對中國基礎通貨膨脹指標的研究

Marlene Amstad 葉 歡 馬國南

對中國基礎通貨膨脹指標的研究

Marlene Amstad 葉 歡 馬國南

對于貨幣政策決策者和市場參與者來說，通貨膨脹都是個關鍵的宏觀經濟變量。論文建立了一個新的中國基礎通貨膨脹度量指標(CUIG)，可以區分趨勢和噪聲，可以按日計算，而且使用了可能影響通貨膨脹的大量經濟變量。該指標的構造方法以Forni等人2000年的動態因子模型研究成果為基礎，并已經在紐約聯儲和瑞士央行進行了成功的運用。和CPI相比，這個指標更平滑，但也不像傳統核心通脹指標那樣去除了過多波動性。這個指標能緊密追蹤CPI，同時能提供傳統核心通脹指標不包含的額外信息。最后，預測統計檢驗證明這個指標在不同的樣本區間對CPI的預測表現都好于傳統核心通脹指標。

通貨膨脹 動態因子模型 預測

一、導 言

通貨膨脹是重要的宏觀經濟指標。在大多經濟體中，度量通貨膨脹最重要的指標是各國統計部門公布的消費價格指數（CPI）或個人消費支出（personal consumption expenditures，PCE）指數的同比增長率，但這些官方通貨膨脹指標至少存在三個問題：一是短期波動明顯，很難判斷指標的變化是臨時性的還是發生了趨勢改變。二是只包含價格變量，而不包含會影響通貨膨脹的失業率和產出缺口等信息，即忽視了關于當前和未來通貨膨脹的許多其他可用信息。三是通常每月公布，這在正常情況下是夠用的，但在經濟出現劇烈波動的時期，例如在全球金融危機時，可能需要一個頻率更高的通脹指標。

為了解決波動性過大的問題，學者們提出了“核心通貨膨脹”方法。這些度量方法通過剔除波動性大的特定價格分項或者降低它們的權重來減小波動。最常見的核心通脹度量方法是剔除食品和/或能源價格。也有方法剔除某個時點特定比率（如25%）的最高和最低的價格變動，即“修削均值（trimmed mean）通貨膨脹”。這些方法假設大的價格變動是臨時性的，但剔除這些價格變動可能損失有助于預測通脹的信息。

為了解決信息少和頻率低的問題，也可以使用基于市場交易的通貨膨脹指標，例如根據通脹保值債券（treasury inflation protected securities，TIPS，或者叫實際債券）和名義債券（不提供通脹保值）收益率之差算出的盈虧平衡通貨膨脹率。這種通貨膨脹率每天都有數據，而且它反映的是市場對通脹的判斷，包括各種各樣的信息。但它具體包括哪些信息，它們的權重如何變化，都是不明確的。

中國已經每月公布兩種傳統的核心通貨膨脹度量：剔除食品的CPI（CPI_nf）和剔除食品及能源的CPI（CPI_nfe）。但中國目前沒有通脹保值債券，不能推算盈虧平衡通貨膨脹率。

在這篇文章中，我們建立了一個新的度量指標——中國基礎通貨膨脹指標（Chinese underlying inflation gauge，CUIG）。它更為平滑，是以一個大數據集為基礎的，并可以每日計算。要強調的是，我們的CUIG指標并不能被解讀為替代CPI的通貨膨脹度量指標，而是為了提供一個新的補充性的通貨膨脹信號。

CUIG以一個已經被證明非常有用的計量經濟模型為基礎，這個模型常用來為不同經濟體預測經濟增長（GDP）和通貨膨脹。在構造CUIG時，我們使用與構造美國通貨膨脹指標的紐約聯儲基礎通貨膨脹指標（FRBNY staff underlying inflation gauge）和瑞士通貨膨脹指標的瑞士央行動態因子通貨膨脹指標（SNB dynamic factor inflation）同樣的模型和參數設定 (Amstad,Ye and Ma,2014 and Amstad and Potter,2009；Amstad and_Fischer,2009a)。雖然文獻中有很多類似的GDP和通貨膨脹預測研究，但據我們所知，這是這種模型第一次應用于新興市場國家和中國。

