2026年宏观经济深度报告：宏观量化系列，中国CPI预测模型研究

数据与样本说明

本研究的主要目的为在系统整理与更新居民消费价格及相关宏观、价格类历史数据 的基础上，建立可重复估计的时序模型，对未来一个月的 CPI 环比水平进行定量预测， 并刻画与更新未来一年 CPI 的演变路径与总体走势，从而为短期中国平均价格与通胀 水平与中期趋势判断提供数据支持与可检验的预测基准。

1.1. CPI 数据说明

本研究使用的居民消费价格指数（CPI）及相关变量均为月度频率，时间索引统一 为各自然月月末（与官方常用发布节奏一致）。CPI 部分包含全国 CPI 总指数环比、食 品类环比与非食品类环比，数据来源于项目配置的原始指标序列，经与宏观及价格类外 生序列按月末对齐、合并后形成分析用面板。环比指标刻画相邻两个月之间的价格变化， 解读时需结合春节等季节性因素。

1.2. 外生变量说明

外生变量的选择遵循“先理论分层、后统计筛选、再经济解释校验”的原则：首先 从货币政策、实体经济、食品价格和外部输入四个方向构建候选变量池，分别覆盖流动 性与利率环境、景气与生产端变化、主要食品品类价格波动以及国际大宗与输入型成本 冲击；随后在统一样本区间内对候选变量与 CPI（及相关分项）进行格兰杰因果检验， 保留在统计意义上具有显著领先信息的变量；最后结合变量发布时点、可得性和传导机 制的经济学合理性进行二次筛选，剔除虽显著但解释性弱或稳定性不足的指标，形成用 于建模的候选外生变量集合。

1.3. 样本空间说明

本研究的数据样本空间按“完整可比、统一频率”原则构建：先将 CPI 及全部候选 外生变量按时间对齐，再截取各变量均有有效观测的共同时间区间，最终形成 2010 年 1 月至 2025 年 12 月的月度面板样本。对频率处理方面，若变量原始口径已为月度， 则直接使用；若变量为日频，则先按自然月聚合为月度均值后再并入面板，以保证模型 输入在同一时间粒度下可比。完成频率统一后，对样本进行缺失值检查与一致性约束， 仅保留全字段可用的月份用于估计与评估。季节性事件处理上，研究额外构建春节虚拟 变量：根据每年农历春节对应公历日期，将其映射到所在自然月，春节当月记为 1、其 余月份记为 0，并随月度面板一并进入模型，用于刻画春节错位对价格环比的结构性影 响。

外生变量筛选逻辑

本研究从货币政策、实体经济、食品价格和外部输入四个方向构建候选变量池，分 别覆盖流动性与利率环境、景气与生产端变化、主要食品品类价格波动以及国际大宗与输入型成本冲击。

2.1. 量化角度初步筛选

本研究在构建 CPI 预测模型前，对候选外生变量与 CPI 及必要时分项进行格兰杰 因果检验，在指定最大滞后阶数下检验在控制各自历史信息后，候选变量是否对 CPI 的预测具有统计上显著的边际解释力。通过该步骤，可在较宽变量池中筛除与 CPI 动态 关系不显著或方向不稳定的指标，缩小后续建模与样本外评估的负担，并降低仅凭主观 叙事堆砌变量的风险。 选择格兰杰因果检验的原因在于：其一，它面向时间序列预测问题，直接回答“过 去信息是否有助于预测未来”，与滚动预测目标一致；其二，检验在向量自回归框架下比 较嵌套模型，具有明确的统计假设与可复现的显著性标准，便于在报告中披露与复核； 其三，它并不等同于经济学意义上的“真实因果”，但能作为数据层面的先导性筛选，与 经济学理论分层（货币、实体、食品、外部输入）相结合，可在统计显著与经济可解释 之间取得平衡。

