BondClaw固收投研系列五：基于时间序列基础模型的中国CPI预测

2026年07月28日 BondClaw固收投研系列五：基于时间序列基础模型的中国CPI预测 证券研究报告 引言 张亮分析师SAC执业证书编号：S1450526030001zhangliang1@sdicsc.com.cn 在前期BondClaw系列报告中，我们阐述了AI赋能固收投研的理念，并介绍了AI如何在多个环节辅助信用研究。那么，在宏观研究领域，AI能做什么？宏观研究中，最常见的工作之一便是宏观经济数据预测。传统的宏观经济数据预测，对不同的宏观经济数据要建立不同的计量模型、高频数据拟合模型。AI时代，大语言模型的发展日新月异，数据拟合、数据预测等更加便捷，那么有没有更便捷、更高效的方式来进行中国宏观经济数据预测？为此，我们以中国CPI预测为例，来阐述我们在大模型预测中国宏观经济数据领域的尝试。 相关报告 BondClaw固收投研系列四：Skill中间件架构赋能，以周度回顾场景为例2026-07-24BondClaw固收投研系列三：构建可靠数据源的工程化实践2026-05-26BondClaw固收投研系列二：人机协同的REITs公告批量搜集实践2026-04-26AI辅助固收投研实务系列开篇：信用债复杂场景下，AI嵌入真实研究工作流的标杆案例2026-04-17 时间序列基础模型介绍 时间序列基础模型是在海量跨领域序列上预训练的大型模型，学到普适的时序动态规律后，可对从未见过的新序列做零样本预测，无需为每个指标单独建模训练，其使用方式接近大语言模型：加载即用、把历史数据作为上下文输入。它之所以可行，在于不同领域的序列共享大量可迁移模式（趋势、季节、均值回复、冲击衰减等），预训练带来的泛化收益往往超过单序列专门建模的贴合收益，这对观测样本稀缺的月频宏观数据尤其有价值。 如何使用时间序列基础模型进行CPI预测 本文以中国CPI预测为例做了一次完整实践，使用Amazon于2025年发布的Chronos-2。直接对CPI同比做零样本预测效果不佳；引入经济结构分解后精度大幅改善。剥离可解析的翘尾因素，再用高频数据（菜价、猪肉、汽油）先行解释食品与非食品的可直接归因部分，剩余残差交由模型结合宏观协变量与春节日历预测，最后按分项权重合成同比并输出区间。完整流程在77个月滚动回测中样本外RMSE降至约0.21，精度高于其他传统方法。 时间序列基础模型在宏观分析的作用 基础模型把传统的“建模工程”压缩为更清晰的“数据工程”，其价值不在单一指标的精度突破，而在于同一套流程可低成本横向复制到PPI、进出口、工业增加值乃至海外指标，搭建覆盖一篮子经济数据的自动预测体系。但模型无法替代经济判断：预测什么、用什么数据、数据间关系如何，每个决定都来自对经济指标的实际理解。恰当的定位是把基础模型当作一条低成本、有纪律、带区间的新基线，最终观点仍由分析师形成。 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。 内容目录 1.引言.......................................................................32.时间序列基础模型...........................................................32.1.什么是时间序列基础模型？.............................................32.2.为什么基础模型可以做时间序列预测？...................................42.3.经济与金融领域的应用.................................................43.使用时间序列基础模型进行中国CPI预测.......................................53.1. Chronos模型介绍......................................................53.2.零样本预测...........................................................53.3.基于CPI分解和经济协变量的预测.......................................63.4.与常见预测方法的比较.................................................74.时间序列基础模型的作用.....................................................84.1.从“建模工程”到“数据工程”...............................................84.2.未来可能的趋势.......................................................95.风险提示...................................................................9 图表目录 图1.零样本CPI同比预测......................................................6图2.零样本CPI环比预测......................................................6图3.CPI预测流程示意.........................................................6图4.预测CPI与实际CPI.......................................................7图5.