中国核心CPI随机游走识别和异常点捕捉方法技术

本发明专利技术公开一种中国核心CPI的识别与异常点的捕捉方法，其从总的单一居民消费价格指数CPI出发，构建一组随机游走模型，并采用贝叶斯算法，成功避开CPI子类权重测算和再分配问题，识别出中国核心CPI即CPI的长期趋势，其间清晰地分离出暂时性的通货膨胀部分，构建的模型过程简单、经济意义明确、容易识别、结果易理解和具有可推断性，尤其与以往国内研究不同的是首次将异常事件纳入模型中，捕捉异常波动的宏观经济政策典型事实。

Core CPI random walk recognition and outlier detection method in China

Methods to capture recognition of the invention discloses a Chinese core CPI and abnormal point, starting from its CPI consumer price index for single residents, to build a set of random walk model, and the Bayesian algorithm, successfully avoiding subclasses of CPI weight measurement and redistribution problem, identify the long-term trends in our core CPI CPI. It clearly separated part of inflation temporarily, the model construction process is simple, clear, easy to identify the economic significance of results, easy to understand and can infer, especially with different previous domestic studies is the first abnormal event into the model, the macro economic policy to capture abnormal fluctuations in the typical facts.

【技术实现步骤摘要】

本专利技术涉及经济
，具体涉及一种中国核心CPI随机游走识别和异常点捕捉方法。
技术介绍
核心通货膨胀(CPI)能更真实地反映宏观经济运行趋势。然而，如何测算核心CPI一直备受学界和政府部门关注。从以往中国的核心CPI识别来看，简泽(2005)构建了产出和一般价格水平的两变量向量自回归SVAR模型，通过施加长期约束条件，测算中国的核心通胀率。张延群(2011)构建VAR模型进行核心CPI度量。赵昕东和汤丹(2011)根据Bryan和Cecchetti(1995)思想基于贝叶斯Gibbs-Sampler状态空间模型测算核心CPI。赵昕东(2008)、田新民和武晓(2013)、吕光明和徐曼(2014)、汤丹(2015)等序列文献均基于SVAR模型对中国核心CPI进行测算。但是存在许多问题和不足：首先是，权重调整的问题。不管是剔除法EX-CPI还是截尾均值法和加权中位数法、方差加权价格指数法，都需要将CPI子类权重重新分配，重新计算权重，而且权重还得随着时间的变化不断进行调整。对于中国而言，每五年进行一次的CPI一篮子的八大类及其子类权重大调整，而且中间可能还有其它的调整，值得关注的是2016年初国家统计局宣布对CPI分类进行包括类的合并较大调整，子分类权重重新确定，特别是食品降低居住提高，这些因素造成权重计算和子类权重再分配不确定性，其间还得考虑实际通胀受到当时居民消费水平、政策调整等诸多因素的影响，而且现阶段最为流行的剔除食品和能源的核心CPI，侯成琪和龚六堂(2013)和刘慧媛、吴开尧(2016)研究认为其对货币政策反映会造成不足或者反映过度现象来解释。其次，暂时性的通货膨胀波动分离的问题。很多欧洲国家在20世纪80年代采用平滑技术法，但是实践发现暂时性的通货膨胀波动部分要么剔除太多使得核心CPI过于平滑，要么剔除不足使得核心CPI波动较大；另外，技术方法复杂，识别性、结果不易理解问题。比如Mallick和Seth(2014)研究发现虽然SVAR模型测算核心通货膨胀效果比截尾均值方法好，但是模型的参数估计比较困难。赵昕东(2008)、田新民和武晓(2013)、吕光明和徐曼(2014)、汤丹(2015)均基于SVAR模型的核心CPI测算，共同点是将食品价格指数视为自然灾害对CPI造成的暂时影响，表征暂时冲击，其模型计算繁琐，参数求解需对长期冲击进行合理的假设并保证有足够约束条件使得其可识别，造成结果不易理解，而且易受需求冲击、暂时冲击和供给冲击等因素的影响，造成解释性因素界定不清晰。
技术实现思路
为了解决上述技术问题，本专利技术提出了中国核心CPI的识别与异常点的捕捉方法，从总的单一居民消费价格指数CPI出发，构建一组随机游走模型，并采用贝叶斯算法，成功避开CPI子类权重测算和再分配问题，识别出中国核心CPI即CPI的长期趋势，其间清晰地分离出暂时性的通货膨胀部分，构建的模型过程简单、经济意义明确、容易识别、结果易理解和具有可推断性，尤其与以往国内研究不同的是首次将异常事件纳入模型中，捕捉异常波动的宏观经济政策典型事实。为了达到上述目的，本专利技术的技术方案如下：中国核心CPI随机游走识别和异常点捕捉方法，该方法为：首先，将总的CPI看作核心CPI和非核心CPI两部分；然后，建立数学模型，将核心CPI及其变化的波动纳入随机游走结构，非核心CPI引入异常波动事件参数；最后，利用贝叶斯MCMC方法的Gibbs抽样方法对模型内的时变参数进行识别，获得时变参数的后验概率估计值，从总的CPI中分离出核心CPI。本专利技术提出的中国核心CPI随机游走识别和异常点捕捉方法与当前核心CPI的测算技术相比，其优势在于，(1)本专利技术识别的核心CPI的稳定性更强，“削峰平谷”效果更好，核心通货膨胀率序列较好地契合了中国货币政策窗口期，(2)本专利技术识别的核心CPI序列显示出一些重要特征和政策含义，(3)本专利技术识别的核心CPI具有良好的合理性和科学性。在上述技术方案的基础上，还可做如下改进：作为优选的方案，该方法具体包括以下步骤：步骤1)将总的CPI记为CPIt，将核心CPI记为CPItcore，将非核心CPI记为CPIttemp，将总的CPI看作核心CPI和非核心CPI两部分，如式(1)所示；CPIt＝CPItcore+CPIttemp(1)步骤2)考虑核心CPI的时变波动性σtcore，Δ，建立带波动变化特征的随机游走识别模型，如式(2)所示；CPItcore＝CPIt-1core+σtcore，Δ×εtcore(2)式(2)中：εtcore是核心CPI序列的一个正态标准化白噪声过程；将核心CPI变化的时变波动因子σtcore，Δ的自然对数建立成带有时变波动因子υtcore，Δ的随机游走模型，如式(3)所示；logσtcore，Δ＝logσt-1core，Δ+υtcore，Δ×utcore，Δ(3)式(3)中：utcore，Δ是该序列的一个正态标准化白噪声过程；步骤3)建立非核心CPI的时变波动σttemp和时变异常事件st以及随机波动εttemp的乘积效应模型，如式(4)所示；CPIttemp＝σttemp×st×εttemp(4)式(4)中：t时刻异常事件以概率p发生，即有因子st＞1，或以概率1-p不发生，即st≤1；将非核心CPI变化时的时变波动σttemp的自然对数建立成带时变波动因子υttemp的随机游走模型，如式(5)所示；logσttemp＝logσt-1temp+υttemp×uttemp(5)式(5)中：uttemp是该序列的一个正态标准化白噪声过程；步骤4)利用贝叶斯MCMC方法的Gibbs抽样方法对模型式(1)-(5)内的时变参数进行识别，获得时变参数的后验概率估计值，从总的CPI中分离出核心CPI。进一步，式(4)中：p服从区间(0，1)上均匀分布。进一步，步骤4)具体为：步骤4.1)假设时变波动参数υttemp和υtcore，Δ、初始值CPI0core和logσ0temp以及logσ0core，Δ均是相互独立；步骤4.2)设定先验分布如下：υtcore，Δ和υttemp是t时点的某个值，设定两者先验分布来自均匀分布U(0，1)；CPI0core和logσ0temp以及logσ0core，Δ设定三者的先验分布来自正态分布N(0，10x)，x为正整数；步骤4.3)令Y表示观察数据CPIt，t＝1，2，…，T，令θ表示Gibbs要进行的未知随机向量(CPItcore，p，υttemp，υtcore，Δ，logσttemp，logσtcore，Δ，st)＝(θ1，θ2，θ3，θ4)，其中θ1＝CPItcore，θ2＝p，θ3＝{υttemp，υtcore，Δ，logσttemp，logσtcore，Δ本文档来自技高网...

