中長期成本傳導與景氣變化對價格中樞的線性影響。

短期預測模型： 采用“月度滾動重估”框架，在長期模型結構的基礎上，允許估計系數隨最新樣本窗口的滾動而進行適應性漂移。相較于長期模型，短期版本在變量選擇上更傾向于高時效性指標，旨在增強模型對近期宏觀擾動、節日錯位及價格拐點的即時響應能力。

模型效果總結：

長期預測模型：2023至2025年半年步長構建的五輪滾動樣本外測試中，最優模型RMSE均值由基準模型的0.3396降至0.2422，降幅約28.7%，方向勝率由65.0%提升至80.0%，預測精度與趨勢識別能力均有顯著改善。

短期預測模型：在2023至2025年逐月滾動測試中，短期最優模型RMSE均值為0.2379，方向勝率達80.56%，表現略好于長期預測模型，對短期拐點與月度節奏的把握能力較優。

2026年模型預測結果：

模型預測顯示2026年國內通脹環境將呈現典型的“低位溫和修復”特征。全年CPI指數累計漲幅約為2.7%，價格運行節奏表現為：春節因素消退后的3月經歷正常季節性短暫回落，隨后內需緩慢修復帶動價格中樞在下半年趨于平穩上行。綜合判斷，盡管價格下行風險已較2024-2025年期間明顯緩和，但整體物價彈性依然有限，宏觀經濟運行狀態更傾向于“弱復蘇、低通脹”組合。在此背景下，成本端的輸入性壓力傳導相對受限，政策層面或仍維持對穩增長與穩預期的必要支持。

風險提示：1)政策或監管環境突變；2)宏觀經濟不及預期；3)發生重大預期外的宏觀事件。

1. 數據與樣本說明

本研究的主要目的為在系統整理與更新居民消費價格及相關宏觀、價格類歷史數據的基礎上，建立可重復估計的時序模型，對未來一個月的 CPI 環比水平進行定量預測，并刻畫與更新未來一年 CPI 的演變路徑與總體走勢，從而為短期中國平均價格與通脹水平與中期趨勢判斷提供數據支持與可檢驗的預測基準。

1.1. CPI數據說明

本研究使用的居民消費價格指數（CPI）及相關變量均為月度頻率，時間索引統一為各自然月月末（與官方常用發布節奏一致）。CPI 部分包含全國 CPI 總指數環比、食品類環比與非食品類環比，數據來源于項目配置的原始指標序列，經與宏觀及價格類外生序列按月末對齊、合并后形成分析用面板。環比指標刻畫相鄰兩個月之間的價格變化，解讀時需結合春節等季節性因素。

1.2. 外生變量說明

根外生變量的選擇遵循“先理論分層、后統計篩選、再經濟解釋校驗”的原則：首先從貨幣政策、實體經濟、食品價格和外部輸入四個方向構建候選變量池，分別覆蓋流動性與利率環境、景氣與生產端變化、主要食品品類價格波動以及國際大宗與輸入型成本沖擊；隨后在統一樣本區間內對候選變量與 CPI （及相關分項）進行格蘭杰因果檢驗，保留在統計意義上具有顯著領先信息的變量；最后結合變量發布時點、可得性和傳導機制的經濟學合理性進行二次篩選，剔除雖顯著但解釋性弱或穩定性不足的指標，形成用于建模的候選外生變量集合。

1.3. 樣本空間說明

本研究的數據樣本空間按“完整可比、統一頻率”原則構建：先將 CPI 及全部候選外生變量按時間對齊，再截取各變量均有有效觀測的共同時間區間，最終形成 2010 年 1 月至 2025 年 12 月的月度面板樣本。對頻率處理方面，若變量原始口徑已為月度，則直接使用；若變量為日頻，則先按自然月聚合為月度均值后再并入面板，以保證模型輸入在同一時間粒度下可比。完成頻率統一后，對樣本進行缺失值檢查與一致性約束，僅保留全字段可用的月份用于估計與評估。季節性事件處理上，研究額外構建春節虛擬變量：根據每年農歷春節對應公歷日期，將其映射到所在自然月，春節當月記為 1、其余月份記為 0，并隨月度面板一并進入模型，用于刻畫春節錯位對價格環比的結構性影響。