本文主要構建了CUIG，并將它的統計特征與CPI和傳統核心通貨膨脹指標進行了比較。文章的其余部分結構如下：第二節介紹了估計方法。第三節討論使用的數據集，包括數據種類和質量，樣本長度和春節效應。第四節說明參數選擇的原因。第五節通過比較平滑性、與CPI的相關性以及和傳統核心通貨膨脹指標相比增加的額外信息來考察CUIG的統計特征。按照Cogley(2002)和其他學者的方法，我們也考察了不同基礎通貨膨脹指標進行通貨膨脹預測的相對表現。第六節做出結論：CUIG在經典預測檢驗中的表現超過了傳統核心通貨膨脹指標，為貨幣政策決策者和市場參與者提供了更多的信息。

二、方 法

我們選用的模型應該具有兩個特征 (Amstad,葉和馬，2015)：

首先，模型要能產生一個平滑的信號來區別噪聲和趨勢，同時又和傳統的核心通脹指標相反，不直接剔除變量。我們使用傅里葉變換來完成這個目標，它是把一個時間序列（所謂“時間域”）寫成若干個正弦函數（所謂“頻域”）的數學公式。單個正弦函數有三個特征：振幅（對平均值的最大偏離）、頻率（1秒內發生的循環個數）和相位（先行或滯后）。高頻率代表波動劇烈的時序，而低頻率代表平滑的時序。把時間序列轉化為在頻域上表達，使得研究者能區別噪聲和趨勢的定義，剔除明確定義的頻率帶寬。

其次，它應該能把多個變量綜合為一個或幾個變量。為了建立一個可以持續更新的信號，我們需要模型要能處理一個特別大的數據集。隨著時間的流逝，與通貨膨脹相關的變量可能發生變化，在中國這樣一個快速發展的新興市場經濟體中尤其如此。如果頻繁改變數據集，就很難判斷得到的信號的變化是因為數據集本身變化還是通脹形勢出現了變化。因此，應該盡量保持數據集不變，使數據集包含與通脹相關的盡可能多的變量，在每次更新時，模型將決定不同輸入變量的權重，來解釋每個時點通貨膨脹的變化。

從我們的需求看，因子模型是個很明顯的選擇。在因子模型中，Forni,Hallin,Lippi and Reichlin （2000）提出的廣義因子模型（后面簡稱為FHLR）特別適合我們的目的，因為它在平滑輸入變量時正是使用的傅里葉變換，而且它可以處理大量的數據。

假設一個i=1,…N個時序的面板，xit=（x1t,x2t…, xNt）′是0均值的寬平穩過程的實現，并把它看作是一個無窮序列的元素。在傳統的動態因子方法中，假設每個時間序列都有測量誤差，可以分解為兩個不可觀測的正交部分的和：

其中χit是共有的部分，由具有非奇異譜密度矩陣的q個動態共有沖擊ut=（u1t,u2t…,uqt）驅動，ξit是特異的部分，反映測量誤差和局部沖擊。bi（L）是s階滯后多項式的向量，反映因子動態。對于所有的k 和i，ξit都和共有沖擊ut-k是正交的。傳統的動態因子模型假設特異部分ξit都是相互正交的。Forni et al.（2000）提出了一個廣義動態因子模型，放松了這個假設，允許有限的動態相關性。由于正交性不再作為xit和ξit理論上的差異，就需要Forni et al. （2000）給出的其他假設。在滿足這些假設時，上面描述的模型就是個廣義動態因子模型。

為了根據每日公開的信息考察最及時的數據信息，我們使用的數據在末端是不平衡的。因此

有些序列結束于T期，其他則結束于T+1,…, T+w期。把變量xi,t重新排序為：

其中xJi,（tJ＝1,…,w）把變量根據最后一個觀測值的時點T+J-1分組。同樣的，協方差矩陣也分塊如下：

模型估計使用MATLAB軟件，所用程序根據Forni,Hallin,Lippi,and Reichlin(2000)的原始程序改編。

三、數 據

這一節討論了生成CUIG的數據集，討論了數據口徑和質量、樣本長度和春節效應。數據集是一個包含473個數據的面板，這些數據覆蓋了中國經濟的關鍵方面。

（一）數據范圍和質量

表1 中國和美國輸入變量的數量和構成

我們的數據集包括以下五個主要的種類：（1）價格；（2）經濟活動；（3）勞動力市場；（4）貨幣和信貸；（5）金融市場。在實踐中，我們盡量把數據集保持在可操作的規模，選擇每類數據中最典型的指標。

