文摘

前瞻性的预测通货膨胀率可能有助于中央银行和其他政府部门更好地利用货币政策来稳定物价,防止通货膨胀对市场实体的影响,特别是对低收入和中等收入群体。它还可以帮助金融机构和投资者更好地作出投资决策。从这个意义上说,通货膨胀率的预测具有重要意义。现有文献主要采用线性模型自回归(AR)和向量自回归(VAR)模型预测通货膨胀率。变量之间的非线性关系和历史数据信息的挖掘相对缺乏。因此,预测策略和现有文献的准确性需要改善。深度学习我可以完全的预测模型设计变量之间的非线性关系和处理复杂的长期时间序列动态信息,从而弥补了现有研究的不足。因此,本文采用封闭的反复的复发性神经网络单元(GRU-RNN)模型训练和分析消费者价格指数(CPI)指标获得通胀相关预测结果。基于历史数据的实验结果表明,该GRU-RNN模型具有良好的性能在预测中国的通货膨胀率。相比之下,该方法的性能明显优于一些传统的模型,显示出其优越的有效性。

1。介绍

通货膨胀率是一个重要的指标监控宏观经济的运行。所以,它具有重要意义做出前瞻性预测通货膨胀率的调整的政策1- - - - - -4]。首先,货币政策的重要目标之一是稳定物价。然而,有一定的时间滞后的过程中货币政策调节价格。因此,中央银行需要更精确的通胀预测作为一个先决条件更好的利用货币政策来稳定物价。第二,通货膨胀率不仅影响投资者的决策投资周期也会影响投资者的投资决策的产品。因此,它具有重要的指导意义的金融机构和投资者预测通货膨胀率。第三,大型家庭财产差距的存在和频繁的结构性通胀使得通货膨胀更加有害的低收入和中等收入群体,从而进一步突出预测通货膨胀率的必要性和重要性。在当前中国,低收入和中等收入阶层的财产主要以存款的形式存在,而高收入阶层的财产的形式存在于房地产、等等。通胀会降低实际利率,导致低收入和中等收入家庭的储蓄缩水,而高收入家庭可能受益于不断上涨的房价。此外,结构性通胀的特点是在中国经常出现食品价格的快速上涨,食品支出的比例在中产阶级和低收入群体是相对较高的。这两个现象的存在使得中低收入群体很难抵御通货膨胀的影响。 Even moderate inflation will have a more serious adverse effect on low- and middle-income groups. Therefore, the precise forecast of the inflation rate has great influences on the country’s policies and citizens’ daily lives.

的消费者价格指数(CPI)的预测,相关文献主要使用五种模型来进行研究。第一个是菲利普斯曲线模型,以及相关的研究中可以发现5- - - - - -7]。第二个是时间序列模型自回归(AR)、自回归移动平均(ARMA)和自回归移动平均(ARIMA)集成,可以找到相关的工作(8- - - - - -10]。第三是向量AR (VAR),结构AVR (SVAR)和贝叶斯VAR (BVAR)系列模型与一些药物,第二种类型的模型。一些相关研究报道11- - - - - -14]。四是利率的期限结构模型的一些代表作品(15]。第五次使用如反向传播(BP)神经网络模型,以及相关的研究反映在[16- - - - - -22]。具体来说,预测通货膨胀率时,现有的研究主要集中在线性模型和非线性模型的研究相对较少。相比之下,在过去的十年里,一些文献已逐渐加强非线性机器学习方法的使用由神经网络预测国内生产总值(GDP)的时候,和类型的数据,可以处理更复杂的,包括高频,高维的非线性。根据这些文献的结果,由神经网络的非线性模型执行比传统的线性模型,如基于“增大化现实”技术或ARMA预测通货膨胀率。这是因为货币政策和其他因素的影响通货膨胀率可能是非线性的,这很大程度上决定了预测精度的非线性模型比线性模型。我们采取量化货币政策对利率的影响为例。有很多影响包括流动性、收入、价格,通胀预期可能发生,有些效果是相反的。因此,货币政策影响利率的数量,然后有一个复杂的非线性影响,甚至对总需求和通货膨胀。