2. 外生變量篩選邏輯

本研究從貨幣政策、實體經濟、食品價格和外部輸入四個方向構建候選變量池，分別覆蓋流動性與利率環境、景氣與生產端變化、主要食品品類價格波動以及國際大宗與輸入型成本沖擊。候選變量池如表 1 所示：

2.1. 量化角度初步篩選

本研究在構建 CPI 預測模型前，對候選外生變量與 CPI及必要時分項進行格蘭杰因果檢驗，在指定最大滯后階數下檢驗在控制各自歷史信息后，候選變量是否對 CPI 的預測具有統計上顯著的邊際解釋力。通過該步驟，可在較寬變量池中篩除與 CPI 動態關系不顯著或方向不穩定的指標，縮小后續建模與樣本外評估的負擔，并降低僅憑主觀敘事堆砌變量的風險。

選擇格蘭杰因果檢驗的原因在于：其一，它面向時間序列預測問題，直接回答“過去信息是否有助于預測未來”，與滾動預測目標一致；其二，檢驗在向量自回歸框架下比較嵌套模型，具有明確的統計假設與可復現的顯著性標準，便于在報告中披露與復核；其三，它并不等同于經濟學意義上的“真實因果”，但能作為數據層面的先導性篩選，與經濟學理論分層（貨幣、實體、食品、外部輸入）相結合，可在統計顯著與經濟可解釋之間取得平衡。

表2與表3展示了食品CPI與非食品CPI的格蘭杰因果檢驗結果。本研究設定最小P值小于0.1的變量通過初步篩選。依照此邏輯，食品項通過初步篩選的變量為：春節變量、蔬菜價格指數、可繁育母豬存欄量、豬肉市場價、美元匯率、制造業PMI、PPI同比。非食品項通過初步篩選的變量為：春節變量、布倫特原油價格、制造業PMI、PPI同比、CBR指數、M1同比、蔬菜價格指數、M2同比。

2.2. 經濟學解釋角度篩選

從經濟學上看，食品 CPI 的短期波動主要由供給沖擊、節日消費節奏與“豬周期”主導，因此格蘭杰檢驗雖顯示美元匯率與 PMI 等宏觀變量也可能含有預測信息，但它們對食品分項的作用往往是間接且多通道疊加的：匯率更多通過進口大宗與能源成本傳導，且與本土鮮菜、豬肉等籃子的聯動存在時滯與結構性干擾；PMI 則刻畫廣義景氣與工業品需求，對食品價格的映射不如高頻農產品價格直接。相較之下，春節虛擬變量刻畫的是統計與消費日歷上的強季節錯位；蔬菜批發價直接對應鮮菜分項的成本與預期；豬肉批發價與能繁母豬存欄分別從價格邊際與供給領先兩個維度鎖定“豬周期”核心機制，變量含義與食品 CPI 的微觀傳導鏈條一致、可解釋性更強。因此本研究優先保留與食品價格形成機制距離更近、傳導路徑更清晰的春節、蔬菜批發價、可繁育母豬存欄與豬肉批發價作為食品側最終候選變量，而將匯率與 PMI 等更偏總量與外部金融條件的指標留給非食品或宏觀敘事層使用。

非食品 CPI 更多反映能源與工業消費品、服務與居住相關價格的邊際變化，其波動往往與全球大宗、國內景氣與成本傳導聯系更緊。春節虛擬變量同樣重要，因為春節會同時擾動出行、服務與部分非食品消費與統計節奏。布倫特原油價格直接錨定國內燃料與能源相關分項及廣泛的成本推動鏈條；制造業 PMI 刻畫需求與生產景氣，與非食品中工業品、可選消費的價格動量更為貼近。CRB 大宗商品綜合指數則把能源、金屬與部分農產品價格壓力匯總為廣義輸入型通脹的代理，比單一油價更能捕捉外部價格環境的整體松緊。相較之下，PPI 同比雖與成本端相關，但更偏生產端出廠價，且與油價、CRB商品指數信息高度重疊，容易帶來多重共線而邊際增益有限；M1、M2 同比屬于貨幣金融條件，對非食品價格的映射路徑長、領先關系不穩定；蔬菜批發價則主要驅動食品分項，與非食品籃子的經濟距離較遠。因此在格蘭杰顯著的前提下，最終非食品側優先保留春節變量、布倫特原油價格、制造業PMI 指數與 CRB商品指數作為候選。

