英国CPI通胀预测：降维、收缩方法与机器学习的应用

"这篇工作论文（StaffWorkingPaperNo.915）由Andreas Joseph、Eleni Kalamara、George Kapetanios和Galina Potjagailo撰写，探讨了自下而上的方法来预测英国的消费者价格指数（CPI）通胀，即通过大量分解的CPI商品系列结合各种预测技术，如降维技术、收缩方法和非线性机器学习模型，以提前一年的时间预测通胀率。研究表明，这种方法相比于自回归基准预测和宏观经济指标，能显著提高预测准确性，尤其是在使用岭回归等收缩方法时，一年内的预测准确度可以提高70%。此外，论文提出了一种模型无关的可解释性方法，利用Shapley值、部分重新聚合和统计测试，解决了高维环境中的模型解释性问题，从而能识别出持续影响总体通胀预测的CPI部门，并评估模型间的差异。" 本文的重点知识包括： 1. **通胀预测**：核心在于预测英国的消费者价格指数（CPI）通胀，这是衡量通货膨胀的关键指标，对货币政策制定和经济预期有重要影响。 2. **自下而上方法**：这种方法涉及利用CPI的详细商品系列数据进行预测，而非依赖宏观指标。这提供了更深入的洞察，因为每个商品的价格变动可能反映出不同的经济动态。 3. **预测工具**： - **降维技术**：用于处理大量数据，减少特征维度，例如主成分分析（PCA），帮助识别关键驱动因素。 - **收缩方法**：如岭回归，通过添加正则化项来降低过拟合风险，提高预测性能。 - **非线性机器学习模型**：可能包括支持向量机（SVM）、神经网络等，能捕捉复杂的关系和非线性模式。 4. **预测改善**：对比自回归基准，利用CPI商品系列数据的预测方法显著提高了预测准确性，特别是在一年的预测窗口内。 5. **模型可解释性**：论文提出了一个与模型无关的方法，结合Shapley值（一种公平分配贡献的经济学概念）、部分重新聚合和统计测试，旨在解决高维模型的解释性问题，这对于理解和验证预测结果至关重要。 6. **模型差异评估**：通过识别模型间的共同趋势和差异，可以评估不同预测方法的优劣，找出最有效的预测策略。 7. **CPI部门影响**：这种方法还能识别哪些CPI部门持续影响总体通胀预测，这对于政策制定者理解价格压力的来源和未来可能的通胀趋势非常有价值。 这篇工作论文对于理解通胀预测的最新方法，尤其是如何利用大数据和先进统计技术改进预测，具有很高的学术价值和实践意义。同时，它强调了模型的可解释性和在复杂经济环境中的应用。