河南省居民消費(fèi)價(jià)格指數(shù)預(yù)測(cè)

李海洋

摘要：為提高CPI建模精度，本文使用SARIMA、SARIMA-LSTM、LSTM三個(gè)模型對(duì)河南省月度CPI進(jìn)行建模預(yù)測(cè)。研究發(fā)現(xiàn)SARIMA-LSTM模型效果最優(yōu)，可以反映河南省居民消費(fèi)價(jià)格指數(shù)的真實(shí)狀況，用于CPI實(shí)際預(yù)測(cè)。

關(guān)鍵詞：SARIMA;SARIMA-LSTM;LSTM

中圖分類號(hào)：F23文獻(xiàn)標(biāo)識(shí)碼：Adoi：10.19311/j.cnki.16723198.2020.25.047

對(duì)于CPI，建立合適的模型，提高其預(yù)測(cè)精度，對(duì)政府制定宏觀經(jīng)濟(jì)政策具有極大現(xiàn)實(shí)意義。現(xiàn)在，對(duì)于CPI預(yù)測(cè)，不同學(xué)者進(jìn)行了許多研究。研究方法主要分為兩種：

（1）單一模型法，如ARIMA、SARIMA、灰色模型法等。袁志強(qiáng)、陳銳使用ARIMA模型利用R軟件對(duì)國(guó)內(nèi)CPI進(jìn)行了短期預(yù)測(cè)，倪穎、年靖宇對(duì)重慶市CPI進(jìn)行了預(yù)測(cè);張?zhí)鹑饘?duì)陜西省CPI建立了SARIMA模型;李志超、劉升對(duì)上海市CPI建模，發(fā)現(xiàn)ARIMA和灰色模型效果相當(dāng)，回歸模型較差。

（2）組合模型法，如ARIMA-SVM、ARIMA-BP等。梁曉瑩基于ARIMA和SVM根據(jù)整體誤差最小化原則對(duì)鄭州市CPI進(jìn)行組合預(yù)測(cè)，比單一模型效果好。吳曉峰、楊穎梅和陳垚彤利用BP擬合ARIMA殘差，整體效果較優(yōu)。

深度學(xué)習(xí)中長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM），對(duì)于非線性數(shù)據(jù)擬合較好，并且在金融、醫(yī)學(xué)、水文等時(shí)間序列預(yù)測(cè)領(lǐng)域已取得不少進(jìn)展。歐陽(yáng)紅兵、黃亢和閆洪舉使用LSTM對(duì)道瓊斯工業(yè)指數(shù)日收盤(pán)價(jià)進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)LSTM能捕獲序列的短期和長(zhǎng)期態(tài)勢(shì)，效果較優(yōu)。李琳等將LSTM用于新疆地區(qū)慢性阻塞性肺病的月門(mén)診量進(jìn)行預(yù)測(cè)，并與ARIMA比較，發(fā)現(xiàn)LSTM精度較高。胡慶芳等將LSTM用于漢江上游安康站日徑流預(yù)測(cè)，發(fā)現(xiàn)多因素條件下效果較好。

綜上所述，關(guān)于CPI預(yù)測(cè)并未有統(tǒng)一的方法。并且，較少有學(xué)者結(jié)合SARIMA對(duì)線性擬合和LSTM對(duì)非線性擬合的優(yōu)勢(shì)對(duì)CPI進(jìn)行建模預(yù)測(cè)。本文以河南省月度同比CPI為研究對(duì)象，嘗試使用SARIMA-LSTM對(duì)其建模，以探究其在CPI預(yù)測(cè)中的效果。

1模型簡(jiǎn)介

1.1SARIMA模型

對(duì)于隨機(jī)時(shí)間序列yt，季節(jié)性移動(dòng)平均差分自回歸SARIMA（p，d，q）（P，D，Q）s，公式如下：

ΦpLAPLs（ΔdΔDsyt）=ΘqLBQLsvt（1）

其中，Δd表示非季節(jié)性差分算子，Δd=1-Ld;ΔDs表示季節(jié)性差分算子，ΔDs=1-LDs;Φp（L）為非季節(jié)性自回歸算子，Φp（L）=1-φ1L-φ2L2-…-φpLp;APLs為季節(jié)性自回歸算子，APLs=1-α1Ls-α2L2s-…-αPLPs;ΘqL為非季節(jié)性移動(dòng)平均算子，ΘqL=1+θ1L+θ2L2+…+θqLq;BQLs為季節(jié)性移動(dòng)平均算子，BQLs=1+β1Ls+β2L2s+…+βQLQs;vt為白噪聲。