3. 模型選擇與評估方式

3.1. SARIMAX模型

本研究采用 SARIMAX（季節性自回歸滑動平均外生變量）模型，主要出于三方面考慮：其一，該類模型在計量經濟學與宏觀經濟實證研究中長期使用，理論成熟、估計與推斷路徑清晰，便于與既有文獻對照并保持結果可復現；其二，CPI 環比存在較為明顯的年度季節結構，SARIMAX 通過季節差分與季節項能夠顯著刻畫其周期性，精準捕捉其季節性趨勢；其三，模型在自回歸結構基礎上可納入外生變量，將宏觀與高頻價格信息并入方程，在控制序列相關的同時考察外生沖擊的邊際影響。與以預測精度為導向、結構往往難以拆解的機器學習方案相比，SARIMAX 的系數、滯后階數與外生項具有直接的經濟與統計含義，系數符號與顯著性可作為解釋依據，整體可解釋性更強，更適合本研究在預測之外兼顧機制敘述與政策討論的需要。

本研究對食品與非食品 CPI 環比分別設定SARIMAX。食品側采用 (2,1,0) × (1,0,1,12)：非季節部分先作一階差分，再在差分序列上用二階自回歸刻畫短期慣性；季節部分在周期 12 上配置一階季節自回歸與一階季節滑動平均且不做季節差分，用于吸收年內固定節奏下的季節相關，而不額外強加“季節單位根”結構。非食品側采用 (1,0,1) × (1,1,1,12)：水平序列上使用 ARMA(1,1)，使沖擊的影響可平滑延續若干期；季節部分對 12 個月周期作一階季節差分，并配以季節 AR(1) 與季節 MA(1)，對應非食品環比存在以年為尺度的隨機季節成分，與非季節短期動態分開刻畫。

3.2. 合成權重說明

由于在公開材料中無法完整復現統計局對總 CPI 環比的鏈式分解與分項權數生成規則，本研究在將食品與非食品分項預測合成為總CPI 環比時，對食品權重采用過去 12 個月官方公布食品權重的算術平均值作為下一期合成所用權數，非食品權重由互補關系得到。該做法的合理性在于：一方面，下月權重在預測時點不可觀測，只能基于歷史信息外推，而籃子結構通常緩慢變化，對近 12 個月取均值可在跟蹤結構漂移的同時平滑單月噪聲與數據修訂；另一方面，相較單月上期權重或需額外校準參數的指數加權方案，12 個月均值規則透明、參數少、便于復核，從而降低因權數設定帶來的爭議成本。

3.3. 模型評估方式

本研究對模型表現的評估采用固定長度的滾動樣本設計：在完整歷史數據中，按規則每次截取連續十二年的樣本窗口，其中前十一年用于模型估計與參數識別，最后一年作為樣本外測試集，并僅以該測試年的 RMSE 衡量當期預測精度。首輪測試區間設定為 2023 年 1 月至 2023 年 12 月；此后將上述十年窗口整體向后平移六個月，重復構造測試集，共進行五輪評估，從而得到五組相互銜接、覆蓋不同宏觀階段的樣本外表現。最終模型的選擇不僅取決于五輪測試 RMSE 的平均水平，還結合各輪誤差波動與尾部表現以及方向識別能力，在精度與跨階段穩定性之間權衡，選取 RMSE 相對較低且五輪表現最為穩健的規格作為本研究的最終模型。

