BondClaw固收投研系列五：基于时间序列基础模型的中国CPI预测

总结

本文探讨了使用时间序列基础模型进行中国CPI预测的方法，并以Amazon的Chronos-2模型为例进行了实践。

核心观点

• 时间序列基础模型通过在海量跨领域序列上预训练，学习普适的时序动态规律，可以对从未见过的新序列进行零样本预测，无需为每个指标单独建模。
• 基础模型在宏观经济数据预测中具有优势，尤其是在样本稀缺的情况下，其泛化能力可以超过专门建模的贴合收益。
• 基础模型的价值在于其可复制性，同一套流程可以低成本复制到PPI、进出口、工业增加值等指标，搭建覆盖一篮子经济数据的自动预测体系。

关键数据和研究结论

• 零样本预测CPI同比的RMSE为0.553，不如随机游走方法。
• 剥离翘尾因素后，零样本预测环比RMSE为0.380，基于预测环比重建的CPI同比RMSE为0.377。
• 基于CPI分解和经济协变量的预测方法，在77个月滚动回测中样本外RMSE降至约0.21，精度高于SARIMA、随机森林和分析师一致预期。
• 预测区间具有自适应机制，实际值落在区间内的比例约为83%。

方法论

• 将CPI预测分为两层：
  • 第一层：使用菜价、猪肉、汽油等高频数据对食品和非食品CPI环比进行初步预测。
  • 第二层：使用Chronos-2模型，结合背景经济变量和春节日历对食品和非食品CPI环比的残差进行预测。
• 最后按统计局公布的分项权重合成CPI同比，并输出预测区间。

未来趋势

• 将预测过程智能体化，让大模型智能体自己调用工具、收集信息、生成基线，并反复修正，进一步提高预测效率和精度。
• 分析师的角色将从亲手搭流程转变为给智能体定规则、配工具、做校准，将判断力留给更关键的地方。

风险提示

• 结构性变化导致模型失效。
• 数据口径与修订风险。
• 回测结果不代表未来表现。