1.2LSTM

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM），解決了計(jì)算過(guò)程中梯度消失的問(wèn)題。對(duì)于輸入xt，LSTM隱層輸出表示為ht，具體計(jì)算過(guò)程如下：

it=σWiht-1，xt+bi（2）

ft=σWfht-1，xt+bf（3）

c～t=tanhWcht-1，xt+bc（4）

ct=ft⊙ct-1+it⊙ct（5）

ot=σWoht-1，xt+bo（6）

ht=ot⊙tanhct（7）

其中，W為權(quán)重矩陣，b為偏移列向量。LSTM將信息存放在門(mén)控單元中，f是遺忘門(mén)，表示對(duì)于當(dāng)前時(shí)刻的輸入xt，決定了從上一時(shí)刻傳來(lái)的信息要丟棄的部分。i表示輸入門(mén)，決定在t時(shí)刻應(yīng)該更新哪些值，c～是一個(gè)候選值的向量，將i和c～組合起來(lái)得到c對(duì)神經(jīng)元狀態(tài)進(jìn)行更新。o是輸出層，決定神經(jīng)元狀態(tài)需要輸出的部分。h是網(wǎng)絡(luò)的輸出。

2實(shí)證分析

2.1數(shù)據(jù)來(lái)源

本研究以河南省為研究對(duì)象，選取其1995年1月-2020年4月月度同比CPI數(shù)據(jù)進(jìn)行分析，數(shù)據(jù)來(lái)源于瑞思數(shù)據(jù)庫(kù)。CPI走勢(shì)如圖1，從中可以看出，2004年、2008年CPI較高，2012年之后較為平穩(wěn)。近來(lái)，受豬肉價(jià)格影響，CPI較高。

2.2SARIMA模型構(gòu)建

（1）平穩(wěn)性檢驗(yàn)。使用R軟件中adf.test函數(shù)進(jìn)行單位根檢驗(yàn)，結(jié)果如下：

Augmented Dickey-Fuller Test

data：CPI

Dickey-Fuller = -4.164， Lag order = 6， p-value = 0.01

alternative hypothesis： stationary

p值為0.01，在5%的顯著性水平下拒絕原假設(shè)“序列不平穩(wěn)”，由此可知，數(shù)據(jù)平穩(wěn)。

（2）模型識(shí)別。加載R語(yǔ)言forecast包，使用函數(shù)auto.arima根據(jù)AICc最小準(zhǔn)則對(duì)1995年1月-2020年4月CPI進(jìn)行模型構(gòu)建，模型為SARIMA（2，0，1）（1，0，0）12，系數(shù)估計(jì)見(jiàn)表1。其中，殘差方差估計(jì)值為0.4822，對(duì)數(shù)似然估計(jì)值為-322.05，赤池信息準(zhǔn)則AIC為656.11，AICc為656.39，貝葉斯信息準(zhǔn)則BIC為678.41。

使用confint函數(shù)對(duì)模型系數(shù)進(jìn)行檢驗(yàn)，結(jié)果見(jiàn)表2。由表2可知，在95%的置信區(qū)間下，參數(shù)取值范圍均不含0，即系數(shù)顯著。

（3）模型診斷。使用Box.test函數(shù)對(duì)殘差進(jìn)行檢驗(yàn)，得

X-squared = 7.6586， df = 6， p-value = 0.2642

從Box檢驗(yàn)得知?dú)埐罘险龖B(tài)性假設(shè)且不相關(guān)，認(rèn)為模型擬合比較充分。

對(duì)2019年11月-2020年4月CPI進(jìn)行預(yù)測(cè)，結(jié)果見(jiàn)表3。其均方根誤差為0.8227，建模精度較高，基本可以描述2019年11月到2020年4月CPI月度同比數(shù)據(jù)。

