两次金融危机影响下中国CPI运行对比分析

研究发现1997年金融危机发生前后CPI运行相关度非常高,而2008年金融危机发生当期CPI与2007CPI运行相关度非常高,并且对2008、2009年前5个月同比CPI数据进行分析,相关度也非常高。对此,文章在此基础上运用BP神经网络模型具有很好地模拟非线性系统的优点,对BP神经网络模型进行了改进,并运用该模型对中国2001～2008年前5个月月度CPI指数进行了拟合的基础上,对2009年后7个月月度CPI指数和全年CPI指数进行了预测。将2009年全年数据(包括已公布的前5个月数据和后7个月的预测数)与2008年数据进行相关分析,发现相关度非常高。     

基于ARIMA模型的北京居民消费价格指数预测

自回归单整移动平均模型(ARIMA)是目前较为广泛应用的时间序列建模方法之一,文章以北京市1998年1月~2013年5月的CPI月度数据为样本,采用Eviews6.0软件,建立了ARIMA(12,18)模型,模型对样本内数据拟合较好,预测误差较小,用该模型对北京市2013年6月~2013年12月的CPI指数进行了预测。     

基于ARIMA模型的消费者价格指数预测

科学准确地预测CPI将为宏观经济政策的制定提供合理的数据支持.文章根据我国2010年1月至2015年6月CPI月度数据建立ARIMA模型,对2015年下半年我国的CPI数据进行预测.实证结果表明:ARIMA(12,1,2)模型的预测效果良好,可以作为我国CPI走势判断的有效依据.     

基于VAR模型的居民消费价格指数预测

2009年下半年至2010年5月,我国通胀预期不断加大。这是否预示会经历新的一轮CPI的大幅上涨成为了各界关注的焦点。文章运用VAR模型,分析各因素对CPI的影响,得出CPI对自身反应较为敏感,原料、燃料和动力购进价格指数对CPI的影响较弱,工业产品出厂价格指数以及货币供给增长率对CPI的影响也较弱,但有3个月的时滞。对未来36个月的CPI进行了定量预测,得出未来三年我国不会出现大规模通货膨胀的结论。     

CPI月度环比指数季节调整及CPI折年率方法研究

内容提要：CPI中长期变动趋势的预测一直是困扰经济学界的一个问题。本文研究了CPI月度环比指数的季节调整,并建立了CPI中长期预测的模型,并利用该模型对我国今年CPI上涨趋势进行了预测。     

基于季节调整的CPI统计环比指数研究

本文首先阐述了季节调整与统计环比指数的必要性,简要介绍了X-12-ARIMA与TRAMO/SEATS季节调整原理,然后运用X-12-ARIMA程序对中国1997年1月至2010年5月CPI月度数据进行季节调整,再运用TRAMO/SEATS方法解决季节调整程序中中国春节因素问题。接着由季节调整后的数据计算得到月环比CPI,对月环比CPI和同比增加率进行了比较,结果显示月环比CPI领先同比CPI。最后利用TRAMO/SEATS程序建立ARIMA模型（210）（011）进行了24个月的预测,预测结果显示,未来24个月内我国消费者物价指数温和上升,不会发生大的通货膨胀,但是存在一定的通胀压力。     

CPI预测的SVM-ARIMA模型构建与数值模拟

居民消费价格指数（CPI）是宏观经济中的前瞻性指标,为经济政策的制定提供数据支撑,发挥指导作用。文章利用CPI的月度数据构建基于小波分解的SVM-ARIMA组合模型,实现了对CPI的精准预测。首先,对2000—2019年的居民消费价格指数序列进行小波分解;然后,对分解后的居民消费价格指数序列分别利用ARIMA模型和SVM模型进行预测;最后,将预测结果进行整合形成对居民消费价格指数的组合预测模型,并选用2020年的实际CPI月度数据与模型预测数据进行有效性验证。结果表明：组合模型的平均绝对百分比误差（MAPE）与均方根误差（RMSE）分别为0.5383%和0.6604%,相较于ARIMA时间序列模型和SVM模型实现了极大的改进。此外,该组合模型的预测分析框架具有较强的适应性和扩展性,可用于其他相同特征类型的时间序列数据的模拟预测。     

基于小波变系数模型的CPI权重估计

居民消费价格指数（CPI）是反映宏观经济运行的重要指标之一,因此其编制中所采用权重的取值和调整特征一直是各界所关心的问题,但目前中国CPI编制中所采用的权重大小一直没有权威机构的正式公布。根据2000—2010年间的CPI数据,采用基于小波的变系数模型对权重进行了估计。估计结果揭示了中国近10年中CPI权重的动态变化特征,这种变化特征也反映了近10年中居民消费结构的动态调整。     

我国CPI时间序列预测模型的比较及实证检验

文章运用时间序列的几个不同模型,对我国居民消费价格指数(CPI)的变化规律进行了比较研究;通过对我国2001年1月至2007年8月共80个月份的CPI值进行实证分析,建立了一个反映CPI变化规律的较优统计预测模型,该模型的相对误差控制在1%之内,得到较好的结果;最后,利用该模型对2007年9月至2008年8月的CPI变化趋势进行了预测。     

中国消费者物价指数的模型构建及波动分析

近年来,我国的物价指数（简称CPI）越来越受到人们的关注,因此准确地把握cPI的波动特征也受到了政府和学者的高度重视,文章通过对247个月度CPI数据进行ARMA模型和ARCH类模型的分析,构建了通货膨胀率的波动模型,并与已有的相关文献进行比较分析,揭示出CPI的波动规律,为政府的宏观调控提供定量化参考依据。     

基于季节性ARIMA模型的居民消费水平预测

文章以居民消费价格指数(CPI)的短期预测作为切入点,采用定量的时间序列分析方法,建立季节自回归综合移动平均(季节性ARIMA模型)模型对CPI时间序列进行量化分析.首先阐述基于该模型的CPI预测的一般过程,即:平稳化处理、差分变换的阶数辨识、参数估计,时间序列模型的构建,然后对模型进行性能检验,确定较适合的季节自回归综合移动平均模型,最后在实证分析中探讨经济变量CPI与时间变量之间的变动规律,对CPI时间序列进行适当的差分处理,取得了较为理想的预测效果.     