4. 候選模型的構建與評估結果

4.1. 候選模型的構建

本研究的候選模型在結構上采用「食品—非食品」拆分、分別估計帶季節項的 SARIMAX，再按固定權重合成總 CPI 環比；春節虛擬變量在兩條方程中一律納入，不作篩選。食品側從經濟學機制出發設定三類信息：蔬菜批發價以滯后 1 期或 3 期刻畫鮮菜的季節性與短周期波動；豬周期則在同一規格中僅擇一使用：豬肉批發價滯后 1 期或 3 期，或能繁母豬存欄滯后 6 期，且不與豬肉價同時進入，以避免供給鏈條變量高度重疊。非食品側必須包含制造業 PMI 滯后 1 期，用于反映景氣與成本環境；外部輸入成本則在布倫特原油滯后 1 期與 CRB 商品指數滯后 1 期之間選擇一項，以區分油價渠道與廣義大宗渠道且避免多重共線。由此得到 6×2=12 條經濟學含義清晰的結構組合。由于SARIMAX模型假設變量均為時序平穩變量，本研究依據單位根檢驗結論，對判定為非平穩的變量先作一階差分再按相同滯后階數進入，平穩變量仍取水平滯后，從而在統一滾動樣本外框架下比較各候選模型的預測表現。

4.2. 候選模型表現對比

本研究在模型篩選中采用“預測精度—穩定性—方向識別能力”三維等權的綜合排名標準：首先以五輪滾動樣本外 RMSE 均值衡量平均預測誤差（越小越優），確保模型在總體數值上具備較高精度；其次以五輪 RMSE 的標準差衡量跨時段表現穩定性（越小越優），避免僅在個別階段表現良好的“偶然優勝”模型；最后以五輪樣本外的方向勝率衡量模型對 CPI 環比漲跌方向的識別能力（越高越優），強化其在宏觀研判和政策應用中的可解釋性與實用價值。三項指標采用等權排名準則，核心考量為CPI 預測不僅要“點位準”，還要“波動穩、方向對”，從而在統計意義與經濟意義之間取得更均衡、可復現的最優解。詳細的模型參數對比請參考表4。其中Ln代表滯后n期，RMSE代表殘差均方差，no_exog代表無任何外生變量的SARIMA模型，作為基準模型對比其他模型表現。

經綜合考量，排名最優的模型食品項外生變量為：春節變量，蔬菜價格指數滯后3期，豬肉價格滯后3期；非食品項外生變量為：春節變量，CRB商品指數滯后1期，PMI指數滯后1期。

5. 最終模型樣本外表現

上文中的最終預測模型在2023年至2025年的五輪測試集表現如圖2所示，用來對比的無外生變量基準SARIMA模型表現則如圖3所示。從樣本外結果看，該模型在大多數測試窗口中均表現出較好的預測精度與跨區間穩定性，整體具有較強穩健性。與無外生變量的基線時間序列模型相比，該模型的五輪樣本外 RMSE 均值由 0.3396 降至 0.2422（降幅約 28.7%），誤差波動（RMSE 標準差）下降約 7.8%，方向勝率由 65.0% 提升至 80.0%。這表明引入外生變量后，模型對 CPI 環比的刻畫能力和預測有效性均獲得顯著提升。

6. 外生變量路徑預測

在2026 年外生變量路徑設定上，本研究采用“數據優先 + 統計篩選 + 經濟合理性校驗”的組合策略：對信息更新最及時的變量（豬肉市場價、布倫特原油價格、PMI指數）優先使用已發布/已更新的 2026 月度數據，并對缺口月份銜接外生預測序列；對需內生推演的變量則采用時間序列模型篩選，其中蔬菜價格指數先由周環比遞推構建歷史指數（2010-01=100），再在候選 SARIMA 規格中以 2024–2025 驗證集 RMSE 最小準則選擇 (0,1,1)(0,1,0,12) 進行 2026 外推，可繁育母豬存欄量與 CRB 商品指數采用 AIC 最優的 SARIMA 進行缺口補全與預測。該做法的合理性在于：既充分利用可觀測“真實信息”降低遠期假設誤差，又通過統一、可復現的統計準則控制模型復雜度并保證序列連續性與口徑一致性。從趨勢看，2026 年外生變量整體呈“溫和波動”特征：蔬菜指數表現為上半年回落、下半年修復并年末回升，豬價在年初偏弱后逐步抬升，原油在二季度高位后緩慢回落，PMI大體圍繞榮枯線附近小幅波動，整體與宏觀環境“弱修復、低通脹彈性”的情形相一致。