我們的數據集一共包含473個變量，而美國類似的通貨膨脹指標（Amstad,Potterand Rich,2014）有346個變量，瑞士（Amstad and Fischer,2009a and b）有454個變量。表1展示了中國和美國這五個種類數據的分布。由于目標變量是通貨膨脹，因此價格類是最多的，在中國占整個數據集近一半，在美國占三分之二。

具體來說，價格類包括所有主要的價格指標，例如CPI及其構成、零售價格指數（RPI）、生產者價格指數（PPI）、企業商品價格指數（CGPI）和進出口價格指數。經濟活動類包括名義和實際數據，例如工業增加值、投資、零售、貿易、住戶調查和公司調查。勞動力市場數據主要包括平均工資和總工資，就業和失業。貨幣和信貸數據包括關鍵的貨幣總量、銀行貸款和存款。金融市場數據包括利率、匯率和股票市場價格指數。最后，由于中國越來越融入全球市場，我們的數據集也包括主要的國際商品價格和中國最大的五個貿易伙伴的一些選定的數據。每個貿易伙伴占中國出口總量的百分比都不少于5%，合計占中國出口的70%。

我們的數據集有五個重要特征。第一，大多數數據變量是月度的，但一些經濟活動和勞動力市場變量是季度的，而大多數金融市場數據是日度的。

第二，最理想的情況是所有的時間序列都應該是名義值。但受數據可得性限制，我們也考慮以實際絕對額、名義同比增速和實際同比增速的形式存在的變量。

第三，數據集中所有數據都沒有進行季節調整，因為模型的濾子將以譜密度分析為基礎，統一地通過除去所有變量中某些高頻部分對所有變量進行季節調整。

第四，我們對受到春節效應影響的序列進行了調整，因為春節效應是因為春節在一月和二月不規則地移動，不符合規律的季節性模式。我們使用取1月和2月平均值的現實方法除去春節效應的影響。

第五，為了得到一個無偏的信號，數據集中所有數據都檢驗了平穩性并做了相應處理，對I（1）數據取一階差分，對I（2）數據取對數后差分。

根據菲利普斯曲線，勞動力市場狀況對通貨膨脹有較大影響。但中國勞動力市場數據目前覆蓋面有限，質量還不理想。我們還是把這些勞動力市場數據放進數據集中，因為未來隨著數據質量的提高，它們與通脹的相關性可能也會增強。我們也加入了住戶收入調查數據來補充工資數據，減弱它們的質量風險。

（二）樣本長度

模型要求所有的數據起始點相同，選擇數據集時需要同時權衡樣本大小和樣本長度。一方面，數據集應該盡可能大，能覆蓋上面討論過的所有數據。另一方面，為了得到穩定的通貨膨脹信號，數據集又要足夠長，要包含數個通貨膨脹周期。我們選擇數據集從2001年1月開始，主要是以下兩個原因：

首先，許多序列在2001年之后有更詳細的分項數據。另外，在20世紀末，中國大多數消費價格已經完成自由化，能更好地反映基礎通脹壓力。

其次，2000年至2001年，中國的通貨膨脹動態似乎發生了明顯的機制變化在2000年以前，中國的通貨膨脹率要高得多，而且波動很大，在超過20%的高峰和明顯通貨緊縮的低谷間波動。而在后一個時期，即2001年1月至2013年12月，中國經濟經歷了至少三個“表現良好”的通貨膨脹周期，通貨膨脹要比之前上世紀八十年代和九十年代的兩個周期低得多，波動性也小得多。另外，2000年之后中國的通貨膨脹動態更多地與國內和外部的周期性沖擊相關，與管制價格的自由化及投資和工資設定預算軟約束行為的相關性減弱（Kojima et al,2005）。