与常见方法的对比（RMSE）................................................7 表1：主流时间序列基础模型全览...............................................3表2：Chronos-2的基本特点....................................................5表3：与常见方法的对比.......................................................8表4：两条预测路径的对比——从“建模工程”到“数据工程”.....................8表5：预测范式的演进趋势.....................................................9 1.引言 在前期BondClaw系列报告中，我们阐述了我们关于AI赋能固收投研的理念，并介绍了AI如何在多个环节辅助信用研究。那么，在宏观研究领域，AI能做什么？ 宏观研究中，最常见的工作之一便是宏观经济数据预测。就国内经济而言，包括制造业PMI、物价数据、金融数据、经济数据、工业企业利润数据等。 传统的宏观经济数据预测，对不同的宏观经济数据要建立不同的计量模型、高频数据拟合模型，这些工作大多可以通过代码形式实现。AI时代，大语言模型的发展日新月异，数据拟合、数据预测等更加便捷，那么有没有更便捷、更高效的方式来进行中国宏观经济数据预测？ 为此，我们以中国CPI预测为例，来阐述我们在大模型预测中国宏观经济数据领域的尝试。 2.时间序列基础模型 2.1.什么是时间序列基础模型？ 基础模型（FoundationModel）指在大规模、多样化数据上训练、可服务多种下游任务的大型机器学习模型。将这一思想移植到时间序列领域，就得到时间序列基础模型：在海量跨领域序列（能源、气象、交通、零售、网络流量等）上预训练一个大型Transformer，让它学到普适的时序动态规律，从而对从未见过的新序列做零样本（zeroshot）预测，而不需要为每个任务单独建模、训练与调参。其技术本质和大语言模型类似，主要是使用训练语言模型的方法，用海量的时间数值序列作为基础的训练材料。 这打破了传统时间序列分析一个序列训练一个模型的范式。传统上，预测CPI要建CPI的模型，预测PPI要另建PPI的模型，换一个国家、换一个频率都要重来；基础模型则是一个通用模型应对多种序列，其使用方式更接近大语言模型：加载即用，把历史数据作为上下文输入，模型直接给出预测。 而且和通用基础模型相比，由于时间序列基础模型专精于时间序列领域，模型的体量并不大。主流零样本版本多在1～3亿参数，即便是最大的十亿级稀疏MoE（如Timer-S1，总参8.3B、每次仅激活0.75B），也远小于千亿级的大语言模型。这意味着，对于个人而言仅仅使用笔记本电脑也可以轻易使用这些模型。 目前主流的时间序列基础模型如表1所示： 2.2.为什么基础模型可以做时间序列预测？ 基础模型的可行性建立在不同领域的时间序列可能共享大量可迁移的模式，如趋势、多重季节、均值回复、波动聚集、冲击衰减。在足够大且足够多样的语料上预训练后，模型积累下来的模式，远超任何单一序列自身所能提供的信息，面对新序列时依靠泛化能力匹配已学模式，这正是零样本预测的原理 预训练模型“见多识广”带来的泛化收益，可以超过专门建模的贴合收益，对样本本就稀缺的月频宏观数据，这一点尤其有吸引力，比如中国的许多宏观经济数据一共只有几百个观测，任何深度模型从零训练都严重欠数据，而基础模型不需要在这些数据上训练。模型的经验来自预训练语库，目标的经济序列只作为推理时的上下文输入，可以被充分使用。 2.3.经济与金融领域的应用 时间序列基础模型的能力最初主要在数据量大、采样频率高的工业与商业场景中得到验证，比如电力负荷、交通流量、气象、零售需求、云计算运维监控等——这些场景数据密集、天然适合大规模预训练与基准评测，也是Chronos、TimeGPT、Moirai等主流模型最早公布测评结果的主战场。相比之下，宏观经济数据频率低、样本稀缺，相关落地起步更晚。 但目前在经济领域，这一路线也有一些机构级的实际应用实践： 国际清算银行自建的BISTRO模型（2026）。BIS的BISTRO在Moirai架构上用BIS宏观数据库微调，既能做无条件的基线预测，也支持在给定协变量未来路径下的条件情景分析。回溯检验中，它正确预判了2021～22年通胀上行的持续性，而传统基准当时仍在机械地向历史均值回归；它还能捕捉油价对通胀的非对称、非线性传导：油价下跌的影响小于等幅上涨，大涨的影响则被超比例放大。这种细微的复杂机制是传统计量模型难以直接捕捉的。 MACROCAST宏观时间序列模型（2026）。这是首个严格排除预训练数据污染与数据修订偏差的宏观时间序列基础模型：预训练只用合成数据，以排除时间污染；微调只用每个时点当时可 得的数据版本，以排除修订偏差。在FRED-MD数据库123个序列、约300个月度起点的实时评测中，它在约80％的组合上优于AR(1)基准 而以新西兰联储基准为对照的研究显示，Chronos、Moirai、TimeGPT在多个预测期上预测新西兰GDP，与新西兰联储使用的集成模型、因子模型互有胜负，且显著优于ARIMA等经典计量方法。 3.使用时间序列基础模型进行中国CPI预测 3.1.Chronos模型介绍 本文使用的基础模型是Amazon于2025年10月发布的Chronos-2。这是一个120M参数的开源模型，可以处理单变量、多变量以及带协变量三类预测任务，并且原生支持带分位数即预测区间的输出。 相比只能处理单条序列的早期基础模型，第二代Chronos模型对于协变量的支持对于经济指标的预测更有帮助。除了目标序列之外，模型可以同时接入其他协变量（包括只有历史值的协变量以及在预测时点已经确定的未来变量），模型可以结合这些变量做条