本研究展示的外生變量路徑預測方式為不預設任何觀點的情況下結合其自身時序結構進行預測，實際操作中可結合外生變量走勢觀點進行推演，觀測在不同假設的條件下CPI后一年走勢的趨勢。

7. 2026年CPI預測結果

7.1. 2026年CPI同比與環比預測表現

模型預測2026年CPI環比連乘累計漲幅約2.7%，具體每月環比變化如圖8所示。從模型預測結果看，2026年國內通脹呈現“低位溫和修復”而非明顯上行：年內 CPI 環比多數月份為小幅正增長，春節后（3 月）短暫回落后逐步修復，下半年相對更平穩，說明價格中樞整體有抬升但彈性有限。由此推斷，2026 年宏觀經濟更可能處于“弱復蘇、溫和通脹”狀態：內需較 2024至2025 年有改善，但不足以形成高通脹壓力，政策環境預計仍以穩增長、穩預期為主，貨幣與財政政策可能保持寬松以刺激消費與投資。整體上，價格下行風險較前期明顯緩和，但經濟修復的斜率仍偏溫和。原材料成本方面，中東的地緣沖突帶來的能源價格提升造成了一定的工業原材料成本上升壓力，但實際傳導到CPI仍然有限，主要得益于中國的工業體系和新能源技術。

2026年CPI同比始終為正且持續增長，較去年有大幅度回升，表明中國經濟逐漸走出整體價格下行區間，宏觀經濟環境正在回暖。

7.2. 模型系數解讀

本模型中，外生變量參數整體呈現出較為清晰且符合經濟邏輯的結構特征。食品方程中，春節虛擬變量系數為正且在統計上高度顯著，表明節日效應仍是推動食品價格短期上行的核心力量；豬肉價格三期滯后項系數為負且顯著，說明豬價對食品CPI存在明顯滯后傳導，但該傳導在樣本期內更多體現為“前期沖擊后回落修正”的動態過程。相比之下，節后虛擬變量與蔬菜差分滯后項雖方向上具備一定合理性（節后回落、蔬菜波動的短期擾動），但統計顯著性不足，提示其邊際解釋力相對有限。

非食品方程的外生項表現更穩定。CRB一階差分滯后項為正且顯著，反映出大宗商品成本變化對非食品價格的傳導機制依然存在；PMI滯后項同樣為正且顯著，說明景氣修復能夠通過需求與預期渠道支撐非食品價格中樞。春節與節后虛擬變量分別呈現“節中上行、節后回吐”的對稱特征，且均達到顯著水平，這與我國消費季節性和服務價格調整節奏一致。

總體看，模型參數在經濟含義與統計顯著性上具有較好一致性：食品端主要由節日與豬價周期驅動，非食品端則更多受成本與景氣變量共同影響，支持該模型用于2026年通脹路徑研判。

8. CPI月度預測模型

本研究的月度短期預測采用“滾動重估”框架：對每一個預測月t，均使用其前 132 個月樣本重新估計一次模型參數，再生成 1 步前瞻預測。與長期預測模型相比，短期模型在參數設定上的核心差異在于“時變近似”假設：其默認結構形式不變，但允許參數隨樣本窗口滾動而緩慢調整，從而及時吸收最新價格與外生變量信息；而長期模型更強調參數穩定性與跨期一致性，默認估計系數在整個預測期內保持不變，因此對中長期趨勢刻畫更平滑、但對近期拐點響應相對滯后。由此帶來的方法學優勢是，月度短期模型在高頻擾動、節日錯位和外生沖擊傳導節奏變化較快的階段，通常具有更強的“當期貼合能力”和轉折識別能力，能夠降低短期預測偏差并提高方向判斷的及時性；相對地，長期模型更適用于年度路徑研判與情景推演。綜合而言，短期滾動模型更適合作為“近月監測與校準工具”，長期模型更適合作為“中長期基準路徑工具”，兩者應在同一研究框架下互補使用。