有很多因素可以解釋2000年之后通貨膨脹機制變化的原因，包括計劃經濟向市場經濟轉變，價格管制的放松，供給增加，宏觀經濟管理能力提高，逐漸變化的匯率機制和外部沖擊等（Giradin et al 2014）。中國2001年加入WTO也是其經濟的一個重要拐點，一是為了準備迎接更多的外國競爭，國內經濟進行了廣泛的結構改革，二是中國經濟越來越融入全球市場。選擇樣本起始點為2001年1月，可以提取一個反映最近的中國通貨膨脹模式的通脹信號。

樣本中仍有三分之一（176個）的數據序列的起始點在2001年以后。為了補齊數據開端的缺失觀測值，我們使用一個名為“搭橋”的簡單回歸方法。假設樣本范圍是t期到T期，短數據序列Y從t’期到T期，要補齊t期至t’期的Y的缺失值。首先，選擇另一個長度覆蓋整個樣本期的序列X作為Y的解釋變量，在t’期至T期估計一個簡單的線性回歸方程Y=α+β*X。然后，使用估計出來的參數α和β的值計算t期至t’期的Y的擬合值。最后把得到t期至t’期擬合值和t’期至T期的實際值放在一起，就得到完整的t期到T期的序列Y。在這個方法中，長序列X就像一座橋一樣，因此要仔細選擇與Y高度相關的X。在大多數情況下，我們選擇一個范圍更廣的全樣本變量作為其較短的子項的搭橋變量。

這種方法讓我們能補齊短數據前端的缺失值，同時不在數據集中引入額外的信息。我們比較了分別從整個數據集和剔除了補齊序列的數據集提取的信號，發現兩者非常相似，證明補齊的短數據并不會扭曲最終的信號。但我們還是數據集里加入這些短數據，因為它們可能在未來變得更加重要，能為通脹信號提供信息。

四、模型參數的確定

這一節討論使用第三節中的數據建立第二節中的模型需要選定的參數。主要需要確定兩個參數：一是每個輸入變量要除去的頻率帶的寬度（b），二是要估計的共有因素的個數（q）。

（一）對平滑程度的選擇

我們把短于12個月的頻率定義為噪聲。我們選擇剔除短于12個月的周期，主要基于三個考慮。

表2 CPI和不同頻率被去除的CUIG的標準差(S.D.)

首先，這個選擇背后的原理是貨幣政策通常不能影響一年內的通貨膨脹，因為貨幣政策存在時滯。其次，在美國和瑞士的案例中，紐約聯儲和瑞士央行的模型分別決定忽略短于1年的周期。第三，我們在表2和圖1左圖展示了CUIG對于不同帶寬的敏感性。如果去掉12個月以下的頻率，得到的CUIG保留了多于80%的CPI波動性。如果短于2年或3年的頻率被去掉，相應的CUIG波動性就分別跌至65%和49%。這樣波動性就下降過多，可能失去很多信息。

圖1 不同頻率被去除的CUIG

（二）因子數量的選擇

因子模型的主要特征是：它能把許多輸入變量的信息總結為有限幾個正交的因子。通常根據因子對輸入變量的聯合變化性的解釋份額排序，將其記為第一個、第二個、第n個因子。因子數量應該足夠高到能反映基礎輸入變量的特征，又要足夠低到確保模型的節儉性。對于宏觀經濟應用研究，學者們的共識是兩個因子就應該能反映輸入變量的特征。在構建基礎通脹指標時，常常直接認為這兩個因子分別反映實際的和名義的驅動因素。

數據來源：作者計算。

表3 CPI和不同因子個數的CUIG的標準差(S.D.)

在這篇文章里我們也使用兩因子方法，主要有三個原因。首先，在我們這個應用中，我們并不直接使用因子作為信號，而是用因子作為解釋變量對CPI進行回歸，將得到的估計值定義為CUIG。其次，在美國（Amstad,Potter and Rich,2014）和瑞士（Amstad and Fischer,2009b）的案例中，已經證明兩個因子是合適的。第三，敏感性分析顯示兩個以上的因子影響很有限。圖1右圖和表3給出了選擇因子個數為1、2、4、6和8時的CUIG結果。這些CUIG的拐點區別很小，但因子數定為1的CUIG明顯不同，它的標準差僅是目標變量CPI的66%。在選定因子個數為2及以上時，這個比率提高并停留在80%左右。