尽管英国石油公司等传统神经网络模型可以确定变量之间的非线性关系,他们不能反映时间序列变量之间的关系。在经济领域,时间变量和背后的逻辑关系之间的关系是非常重要的。近年来,深入学习理论发展迅速,使用一组丰富的工具,已广泛应用于信号、图像处理、数据挖掘等。同时,深度学习模型有良好的时间序列数据处理能力,取得了良好的结果在经济和金融领域的预测(23- - - - - -27]。其中,递归神经网络(RNN)模型是基于普通多层BP神经网络,添加水平隐藏层的单位之间的联系。通过权重矩阵,之前的时间序列的值神经元可以被转移到当前神经元,神经网络的记忆。在RNN大门(GRU-RNN) [28- - - - - -31日是RNN的一种改进形式。通过引入不同的“门”机制在RNN的隐层节点,它可以处理长间隔时间序列信号来获得更多的数据特征和时间依赖性。由于GRU-RNN的优点和优势,介绍了通货膨胀预测。使用历史经济数据作为输入,设计GRU-RNN训练得到一个端到端的预测网络。在应用过程中,当前的相关经济指标作为输入来获取inflation-characterized数量的预测价值。在实验中,该方法测试并与几种类型的现有模型基于中国历史的CPI数据。结果反映了该方法的有效性。

2。GRU-RNN的基本知识

GRU-RNN是RNN的一种改进形式,可以获得更高的精度和鲁棒性(28- - - - - -31日]。RNN的在一个简单的方法解释,一些神经元的输出可以作为其输入又可以传递到神经元,和历史信息可以保留和使用,这是非常有效的处理时间问题。

如图1,RNN的体系结构由一个输入层 ,一个隐藏层 ,和一个输出层 。与传统的神经网络相比,RNN额外延迟器,保留历史信息。 输入层、输出层和隐层的权重矩阵从以前到当前时刻隐藏层,分别。之后,当时的时刻 ,隐层的状态 是由当前输入 和以前的隐层的状态 共同,描述如下: 在哪里 是非线性激活函数; 是偏见。


图1
RNN的体系结构展开。

尽管RNN取得好的结果在解决许多时间预测问题,长期序列和复杂的隐藏层可能导致梯度爆炸或误差反向传播的过程中消失。为了解决长期依赖RNN的问题,同时减少计算开销和存储空间的要求,提高收敛速度,提出了GRU-RNN。GRU-RNN主要介绍网络门机制来控制信息传输的路径。其中,更新门决定的程度的影响在前一时刻状态在当前时刻,和重置门决定之间的结合程度,当前输入和前一时刻的状态。图2显示在GRU-RNN隐层节点的结构。


图2
在GRU-RNN隐层节点的结构。

如图2的计算,就可以得出结论,GRU-RNN获得隐藏层的输出 如下: 在哪里 , , ,和 的输入、输出、更新门电路输出和重置门GRU-RNN隐层节点的输出,分别。输入 和前一个隐层输出 共同决定的过程 ; 和 重量参数和偏差参数获得培训; 代表相应的位置元素矩阵的乘法; 和双曲正切代表乙状结肠函数和双曲正切函数,分别。基于上述方案,输出,即。,the precited value, can be obtained from equation (2)。

图3显示基于GRU-RNN通货膨胀预测的主要过程,可以概括为以下步骤:步骤1:训练数据的采集:构造特征向量来描述通货膨胀作为培训GRU-RNN输入,和相应的通货膨胀指标作为输出。第二步:建立GRU-RNN预设网络参数:网络结构和适当的激活函数,构造目标函数,优化算法,选择和评价函数。卷积神经网络采样间隔、训练迭代,学习速率和其他hyperparameters。网络权重和偏见是初始化。步骤3:火车GRU-RNN:优化算法用于实现参数的学习如网络权重和偏移量,直到目标函数满足要求。最后,可以找到网络的最优参数。步骤4:通胀指标的评估:新收集的通货膨胀的特征向量输入到训练网络和通货膨胀的估计价值指标是输出。


图3
说明基于GRU-RNN通货膨胀预测的过程。

在上述步骤的基础上,经济数据可以分析发现其内在关系GRU-RNN的帮助。有两个应该考虑的问题。第一个是如何设计和构造特征向量来描述通货膨胀。实际上,有许多经济指标与通货膨胀有关。一个简洁而有效的人应该被开发来提高效率和精度的预测通货膨胀。在本文中,我们选择一些密切相关的经济指标来构造特征向量,将detaily解释实验。第二个是如何选择通货膨胀的指标。类似于第一种情况下,参数应该被用来代表真正反映通货膨胀的状况。在本文中,我们使用CPI作为通货膨胀的指标。

3所示。实验和分析

3.1。数据集和评价指标
3.1.1。介绍使用的数据

本文中使用的所有相关的样本是月度数据,及相关数据来自《中国经济网站数据库和风力。其中,上海和深圳300指数(股票),7天银行同业拆息(率),中央平价人民币兑美元(EXC)和小麦期货收盘价格指数(CBOT)可以直接查询每天的数据。我们把每天的平均值的数据包含在每个月的这些指标获得月度数据。其余指标,月度数据可以直接获得。基于数据的可用性,当预测CPI,样本选择的开始和结束时间在这篇文章是从2005年4月到2021年6月,总共包含195样本观察。这些样本将被用作设计的训练样本训练GRU-RNN也用作预测计算错误的引用。