【技术保护点】
中国核心CPI随机游走识别和异常点捕捉方法，其特征在于，该方法为：首先，将总的CPI看作核心CPI和非核心CPI两部分；然后，建立数学模型，将核心CPI及其变化的波动纳入随机游走结构，非核心CPI引入异常波动事件参数；最后，利用贝叶斯MCMC方法的Gibbs抽样方法对模型内的时变参数进行识别，获得时变参数的后验概率估计值，从总的CPI中分离出核心CPI。

【技术特征摘要】
1.中国核心CPI随机游走识别和异常点捕捉方法，其特征在于，该方法为：首先，将总的CPI看作核心CPI和非核心CPI两部分；然后，建立数学模型，将核心CPI及其变化的波动纳入随机游走结构，非核心CPI引入异常波动事件参数；最后，利用贝叶斯MCMC方法的Gibbs抽样方法对模型内的时变参数进行识别，获得时变参数的后验概率估计值，从总的CPI中分离出核心CPI。2.根据权利要求1所述的中国核心CPI随机游走识别和异常点捕捉方法，其特征在于，该方法具体包括以下步骤：步骤1)将总的CPI记为CPIt，将核心CPI记为CPItcore，将非核心CPI记为CPIttemp，将总的CPI看作核心CPI和非核心CPI两部分，如式(1)所示；CPIt＝CPItcore+CPIttemp(1)步骤2)考虑核心CPI的时变波动性σtcore，Δ，建立带波动变化特征的随机游走识别模型，如式(2)所示；CPItcore＝CPIt-1core+σtcore，Δ×εtcore(2)式(2)中：εtcore是核心CPI序列的一个正态标准化白噪声过程；将核心CPI变化的时变波动因子σtcore，Δ的自然对数建立成带有时变波动因子υtcore，Δ的随机游走模型，如式(3)所示；logσtcore，Δ＝logσt-1core，Δ+υtcore，Δ×utcore，Δ(3)式(3)中：utcore，Δ是该序列的一个正态标准化白噪声过程；步骤3)建立非核心CPI的时变波动σttemp和时变异常事件st以及随机波动εttemp的乘积效应模型，如式(4)所示；CPIttemp＝σttemp×st×εttemp(4)式(4)中：t时刻异常事件以概率p发生...

【专利技术属性】
技术研发人员：顾光同，许冰，
申请(专利权)人：浙江农林大学，
类型：发明
国别省市：浙江;33