圖2 不同因子個數的CUIG

五、統計特征和預測表現

在這一節，我們對比傳統核心通脹指標，對CUIG進行評估，首先比較它們的統計特征，然后進行經典預測檢驗。

我們選擇對比的傳統核心通脹指標包括國家統計局公布的剔除食品的CPI（CPI_nf）和剔除食品及能源的CPI（CPI_nfe）。為了參考，我們也在預測檢驗中加入了一個中國人民銀行工作人員內部使用的核心通脹指標（UCPI），它剔除了波動性更大的新鮮食品價格而不是全部的食品價格以及一些政府定價產品的價格。為了比較預測能力，所有的序列都要2001年開始。我們同樣使用“搭橋”方法補齊這些核心通脹指標。

圖3 CPI、CUIG和傳統核心通貨膨脹度量

圖3顯示兩個傳統核心通脹指標的波動性大幅減小。CPI的波動范圍在-2%到+8%，而CPI_nf和CPI_nfe都只在-2%到+2%。在CPI的三次高峰中，有兩次傳統通脹指標都沒有提前警告債券投資者和政策決策者會有一個上升的通脹趨勢。

（一）統計特征

在這一節中，我們對比傳統核心通脹指標，使用三個統計標準“平滑性”、“與CPI的相關性”和“額外信息”評估CUIG的作用。

平滑性是一個好的通貨膨脹指標的重要特征，因為它減弱了決策者對短期波動的依賴。同時，作為通脹指標，它需要與CPI有較高的相關性。第三個標準是這個通脹指標是否能提供比公開的傳統核心通脹指標更多的信息。為了確保檢驗的穩健性，我們使用了兩種CUIG：以全部數據集為基礎的基準CUIG和以價格數據子集為基礎的CUIG（CUIG_ponly）。CUIG和CUIG_ponly使用同樣的構建方法和參數設定。

1、平滑性

根據標準差矩陣，CUIG和CUIG_ponly的波動性都比CPI低約20%，但都比傳統核心通脹指標高（表4）。這反映了一個在建立中國核心通脹指標時常常談到的困境（ADB (2008),Cheung et al (2008)）：從CPI中剔除食品價格減小了波動性，同時損失了寶貴的信息。雖然官方CPI中食品和能源價格的權重還未公布，但可以肯定的是這個權重比美國高得多（ADB,2008）。另外，如果從CPI中剔除食品和能源，CPI的波動性減小太多，同時也損失了可能對預測CPI非常有用的信息。CPI_nf把CPI的波動性減小了一半，CPI_nfe甚至減小了三分之二。

表4 標準差

2、與CPI的相關性

表5 相關系數

如表5所示，CUIG和CUIG_ponly都能緊密追蹤CPI，相關系數均約0.9-0.91。然而，傳統核心通脹指標如CPI_nf和CPI_nfe與CPI的相關系數就小得多（0.75和0.71）。UCPI與CPI的相關性最高，達到0.95。

3、額外信息

我們使用兩種統計方法評估一個通脹指標是否在統計上與另一個指標相似或不同：一是簡單的不同核心指標間的相關系數，二是主成分分析。

如果兩個通脹指標相關系數低，則它們是非常不同的通脹信號。如表5所示，CUIG和CUIG_ponly與傳統核心度量（剔除食品的CPI和剔除食品及能源的CPI）相關性最低（0.69-0.75）。同時，中國人民銀行監測的UCPI與傳統核心通脹指標和我們的CUIG、CUIG_ponly的相關系數均為0.8左右。很明顯CUIG和CUIG_ponly提供了與傳統核心通脹指標不同的信號，與剔除食品的CPI和剔除食品及能源的CPI區別更大。這個結論可以由CPI和所有考察的通脹指標的一個簡單的主成分分析（PCA）進一步證明。如表6所示，所有通脹指標96%的變動都能由兩個因子解釋。從各變量在前兩個主成分中的系數看，CUIG、CUIG_ponly和CPI相似，而CPI_nf和CPI_nfe則與CPI明顯不同，UCPI介于兩者之間。