2.2. 经济学解释角度筛选

从经济学上看，食品 CPI 的短期波动主要由供给冲击、节日消费节奏与“猪周期” 主导，因此格兰杰检验虽显示美元汇率与 PMI 等宏观变量也可能含有预测信息，但它 们对食品分项的作用往往是间接且多通道叠加的：汇率更多通过进口大宗与能源成本传 导，且与本土鲜菜、猪肉等篮子的联动存在时滞与结构性干扰；PMI 则刻画广义景气与 工业品需求，对食品价格的映射不如高频农产品价格直接。相较之下，春节虚拟变量刻 画的是统计与消费日历上的强季节错位；蔬菜批发价直接对应鲜菜分项的成本与预期； 猪肉批发价与能繁母猪存栏分别从价格边际与供给领先两个维度锁定“猪周期”核心机 制，变量含义与食品 CPI 的微观传导链条一致、可解释性更强。因此本研究优先保留 与食品价格形成机制距离更近、传导路径更清晰的春节、蔬菜批发价、可繁育母猪存栏 与猪肉批发价作为食品侧最终候选变量，而将汇率与 PMI 等更偏总量与外部金融条件 的指标留给非食品或宏观叙事层使用。 非食品 CPI 更多反映能源与工业消费品、服务与居住相关价格的边际变化，其波动往往与全球大宗、国内景气与成本传导联系更紧。春节虚拟变量同样重要，因为春节 会同时扰动出行、服务与部分非食品消费与统计节奏。布伦特原油价格直接锚定国内燃 料与能源相关分项及广泛的成本推动链条；制造业 PMI 刻画需求与生产景气，与非食 品中工业品、可选消费的价格动量更为贴近。CRB 大宗商品综合指数则把能源、金属与 部分农产品价格压力汇总为广义输入型通胀的代理，比单一油价更能捕捉外部价格环境 的整体松紧。相较之下，PPI 同比虽与成本端相关，但更偏生产端出厂价，且与油价、 CRB 商品指数信息高度重叠，容易带来多重共线而边际增益有限；M1、M2 同比属于 货币金融条件，对非食品价格的映射路径长、领先关系不稳定；蔬菜批发价则主要驱动 食品分项，与非食品篮子的经济距离较远。因此在格兰杰显著的前提下，最终非食品侧 优先保留春节变量、布伦特原油价格、制造业 PMI 指数与 CRB 商品指数作为候选。

模型选择与评估方式

3.1. SARIMAX 模型

本研究采用 SARIMAX（季节性自回归滑动平均外生变量）模型，主要出于三方面 考虑：其一，该类模型在计量经济学与宏观经济实证研究中长期使用，理论成熟、估计 与推断路径清晰，便于与既有文献对照并保持结果可复现；其二，CPI 环比存在较为明 显的年度季节结构，SARIMAX 通过季节差分与季节项能够显式刻画其周期性，精准捕 捉其季节性趋势；其三，模型在自回归结构基础上可纳入外生变量，将宏观与高频价格 信息并入方程，在控制序列相关的同时考察外生冲击的边际影响。与以预测精度为导向、 结构往往难以拆解的机器学习方案相比，SARIMAX 的系数、滞后阶数与外生项具有直 接的经济与统计含义，系数符号与显著性可作为解释依据，整体可解释性更强，更适合 本研究在预测之外兼顾机制叙述与政策讨论的需要。 本研究 v20 对食品与非食品 CPI 环比分别设定 SARIMAX。食品侧采用 (2,1,0) ×(1,0,1,12)：非季节部分先作一阶差分，再在差分序列上用二阶自回归刻画短期惯性； 季节部分在周期 12 上配置一阶季节自回归与一阶季节滑动平均且不做季节差分，用于 吸收年内固定节奏下的季节相关，而不额外强加“季节单位根”结构。非食品侧采用 (1,0,1)×(1,1,1,12)：水平序列上使用 ARMA(1,1)，使冲击的影响可平滑延续若干期；季 节部分对 12 个月周期作一阶季节差分，并配以季节 AR(1) 与季节 MA(1)，对应非食 品环比存在以年为尺度的随机季节成分，与非季节短期动态分开刻画。

3.2. 合成权重说明

由于在公开材料中无法完整复现统计局对总 CPI 环比的链式分解与分项权数生成 规则，本研究在将食品与非食品分项预测合成为总 CPI 环比时，对食品权重采用过去 12 个月官方公布食品权重的算术平均值作为下一期合成所用权数，非食品权重由互补 关系得到。该做法的合理性在于：一方面，下月权重在预测时点不可观测，只能基于历史信息外推，而篮子结构通常缓慢变化，对近 12 个月取均值可在跟踪结构漂移的同时 平滑单月噪声与数据修订；另一方面，相较单月上期权重或需额外校准参数的指数加权 方案，12 个月均值规则透明、参数少、便于复核，从而降低因权数设定带来的争议成 本。

3.3. 模型评估方式

本研究对模型表现的评估采用固定长度的滚动样本设计：在完整历史数据中，按规 则每次截取连续十二年的样本窗口，其中前十一年用于模型估计与参数识别，最后一年 作为样本外测试集，并仅以该测试年的 RMSE 衡量当期预测精度。首轮测试区间设定为 2023 年 1 月至 2023 年 12 月；此后将上述十年窗口整体向后平移六个月，重复构造 测试集，共进行五轮评估，从而得到五组相互衔接、覆盖不同宏观阶段的样本外表现。 最终模型的选择不仅取决于五轮测试 RMSE 的平均水平，还结合各轮误差波动与尾部 表现以及方向识别能力，在精度与跨阶段稳定性之间权衡，选取 RMSE 相对较低且五 轮表现最为稳健的规格作为本研究的最终模型。