3.1.2。建筑的功能

根据现有文献,本文构造了一个基准特征向量来描述通货膨胀包括11个变量:消费者价格指数(CPI)同比增长率,衡量通货膨胀率的一个关键指标是本文预测;同比增长率狭义货币供应量(M1),同比增长率的广义货币供应量(M2),和7天银行间贷款利率(利率)反映的影响量化货币政策和货币政策对通货膨胀率,基于价格的分别;工业增长同比增长率(IVA)是用来反映活动的影响通货膨胀率的生产活动;同比增长的消费品零售总额(C)是用来反映消费者需求对通货膨胀率的影响;全国房地产繁荣指数(HINDEX),房地产开发投资的累计同比增长率(HINVEST)和新开始的同比增长率今年商品房面积(HSTARTS)是用来充分反映房地产市场运行的影响通货膨胀率;上海和深圳300指数(股票)是用来反映股票市场对通货膨胀率的影响;中央平价人民币兑美元(EXC)是用来反映汇率市场的变化的影响通货膨胀率。这11个变量共同构造一个特征向量来描述CPI,它用作GRU-RNN训练网络的输入。

3.1.3。评价指标

当判断不同模型的预测性能,一些定量评价指标是必要的。根据现有文献[3,8,12],本文选择三项指标的均方误差(MSE),平均绝对百分比误差(日军)和对称平均绝对百分误差(SMAPE)作为CPI的预测性能评价的重要指标。这三个指标定义如下:

4所示。结果和分析

基于真实历史数据,MSE的三个评价指标,日军,SMAPE用于测试和分析方法和几种类型的比较方法。统计结果如表所示1。可以看出,MSE的索引值,日军,摘要和SMAPE GRU-RNN预测的方法获得的都是小于对应的索引值的比较方法,表明GRU-RNN模型更适合CPI比其他的预测。MSE指数作为一个例子,GRU-RNN和BP方法的性能优于通过ARMA和BVAR方法,显示了神经网络在数据预测的重要优势。比较这两个GRU-RNN和BP网络,前者有进一步更小的均方误差值,表明其预测精度进一步提高。薄层神经网络,BP在非线性数据处理能力有限,对于更复杂的CPI的预测有一定的缺陷。深层网络结构,RNN大大增强的非线性数据采集功能和CPI预测具有较强的处理能力。RNN的一种改进形式,GRU-RNN不仅继承了RNN的优势在数据预测,也进一步提高了预测精度通过引入门节点。日军的指标趋势MSE和SMAPE基本上是一样的,都可以反映出显著的优势GRU-RNN CPI预测。

表1
比较不同方法预测的CPI。

此外,本文增加了一定程度的历史数据的随机噪声。具体来说,一定程度的不确定性的11个元素添加到每个特征向量,和程度的偏差设置为2%,4%,6%,和8%,分别。在这种情况下,最终的各种方法的预测精度在一定程度上减少。表2以均方误差指数为例,列出了不同的方法在不同的噪声水平的结果。可以看出,该方法能保持每个噪声水平下的最小均方误差,证明了鲁棒性的预测。在特定条件下,噪声干扰越来越严重,该方法的优点是更重要的,这对不确定数据进一步表明了其有效性。

表2
MSE的比较不同的方法预测的CPI。

5。结论

本文提出一种基于GRU-RNN通胀预测方法。作为一个RNN的改进版本,GRU-RNN序列预测的性能有一定的优势。该方法的实现,本文使用CPI通胀指标和使用多个民众将索引CPI的特征向量。历史数据作为输入,设计GRU-RNN训练优化网络参数。在实际应用中,目前收集的CPI特征向量作为输入来获取消费者价格指数的预测价值。在实验中,历史实际数据用于测试和分析方法的性能。通过综合研究和判断多个评价指标,该方法的性能优于几种类型的传统模型,验证其影响通货膨胀预测。未来可以从两个方面进行工作。第一,更有效的特征向量描述通货膨胀或CPI可以设计训练网络,从而使预测精度能够更好地反映实际情况。第二,更适合深度学习模型有更好的预测性能为应用程序可以使用和改进预测通货膨胀。

数据可用性

本文中使用的数据集是对外公开的。

的利益冲突

作者宣称没有利益冲突有关的出版。