表6 主成分分析

（二）預測表現

為了辨別出最好的基礎通脹度量，我們使用一個被廣泛接受設定背景（Rich and Steindel，2007）下的經典預測檢驗。

進行檢驗首先要選擇預測合適的樣本期。樣本期太長可能包括不同的通貨膨脹機制，而太短的樣本期可能在統計上不顯著，或者代表性不足。此外，在通貨膨脹表現非常平穩的時期，變化最小的信號（例如一個常數）可能比從前期波動較大的通貨膨脹中提取的信號表現更好。因此，要選擇一個通脹表現出顯著波動性的時期進行檢驗，而且要嘗試不同的子樣本區間。2001年之后的中國通貨膨脹在2008年之前比較平穩，而在2008年之后波動較大。然而，由于我們的樣本僅從2001年開始，而且估計期不能短于預測期，因此我們使用以下兩個預測樣本期：包含危機年份的2008-2013年，以及包含一個完整的上升下降通脹周期的2006-2013年。

首先我們考察形如估計方程（4）的預測結果：

其中πt是t期的通貨膨脹率，πmt代表要考察的核心通脹指標是使用至t期的數據估計的回歸系數。

估計從2001年開始。我們將CUIG的預測表現與CPI_nf和CPI_nfe比較。為了檢驗穩健性，在CUIG之外，我們也在預測檢驗中包括了CUIG_ponly。和預測表現評估的通常做法一致，我們也包括CPI本身的12個月滯后（CPI12）作為隨機游走基準。

表7表明CUIG和CUIG_ponly預測CPI的表現在完整周期和危機樣本中都明顯優于傳統核心通脹指標，CUIG的RMSE最低。為了進一步分析CUIG的預測表現，我們應用了Diebold-Mariano (1995)檢驗程序，以CUIG為基準，判斷其RMSE是否顯著優于其他各指標RMSE。我們得到了五個很有意義的觀察結果。

首先，CUIG的RMSE顯著低于傳統核心通脹指標，也低于CUIG_ponly。CUIG在2006-2013年完整周期和2008-2013的危機樣本中都顯著好于CPI_nf。只有在2008-2013年的危機年份中，相對于CPI_nfe，CUIG和CUIG_ponly優越性的顯著性水平是12%，不那么明顯。然而，在2006-2013年的完整周期中，CPI_nfe在3%的顯著性水平上比CUIG和CUIG_ponly表現得更差。

表7 預測表現

第二，結果表明CUIG和CUIG_ponly的預測誤差確實有顯著差異。這個結果與美國案例（Amstad, Rich and Potter,2014）中使用類似方法建立通脹指標并進行相同檢驗得到的結果相同。然而，在中國的案例中，顯著性水平略低。作為敏感性測試，我們對一個較短的樣本期做了同樣的評估，發現如果把樣本末端取2012年6月，CUIG和CUIG_ponly的預測誤差就沒有顯著差異了（見表8）。這個結果跟Holz and Mehrotra (2013)的發現是一致的，他們發現中國勞動力成本的提高沒有完全傳導至最終價格，在可貿易品部門和整個經濟體中都是如此。我們把這個解釋為中國CPI中某些價格變量，尤其是食品價格具有決定性影響的另一個證據。在中國CPI籃子中，雖然食品的權重沒有公開，但估計達到30%（ADB,2008），而在美國食品只占16%。以后食品變量的重要性可能下降，CUIG可能會表現得比CUIG_ponly更好。

第三，所有基礎通脹指標都比CPI本身的12階滯后表現好。并不讓人意外的是，在通貨膨脹波動特別大時，隨機游走預測在完整循環和危機樣本中都是所有指標中預測誤差最大的。

表8 不同樣本長度的預測表現比較

1、均方根誤差（Root Mean Square Errors，RMSE）。2、Diebold Mariano（DM）統計量。3、Diebold Mariano似然性（DM p值）。注：RMSE越小，則預測誤差越小。DM統計量及DM p值反映其他變量的RMSE是否與CUIG的RMSE存在顯著差異。數據來源：作者計算。

第四，傳統核心通脹度量CPI_nf和CPI_nfe在所有樣本中的預測表現都相當類似。這個結論和Rich and Steindel（2007）對美國的研究結論一致，證明不同的傳統核心通脹指標在預測表現上區別不大。

第五，常見的傳統核心通脹指標與其他指標相比的相對預測表現，在危機期間好于危機之前。這個結果也和Amstad,Rich and Potter（2014）對美國的研究一致。