8.1. 月度短期預測模型參數說明

在本研究的當前設定中，長期預測模型與短期預測模型使用的 SARIMA 參數并不相同。長期模型（用于 2026 年全年路徑預測、一次估計后多步外推）采用的是食品方程 SARIMA(2,1,0)×(1,0,1,12)、非食品方程 SARIMA(1,0,1)×(1,1,1,12)；短期模型則為食品方程 SARIMA(2,0,1)×(1,0,1,12)、非食品方程 SARIMA(1,1,1)×(1,0,1,12)，并在同樣的外生信息框架下進行逐月重估。

兩者的差異本質上是“多步穩定性優先”與“單步響應速度優先”的取舍。長期模型在食品端保留一階差分、在非食品端使用更強的季節差分，參數設定更強調中長期平滑與年度路徑一致性，適合做全年情景分析；短期模型則在食品端提高了短期動態項（由 (2,1,0) 調整為 (2,0,1)），并在非食品端弱化季節差分（由 (1,1,1,12) 調整為 (1,0,1,12)），使模型對近月沖擊與拐點變化更敏感。換言之，長期模型的參數假設更接近“預測期內結構穩定”，短期模型的參數假設更接近“結構不變但系數可隨滾動樣本更新而適度漂移”。因此，短期模型通常在當期誤差控制和轉折識別上更有優勢，而長期模型在年度軌跡的平滑性與可解釋性上更占優。

8.2. 月度短期預測模型評估結果

本研究的短期模型采用的是逐月滾動單月步長樣本外評估。具體做法是：以 2023-01 到 2025-12 的每一個月作為獨立測試點，對每個測試月都僅使用

其之前最多 132 個月樣本重新擬合一次模型，然后只預測該月 1 個月的 CPI 環比。將全部月份預測值與真實值對比后，計算總體與分年度的 RMSE、MAE 和方向勝率（預測環比符號與實際符號一致的比例）。這種評估方式的優勢在于口徑嚴格、貼近實時應用場景，能夠真實反映模型在“每月更新、近月預判”任務中的穩定性與短期跟蹤能力。

短期預測模型與長期預測最優模型在外生變量選擇上呈現出“短期更敏感、長期更穩健”的差異。短期最優模型采用的是蔬菜價格指數滯后1期而非3期，說明在短期預測框架下，食品價格對蔬菜價格的短期變動更為敏感，近期信息的解釋力更強；同時，食品端仍保留豬肉價格滯后3期，表明豬價信號雖然重要，但更適合以相對滯后的形式進入模型，以減少高頻波動干擾。

非食品端方面，短期最優模型傾向于選擇布倫特原油價格滯后1期，而長期最優模型更偏向CRB指數滯后1期；這表明短期預測更看重原油價格對當期非食品通脹的直接傳導，而長期預測則更依賴CRB這類更綜合的大宗商品指標來刻畫成本趨勢。總體來看，短期模型偏好高時效性的單項價格信號，長期模型則更偏好穩定性更強的綜合性外生變量。

8.3. 月度短期預測模型樣本外表現

本研究的短期模型樣本外表現如下圖所示。從樣本外表現來看，相比長期預測模型，短期預測模型在2023年表現略差，但2024與2025年表現均更優。短期最優模型對總體走勢和方向的把握較好，尤其在大多數月份能夠較準確跟隨實際環比的正負變化，說明其對短期拐點和節奏具有一定識別能力。結合前面的結果，模型在 2023-2025 全樣本外區間的方向勝率較高，整體預測穩定性在候選模型中處于較優水平。