2.3SARIMA-LSTM模型構(gòu)建

針對(duì)SARIMA模型對(duì)非線性數(shù)據(jù)擬合不好的問(wèn)題，本文使用LSTM對(duì)其殘差進(jìn)行建模。使用1995年1月-2019年10月的殘差進(jìn)行訓(xùn)練模型，對(duì)2019年11月-2020年4月的殘差進(jìn)行測(cè)試。經(jīng)對(duì)比，數(shù)據(jù)平滑期設(shè)置為8，隱藏層節(jié)點(diǎn)數(shù)為100，訓(xùn)練次數(shù)為150。測(cè)試集的均方根誤差為0.6316，相比SARIMA模型減少了23%。殘差預(yù)測(cè)值加上SARIMA模型預(yù)測(cè)值即為SARIMA-LSTM預(yù)測(cè)值，結(jié)果見(jiàn)表3。

2.4LSTM模型構(gòu)建

本文同時(shí)使用LSTM模型對(duì)1995年1月-2019年10月CPI數(shù)據(jù)直接建模，并對(duì)2019年11月-2020年4月數(shù)據(jù)預(yù)測(cè)，預(yù)測(cè)均方根誤差為1.0651，比SARIMA、SARIMA-LSTM均要高。CPI預(yù)測(cè)值見(jiàn)表3。

3結(jié)語(yǔ)

本文利用模型SARIMA、SARIMA-LSTM、LSTM對(duì)河南省1995年1月-2020年4月月度同比CPI進(jìn)行對(duì)比建模，SARIMA-LSTM建模精度最高，SARIMA次之，LSTM效果最差。由此可知，模型SARIMA-LSTM可以較好地對(duì)河南省CPI進(jìn)行建模，以預(yù)測(cè)河南省CPI的狀況。對(duì)于本文數(shù)據(jù)，LSTM效果較差，其它數(shù)據(jù)中LSTM效果可能更優(yōu)，針對(duì)不同數(shù)據(jù)，需做具體分析。下一步研究可以使用更多因素利用LSTM對(duì)CPI進(jìn)行對(duì)比建模，以提高預(yù)測(cè)準(zhǔn)確度。

參考文獻(xiàn)

[1]袁志強(qiáng)，陳銳.基于ARMA模型的CPI短期預(yù)測(cè)研究[J].中國(guó)集體經(jīng)濟(jì)，2018，（03）：6465.

[2]倪穎，年靖宇.基于ARIMA模型的居民消費(fèi)價(jià)格指數(shù)走勢(shì)實(shí)證分析與預(yù)測(cè)——以重慶市為例[J].貴州商學(xué)院學(xué)報(bào)，2018，（02）：1423.

[3]張?zhí)鹑?陜西省居民消費(fèi)價(jià)格指數(shù)預(yù)測(cè)[J].合作經(jīng)濟(jì)與科技，2020，（07）：6769.

[4]李志超，劉升.基于ARIMA模型、灰色模型和回歸模型的預(yù)測(cè)比較[J].統(tǒng)計(jì)與決策，2019，（23）：3841.

[5]梁曉瑩.基于ARIMA-SVM模型的鄭州市CPI預(yù)測(cè)研究[J].洛陽(yáng)理工學(xué)院學(xué)報(bào)（社會(huì)科學(xué)版），2019，（04）：2631.

[6]吳曉峰，楊穎梅，陳垚彤，等.基于BP神經(jīng)網(wǎng)絡(luò)誤差校正的ARIMA組合預(yù)測(cè)模型[J].統(tǒng)計(jì)與決策，2019，（15）：6568.

[7]歐陽(yáng)紅兵，黃亢，閆洪舉，等.基于LSTM神經(jīng)網(wǎng)絡(luò)的金融時(shí)間序列預(yù)測(cè)[J].中國(guó)管理科學(xué)，2020，（04）：2735.

[8]李琳，王哲，張學(xué)良，等.基于LSTM深度神經(jīng)網(wǎng)絡(luò)的月門(mén)診量預(yù)測(cè)精度研究[J].中國(guó)數(shù)字醫(yī)學(xué)，2019，（01）：1417.

[9]胡慶芳，曹士圯，楊輝斌，等.漢江流域安康站日徑流預(yù)測(cè)的LSTM模型初步研究[J].地理科學(xué)進(jìn)展，2020，（04）：636642.

[10]HOCHREITER S，SCHMIDHUBER J.Long short-term memory[J].Neural Computation，1997，（8）：17351780.