（三）意義

總的來說，結果說明政策決策者和市場參與者使用不同的核心通脹指標互為補充是很有意義的。傳統核心通脹指標容易計算和解釋，而CUIG在預測中顯然表現得更好。UCPI看起來是兩者的混合，它在預測表現上與CPI_nf、CPI_nfe這兩個傳統核心通脹指標并沒有統計上的不同，但在統計分析中它被分到和CUIG一組，反映出某些相似性（這種相似性證明保留部分食品價格的重要性）。把CUIG和其他所有核心通脹指標區分開來的特征是：CUIG包含更多數據，而其他方法剔除數據。

一方面，剔除法指標具有容易計算和容易向公眾溝通的優點。另一方面，在某些特定價格分項（比如食品）變得不再重要的同時，勞動力市場和金融市場變得更加重要，這樣在預測通脹時加入額外數據可能越來越重要。總之，政策決策者和市場參與者可以使用我們討論過的所有的核心通脹指標，包括這個新建立的CUIG，共同判斷通脹趨勢。

六、結 論

這篇文章第一次介紹并建立了一個中國新的基礎通脹指標（CUIG），討論了建立該指標的模型的計算和參數設定。我們的模型和參數設定類似紐約聯儲基礎通貨膨脹指標和瑞士央行動態因子通貨膨脹指標。我們簡述了數據方面的挑戰，并對比其他傳統核心通脹指標（剔除食品的CPI和剔除食品及能源的CPI）比較了CUIG的統計特征和預測表現。CUIG能區分趨勢和噪聲，以大數據集為基礎，而且可以每日計算。這些特性使得CUIG和其他核心通脹指標明顯區別開來，它可以作為一個貨幣政策決策者和市場參與者使用的一個新的通脹度量。

CUIG比CPI波動小，但不像中國傳統核心通脹指標那樣丟失過多波動性。CUIG緊密追蹤CPI的走勢，同時能提供傳統核心通脹指標不具備的額外信息。最后，我們通過一個統計預測檢驗證明CUIG在不同的樣本區間對CPI的預測表現都優于傳統核心通脹指標。

［1］Amstad,M.，葉歡和馬國南 (2015):“對中國基礎通貨膨脹指標的研究”,中國人民銀行工作論文No.2015/5

［2］Altissimo,F.,A.Bassanetti,R.Cristadoro,M.Forni,M. Hallin,M.Lippi,L.Reichlin,and G.Veronese(2001): “EuroCOIN:A Real Time Coincident Indicator for the Euro Area Business Cycle”,CEPR discussion paper No. 3108

［3］Altissimo,F.,B.Mojon,P.Zaffaroni(2009):“Can aggregation explain the persistence of inflation?”,Journal of Monetary Economics,vol.56,no.2,pp.231-241

［4］Amstad M.,Simon Potter and Robert Rich(2014):“The FRBNY staff Underlying Inflation Gauge(UIG)”,FRBNY Staff Report,No.671 and BIS Working Paper,No.453

［5］Amstad M.,Ye Huan and Guonan Ma (2014):“Developing an Underlying Inflation Gauge for China”,BIS working paper,No.465

［6］Amstad,M.and Simon Potter(2009):“Real-time Underlying inflation gauge for Monetary Policy Makers”, FRBNY Staff Report,No.420

［7］Amstad M.and Fischer A.(2009a):“Are Weekly Inflation Forecasts Informative?”,Oxford Bulletin of Economics and Statistics,2009,Vol.71,Issue 2(04)

［8］Amstad M.and Fischer A.(2009b):“Do macroeconomic announcements move inflation forecasts?”,Federal Reserve of St.Louis Review,2009,II 91 (5 Part 2), 507-518

［9］Asia Development Bank(2008):“Dealing with inflation”, in Asia Economic Monitor,pp 48-66,July.

