BondClaw固收投研系列八：美国CPI和PCE的大模型预测

2026年08月10日BondClaw固收投研系列八：美国CPI和PCE的大模型预测 证券研究报告 时间序列基础模型的跨市场应用 张亮分析师SAC执业证书编号：S1450526030001zhangliang1@sdicsc.com.cn 在《BondClaw固收投研系列五：基于时间序列基础模型的中国CPI预测》中，我们以中国CPI为例介绍了时间序列基础模型的预测方法。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，在学习到普适的时序规律后，大模型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。本文把同一套方法应用于美国，预测CPI与核心PCE物价指数，模型仍为Chronos-2、不为任何指标单独训练，改变的只是分项结构与所用数据，体现了时间序列基础模型较强的可迁移性。 相关报告 BondClaw固收投研系列七：担保研究Skill，风险归集、传染与破局2026-08-09BondClaw固收投研系列六：AI辅助物价数据点评2026-07-30BondClaw固收投研系列五：基于时间序列基础模型的中国CPI预测2026-07-28 为什么预测美国CPI与核心PCE？ CPI决定通胀挂钩市场对政策路径的定价，核心PCE是美联储2%通胀目标的口径，两者每月发布，是全年最受关注的宏观数据之一。美国数据有两个特点使使用时间序列基础模型的预测方法更容易见效：分项权重与实时数据存档完整公开，且能源与核心PCE都存在发布前即可观测的驱动变量。 如何使用时间序列基础模型预测美国CPI与核心PCE？ 对于美国CPI，先把CPI拆成九个分项，由模型逐项预测月环比、再按劳工统计局逐年权重加总；其中能源分项由于有影响权重较大的高频数据支撑，先用周度汽油价格算出主体，模型只预测残差。对于核心PCE，预测时点设在当月CPI公布之后，由于当月核心CPI与核心PCE具有较强相关性，由当月核心CPI算出主体，模型预测两者的差额。 模型预测效果如何？ 在2013年8月至2026年6月的154个月滚动回测中，整体CPI月环比RMSE为0.142、核心CPI为0.141、核心PCE为0.078，预测精度与克利夫兰联储公开发布的即时预测（0.150、0.156、0.080）处在同一水平。核心PCE数据甚至RMESE和误差月度落在实际值±0.1个百分点以内的比例均略高于克利夫兰联储的即时预测。 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.时间序列基础模型的跨市场应用...............................................31.1.预测指标选择和回测窗口...............................................31.2.预测方法简介.........................................................32.如何使用时间序列基础模型预测美国CPI与核心PCE.............................42.1.美国CPI预测.........................................................42.2.美国核心PCE预测.....................................................53.风险提示....................................................................6 图表目录 图1.CPI预测流程图...........................................................4图2.整体CPI预测结果展示....................................................5图3.核心CPI预测结果展示....................................................5图4.核心PCE预测结果展示....................................................6 表1：美国CPI预测结果.......................................................4表2：与其他方法的比较.......................................................6 1.时间序列基础模型的跨市场应用 在《BondClaw固收投研系列五：基于时间序列基础模型的中国CPI预测》中，我们以中国CPI为例，介绍了时间序列基础模型（FoundationModel）的预测方法。而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，在模型学习到普适的时序规律后，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。本文把同一套方法应用于美国，预测美国CPI与核心PCE物价指数，模型仍为Chronos 2、不为任何指标单独训练，改变的只是分项结构与所用数据，体现了时间序列基础模型较强的可迁移性。 1.1.预测指标选择和回测窗口 CPI决定通胀挂钩市场对政策路径的定价，核心PCE是美联储2%通胀目标的口径。两者每月发布，是最受关注的宏观数据之一。美国宏观数据有两大特点使得时间序列基础模型的预测方法更容易见效：分项权重与实时数据存档完整公开，且能源与核心PCE都存在发布前即可观测的驱动变量。 由于美国经济数据会被反复修订。用今天修订后的数据版本进行历史回测，模型看到了当时不可能知道的信息，影响回测的真实性。