居民消费价格指数的非对称性波动分析及短期预测

居民消费价格指数(CPI)在一定程度上反映了通货膨胀抑或紧缩的程度,受到社会普遍关注.文章基于我国1990年1月～2011年6月的月度数据进行探索性建模分析,通过模型比较发现对D_CPI序列建立AR(2)-ACGARCH(1,1)组合模型最合理,该模型很好的刻画了CPI的非对称性波动特征.研究结果表明D_CPI具有明显的群集效应和逆杠杆效应,即正的外部冲击对价格水平的影响大于负的外部冲击；另外短期预测结果显示2011年第三季度我国CPI月同比增长都将超过6％,预测效果比较理想,较为符合实际情形.     

基于混沌神经网络算法的CPI预测

文章针对CPI时间序列的非线性特征,运用混沌理论对其相空间进行了重构,并求出其最大Lyapu nov指数大于零,从而判断CPI时间序列的混沌特性,利用混沌BP混合算法(CBP)构建了CPI预测模型。结果表明,该模型在6个月内具有较高的精度。     

基于SARIMA-GMDH的CPI组合预测模型

文章以2001年1月至2015年2月的我国CPI定基指数为样本数据,首先构建季节乘积SARIMA模型与GMDH自回归模型对CPI进行预测;然后通过自组织数据挖掘理论构建SARIMA-GMDH组合模型再次对CPI进行预测;最后通过模型拟合优度检验与预测能力分析综合评价这3个预测模型,探索各个模型预测效果的差异性,总结评价组合预测法在经济现象中的预测优势.     

我国CPI波动的影响因素分析

文章从宏观环境中选取四个经济指标构建CPI的影响因素指标体系,并通过社会总供给和总需求之间的数量关系,解释指标体系如何推动物价波动.由于宏观经济指标之间存在很强的相关性,在对CPI的多元回归模型中必然存在较强的多重共线性,因此运用岭回归估计模型参数,定量分析各个因素对CPI的影响,并采用偏最小二乘构建CPI预测模型,对CPI的波动进行拟合.     

基于网购搜索量的CPI及时预测模型

购物网站的用户搜索量数据是近年来出现的一种新类型数据源。基于该数据在合理选择关键词以及对数据进行季节调整和假日处理的基础上建立中国全国与城镇CPI的及时预测模型。模型以分布滞后模型为基础,采用Elastic-Net方法进行收缩估计进而实现变量选择。在确定最优惩罚因子和调整参数时采用了K重交叉验证技术。实证结果表明,搜索量变量与CPI具有显著的因果关系,在此基础上建立的预测模型经济含义合理,并能对CPI做出较精确的预测。同时,从模型均方误差角度看,基于Elastic-Net的变量选择显著优于基于逐步回归的方法,而城镇CPI预测模型也优于全国CPI预测模型。     

我国月度居民消费价格指数的预测方法与应用

文章用时间序列的BP神经网络和ARMA模型的方法对我国2005年1月～2011年5月的月度CPI进行了模型分析并检验了预测效果。对比分析表明,利用月度CPI时间序列的BP神经网络方法相比ARMA模型有更好的预测精度。     

居民消费价格指数的波动性分析

居民消费价格指数(以下简称CPI)在一定程度上反映了通货膨胀或紧缩程度,因此历来为各国政府和社会公众所关注.文章主要应用ARCH类模型对CPI年增长率的波动性进行了建模,结果表明该模型能有效拟合CPI年增长率的波动性特征;并根据分析得出我国市场经济还不成熟,需要进行有效调控,以更好地保持物价的稳定,促进经济快速发展的结论.     

我国宏观统计指标数据有效性的实证检验

为了研究我国宏观统计指标数据的有效性,文章采用CPI作为因变量,通过平稳性和单位根的检验,确定有效的滞后期;然后采用协整分析和格兰杰检验确定影响CPI的自变量,进行回归拟合和数据质量评估。结果表明,CPI的数据误差主要来源于随机因素而非模型与实际数据的系统偏离．因此可以判断该模型的拟合与预测效果非常优良。通过相对误差的波动规律发现,CPI数据的相对误差在区间[2％,2%内波动,而且主要集中在【-1％,1%这个范围内。因此总体来说,我国统计的CPI数据的质量的可信度处于较高的水平。     

德国BV4.1模型修正与中国CPI季节调整

居民消费价格指数(CPI)是衡量通货膨胀程度和经济活动水平的重要指标,通常要剔除季节性因素影响.本文对国际最新的BV4.1季节调整模型进行了系统的研究和软件开发,编写R程序增强了其实用性.首先考虑到了中国的节日因素,交易日因素和异常值,对2001年1月至2015年3月的CPI数据进行了预处理.在分离出季节成分以及日历成分之后,采用平滑区间和修正历史法进行模型诊断的研究.研究认为:CPI的趋势在短期内具有二阶多项式发展特征,节日因素、交易日影响和异常值不显著;实证结果表明,BV4.1的季节调整结果与其他模型如X-12-ARIMA和TRAMO/SEATS相比具有很强的稳定性.