［10］Borio,C.and A.Filardo(2007):“Globalisation and inflation:New cross country evidence on the global deter-minants of domestic inflation”,BIS Working Paper,no 227

［11］Cheung,L.,J Szeto,C.Tam and S.Chan(2008):“Rising food prices in Asia and implications for monetary policy”,Hong Kong Monetary Authority Quarterly Bulletin,September,pp 1-10

［12］Cogley,T.(2002):“A Simple Adaptive Measure of Core Inflation”,Journal of Money,Credit and Banking,Vol. 34.No.1,February,pp.94-113

［13］Cristadoro,R.,M.Forni,L.Reichlin,and G.Veronese (2005):“A Core Inflation Index for the Euro Area”, Journal of Money,Credit and Banking,vol.37,no.3,pp. 539-560

［14］Diebold,F.and R.Mariano(1995):“Comparing Predictive Accuracy”,JournalofBusiness and Economic Statistics,vol.13.no.3,pp.253-263

［15］Funke,M.,A.Mehrotra and H.Yu (2014):“Tracking Chinese CPI inflation in real time“,Empirical Economics,vol.47,July

［16］Forni,M.,M.Hallin,M.Lippi and L.Reichlin(2000): “The generalized factor model:identification and estimation”,The Review of Economics and Statistics,vol.82, pp.540-554

［17］Giannone,D.,L.Reichlin,and L.Sala (2005):“Monetary Policy in Real Time”,NBER Chapters,in:NBER Macroeconomics Annual 2004,Volume 19,pp.161-224

［18］Giannone,D.and T.D.Matheson(2007):“A New Core Inflation Indicator for New Zealand”,International Journal of Central Banking,vol.3(4),pp.145-180,December

［19］Girardin,E.,S.Lunven and G.Ma (2014):“Inflation and China’s monetary policy reaction function:2002-2013”,BIS Papers 77,pp.159-170

［20］Holz,Carsten and Aaron Mehrotra (2013):“Wage and price dynamics in a large emerging economy:The case of China”,BIS Working Papers 409

［21］Kojima,R.,S.Nakamura and S.Ohyama (2005):“Inflation Dynamics in China”,Bank of Japan Working Paper Series,No.05-E-9

［22］Reis,Ricardo,Mark W.Watson (2010):“Relative Goods'Prices,Pure Inflation,and the Phillips Correlation”,American Economic Journal:Macroeconomics,vol. 2(3),pp.128-57,July

［23］Rich,R.and C.Steindel (2007):“A Comparison of Core Inflation”,Federal Reserve Bank of New York E-conomic Policy Review

［24］Sargent,T.and C.Sims(1977):“Business cycle modeling without pretending to have too much a priori economic theory”,Working Papers55,FederalReserve Bank of Minneapolis

［25］Shu and Tsang(2005):“Adjusting for the Chinese New Year:an operational approach”,HKMA Research Memo 22/2005.

［26］Stock,J.H.and M.W.Watson(1999):“Forecasting Inflation”,Journal of Monetary Economics,vol.44(2),pp. 293-335,October

［27］Watson (2004):“Comment on Giannone,Reichlin and Sala's'Monetary Policy in Real-time”,June 2004

［28］Zhang Xiaojing(2012):“China’s Inflation:Demand-Pull orCost-Push?”,Asian Economics Papers 11:3,pp. 92-106

Developing an Underlying Inflation Gauge for China

Marlene Amstad,YE Huan,MA Guo-nan
Statistics and Analysis Department,the People's Bank of China,Beijing 100800

Current and prospective inflation matters a lot to monetary policy makers and market participants.This paper develops a new underlying inflation gauge for China (CUIG)which differentiates between trend and noise,is available daily and uses a broad set of variables that potentially influence inflation.Its construction follows the works at other major central banks and adopts the methodology of a dynamic factor model developed by Forni et al. (2000).Our CUIG is less noisy but still closely tracks the headline CPI.It does not suffer from the excess volatility reduction that plagues traditional core inflation measures and instead provides additional information.Finally,when forecasting the headline CPI,our CUIG outperforms traditional core measures over different samples.

Inflation;Dynamic Factor Model;Forecast

F830

A

本文是中國人民銀行調查統計司和國際清算銀行（BIS）亞太代表處合作研究的成果

Marlene Amstad，國際清算銀行經濟顧問；研究方向：金融學

葉歡，中國科學院數學與系統科學研究院博士研究生，任職于中國人民銀行調查統計司；研究方向：金融學；北京，100800

馬國南，經綸國際經濟研究院和Bruegel資深研究員；研究方向：金融學