但同时美国在数据上保留了历史存档数据，对于预测类的经济分析提供了比较高质量的数据基础。 因此本文的输入是圣路易斯联储ALFRED数据库存档的历史快照，复原每个预测时点上真实可见的序列；评判用BLS／BEA首次公布值，而非后来修订的结果；预测第T月时，只使用T−1月及之前已发布的信息，以及在预测时点已经确定的当月高频数据。 回测窗口由两重限制共同决定。其一，美国CPI分项的实时存档自2011年4月起才完整，早于此无法复原当时可见的分项数据；其二，克利夫兰联储的即时预测自2013年7月起逐月留存，这是本文的对照基准。两者叠加后，严格口径的回测窗口为2013年8月至2026年6月，共154个月。 核心PCE本身的实时存档自2000年8月起即已完整，单独回测可向前追溯十余年。本文仍将其窗口对齐到与CPI相同的154个月，主要目的是使两个指标的精度可以直接并列比较，并且与克利夫兰联储的对照期保持一致，以便进行精度的对比。 1.2.预测方法简介 对于美国的CPI预测，我们先将把CPI拆成九个分项，由模型逐项预测月环比、再按劳工统计局逐年权重加总；其中能源分项由于有影响权重较大的高频数据支撑，我们先用周度汽油价格算出主体，模型只预测残差。而对于核心PCE的预测时点设在当月CPI公布之后，且当月核心CPI和核心PCE具有较强的相关性，因此由当月核心CPI算出主体，模型预测两者的差额。 在2013年8月至2026年6月的154个月滚动回测中，整体CPI月环比RMSE为0.142、核心CPI为0.141、核心PCE为0.078，与克利夫兰联储公开发布的即时预测（0.150、0.156、0.080）处在同一水平，核心PCE有84%的月份误差在0.1个百分点以内。全部回测采用实时口径，模型输入为当时可见的数据版本，评判用首次公布值。 2.如何使用时间序列基础模型预测美国CPI与核心PCE 2.1.美国CPI预测 美国CPI由约二百个细分项构成。本文按发布前的可观测程度将其归为九项：有当月高频对应物的（能源）；有明确领先指标的（业主等价租金、主要居所租金、二手车）；以及只能依靠自身历史的（食品、核心商品除二手车、医疗服务、交通服务、其他核心服务）。九项覆盖CPI的全部权重。 基础模型对每个分项各做一次预测，再按美国劳工统计局公布的逐年相对重要性权重加总。 资料来源：国投证券证券研究所 克利夫兰联储的即时预测每日更新、逐月留存，且同样在数据发布前给出预测，是这一任务上公开可得的最强对照。本文方法在整体与核心CPI两项上均略优于它，但差距在统计上不显著，两者精度相当。整体CPI的RMSE为0.142，且有70%的预测结果误差范围仅在0.1以内。 其中由于核心CPI的整体变动幅度有限，且缺少高频数据匹配，时间序列基础模型和克利夫兰联储的预测相对于朴素基准AR(1)而言优势并不明显。但即使如此，时间序列基础模型中预测误差落在实际值±0.1个百分点以内的比例仍然明显高于其他两种方法。 资料来源：FRED，克利夫兰联储，国投证券证券研究所 图中虚线为80%预测区间，由九个分项各自的区间按其误差相关性合成，随波动自适应：2021至2022年物价急升时放宽，近两年低通胀阶段收窄。误差集中在整体CPI的能源急变月与2021年通胀加速的转折段，平稳月份两条曲线基本重合。 2.2.美国核心PCE预测 核心PCE的发布时点靠后，在CPI之后约两周。在CPI公布之后，其实核心PCE的大部分已经确定，因为两者共享大部分底层价格调查数据。差异主要来自三处：权重不同（PCE中房租权重明显低于CPI，医疗权重高得多）；范围不同（PCE包含由雇主和政府代为支付的部分，最典型的是医疗费用，这部分CPI完全不含）；医疗价格来源不同（PCE的医疗价格取自生产端口径，即医院与诊所的服务价格，而非居民自付价格）。 因此对核心PCE的做法是：预测时点设在当月CPI公布之后，先由当月核心CPI算出核心PCE的主体，再由基础模型预测两者之间的差额。 使用Chronos 2预测的核心PCE数据精度水平接近克利夫兰联储的即时预测，甚至RMESE和误差月度落在实际值±0.1个百分点以内的比例均略高于克利夫兰联储的即时预测，RMSE为0.078，误差≤0.1的比例为84%。即使是拉长到2000年开始的窗口，RMSE依然维持在0.108的位置，并且误差在0.1以内的比例为86%。 资料来源：FRED，克里夫兰联储，国投证券证券研究所 3.风险提示 （1）模型依赖预训练语料与历史规律，若物价形成机制、指标编制口径或宏观政策出现超出历史经验的结构性变化，预测精度可能明显下降。 （2）数据口径与修订风险：预测流程依赖EIA周度汽油零售价等高频数据，以及租金、批发车价等领先指标和BLS逐年公布的分项权重。若其可得性、统计口径或事后修订发生变化，将直接影响预测输入与结果。 （3）回测结果不代表未来表现：模型精度基于特定样本区间的滚动回测，样本外实际表现可能与回测存在差异。 分析师声明 本报告署名分析师声明，本人具有中国证券业协会授予的证券投资咨询执业资格，勤勉尽责、诚实守信。本人对本报告的内容和观点负责，保证信息来源合法合规、研究方法专业审慎、研究观点独立公正、分析结论具有合理依据，特此声明。 本公司具备证券投资咨询业务资格的说明 国投证券股份有限公司（以下简称“本公司”）经中国证券监督管理委员会核准，取得证券投资咨询业务许可。本公司及其投资咨询人员可以为证券投资人或客户提供证券投资分析、预测或者建议等直接或间接的有偿咨询服务。发布证券研究报告，是证券投资咨询业务的一种基本形式，本公司可以对证券及证券相关产品的价值、市场走势或者相关影响因素进行分析，形成证券估值、投资评级等投资分析意见，制作证券研究报告，并向本公司的客户发布。 免责声明 本报告仅供国投证券股份有限公司（以下简称“本公司”）的客户使用。本公司不会因为任何机构或个人接收到本报告而视其为本公司的当然客户。 本报告基于已公开的资料或信息撰写，但本公司不保证该等信息及资料的完整性、准确性。本报告所载的信息、资料、建议及推测仅反映本公司于本报