不足的是，該模型對個別波動較大的月份仍存在一定偏差，表現為峰值和谷值附近的振幅擬合不夠充分，即在短期沖擊較強時容易出現低估或高估。總體而言，該模型更擅長刻畫短期方向和中樞水平，對極端波動的擬合能力相對有限，因此適合作為短期滾動研判工具，但對單月異常波動仍需結合外部信息作輔助判斷。

9. 總結

本研究立足于通脹走勢對宏觀交易與資產配置的前瞻指引價值，以“食品—非食品”雙輪驅動框架為核心，構建了一套可跟蹤、可檢驗的CPI量化預測體系。在方法論層面，研究從貨幣政策、實體經濟、食品價格及外部輸入四個維度系統梳理外生變量池，通過格蘭杰因果檢驗與經濟學含義校驗相結合的篩選流程，擇優納入蔬菜、豬肉、CRB大宗指數及制造業PMI等高信息量指標；在模型篩選與評估層面，采用五輪滾動樣本外測試設計，以RMSE均值衡量預測精度、以RMSE標準差評估跨期穩定性、以方向勝率檢驗趨勢識別能力，三維等權綜合排名后確定最優模型規格。在模型層面，分別構建了側重年度路徑一致性的長期SARIMAX模型與側重拐點響應的月度滾動短期模型，兩者互為補充，形成覆蓋中長期趨勢研判與短期節奏把握的完整工具箱。

從實際效果來看，最終選定的長期預測模型2023至2025年五輪樣本外RMSE均值為0.2422，較無外生變量基準模型下降約28.7%，方向勝率達80.0%；短期滾動模型RMSE均值為0.2379，方向勝率達80.56%，驗證了外生變量引入與滾動重估機制對預測效能的邊際貢獻。 在模型層面，分別構建了側重年度路徑一致性的長期SARIMAX模型與側重拐點響應的月度滾動短期模型，兩者互為補充，形成覆蓋中長期趨勢研判與短期節奏把握的完整工具箱。

基于上述框架，模型對2026年CPI走勢的核心判斷為“低位溫和修復、彈性仍顯不足”：全年CPI環比累計漲幅預計約2.7%，價格中樞較2024—2025年有所抬升，但尚不足以形成高通脹壓力。從投資含義看，該通脹環境對應貨幣政策維持寬松的窗口期較長，短端利率上行風險可控。

本研究亦存在若干值得持續優化的方向。其一，春節效應的刻畫仍有精進空間：當前模型采用二元虛擬變量標記春節所在月份，無法區分春節落在月初、月中或月末對當月價格統計的不同影響，未來可嘗試構建連續型變量（如距離春節的天數）或引入更精細的日歷權重，以更精準捕捉節日錯位效應。其二，CPI分項可進一步拆細：當前模型僅區分食品與非食品兩大板塊，尚未對非食品項下的交通通信、居住服務等子類單獨建模，食品項內部亦可考慮將鮮菜、豬肉、糧食等核心分項獨立處理，以提升對結構性價格波動的識別精度。其三，外生變量池可拓展至期貨市場信息：期貨價格蘊含市場對未來供需格局的預期，除已納入的原油相關變量外，生豬、玉米、豆粕等農產品期貨價格對食品CPI可能具有前瞻指示意義，未來可嘗試將其作為增量信息納入預測框架，進一步檢驗對模型精度的邊際貢獻。

10. 風險提示

1)政策或監管環境突變

若相關部門對食品、能源等關鍵品類實施臨時價格干預、投放儲備或調整CPI籃子構成與權重，可能改變價格形成機制與傳導路徑，使得基于歷史數據訓練的模型對短期波動的刻畫出現偏差。

2)宏觀經濟不及預期

若內需回暖幅度低于預期、居民消費意愿持續偏弱，或房地產與就業市場修復進程受阻，可能導致核心通脹中樞進一步走低，使模型預測的“溫和修復”路徑面臨下修風險。

3)發生重大預期外宏觀事件

若發生大范圍極端天氣、疫病擴散或地緣沖突升級等事件，導致鮮菜、豬肉等關鍵食品分項價格短期劇烈波動，模型基于歷史規律的季節性參數可能無法充分捕捉極端尾部風險，進而影響短期預測精度。