[中图分类号]F832[文献标识码]A[文章编号]1005-6432（2014）12-0047-04
1引言
2000年至今，CPI波动频繁、幅度大，一度高达87%（2008年2月），也有低至-18%的时期（2009年7月）。按照国际惯例，CPI在2%～3%波动是属于可接受范围。CPI过高会使得货币贬值，居民生活水平下降，同时使得市场价格失真，从而导致生产者盲目扩产；CPI持续大幅升高代表着恶性通货膨胀，造成严重的经济扭曲，引发社会动荡；而CPI持续低迷会引发通货紧缩，致使失业率上升，甚至经济衰退。因此，如何科学探寻我国CPI波动的结构特征、挖掘CPI的周期波动性和预测CPI的趋势变化，对于旨在烫平经济波动的宏观经济政策具有重要的理论和现实意义。
目前已有不少文献对CPI的结构特征和预测进行了研究，这些文献运用的方法主要包括ARIMA类模型、协整理论、VAR类方法、BP网络神经模型等。例如王宏利（2005）运用偏最小二乘法与BP网络神经模型对2005年CPI进行模拟与预测，认为我国物价走势已经从货币政策为主转为宏观经济变量结构性控制为主。张成思（2009）运用grid-bootstrap中值无偏估计和VAR模型分析CPI八大类子成分自身动态传导特征，发现其与总体CPI表现不同，货币政策本身的变化和不可预料的随机货币政策冲击对各分类CPI的影响存在差异。谭本艳和柳剑平（2009）应用协整检验中的长期驱动和短期驱动的方法，从CPI分类指数的角度分析我国CPI波动的长期和短期决定因素。王少平等（2012）建立FVAR模型，分析中国CPI的宏观成分和宏观冲击，研究结果证实2010—2011年这一轮的通胀是宏观因素驱动，并认为紧缩货币和需求能够有效抑制通胀。
尽管上述文献具备重要的参考价值，但仍存在一些值得商榷的地方。首先，已有文献多以纵向时间域的维度考察CPI波动率的时变特征（如ARIMA、GARCH族簇、VAR类模型），而忽略了在频率域维度上未显现的波动率时变特征，无法从时域和频域相结合的角度考察CPI的内在特征。其次，CPI指数的变化受到政治、经济等多种因素的影响，变化规律复杂，各种影响因素间呈复杂的非线性关系，针对传统的预测方法不能很好反映这种非线性规律，导致对CPI指数预测精度不高。为了进一步剖析CPI的波动特征与作用关系，同时提高CPI序列预测精度。本文运用国际上前沿的时频分析方法——EEMD法，将分解之后得到的各IMF分量，针对其不同特征，分别建立相应的预测模型，这样更好地反映序列的随机性、周期性和趋势项特征，最后将各值叠加得到的组合预测值与采用单一模型预测值进行误差对比。
2经验模态分解方法
21经验模态分解（EMD）理论与算法
经验模态分解（EMD）是由Huang et al（1998）提出的解决工程信号问题的方法，在自然科学等领域运用广泛。该法是基于时间序列内在的特征，自适应地通过筛选过程从序列中提取出不同频率的本征模态函数（IMF），它反映了序列内在的波动特性。EMD可以解决时域和频域分析不能揭示各个频率分量在什么时刻出现的问题，是对以线性和平稳假设为基础的傅立叶分解和小波基等传统时频分析方法的重大突破（Huang et al，1998）。近年来，EMD也开始应用于经济金融数据分析领域，如Zhang et al（2008），王晓芳和王瑞君（2012）等。
EMD方法假设任何信号都是由一系列幅度和相位都随时间变化的IMF组成，这种IMF分量必须满足两个条件：极值点个数和过零点数相同或最多相差一个以及其上下包络关于时间轴局部对称。从而把不同频率的波动和趋势从原序列一一剥离出来，具体步骤如下：
第一，计算时间序列s（t）的所有极大、极小值点；
第二，由所有极大值和极小值根据三次样条插值来分别构造s（t）的上下包络线；
第三，根据求得的上下包络线，计算s（t）的局部均值m1（t）以及s（t）与m1（t）的差值h1（t）=s（t）-m1（t）；
第四，通常h1（t）不是一个IMF分量，为此需要对它重复进行上述过程，直到h1k（t）=h1（k-1）（t）-m1k（t）符合IMF的定义要求，即认为h1k（t）是一个IMF分量，记c1（t）=h1k（t），r1（t）=s（t）-c1（t），s（t）=r1（t）；
第五，重复以上步骤，直到rn（t）小于已设定值或变为单调函数和cn（t）满足给定终止条件，则序列s（t）的EMD筛选过程结束。
22集成经验模态分解（EEMD）
EMD分解的一个重要缺陷是模态混叠——一个IMF由多个频率不同的时间序列加总而成或者有相同频率的时间序列出现在不同的IMF中，使得EMD分解不彻底。为克服该缺陷，Wu & Huang（2009）提出具有有效抗混叠分解能力的集成经验模态分解（EEMD）方法，具体过程如下：
第一，s（t）加入白噪声νi（t），即si（t）=s（t）+νi（t）；
第二，将新序列si（t）进行EMD分解；
第三，重复上述步骤，每次加入不同的白噪声，把得到IMF的集成均值作为EEMD分解的结果。由白噪声的性质可知，随机白噪声可集成后相抵消，这样大大减小了模态混淆的机会。增加白噪声的效果可通过最终误差的标准差εn来控制，即εn=ε/N，其中N为加入白噪声的次数，ε为白噪声的标准差。
3CPI结构特征分解实证
本文选取2000年1月至2013年6月CPI同比数据进行研究，CPI数据来源于中经网经济统计数据库。通过对CPI序列描述统计可知，CPI偏度为05356，峰度为27080，JB检验为83216，在5%显著水平下拒绝服正态分布原假设，存在尖峰厚尾和序列自相关。
对CPI进行ADF检验和GLS检验的单位根检验可知，CPI是一阶单整的时间序列。而EEMD方法是处理这类非平稳、非线性序列的有效工具，将其运用于CPI指数序列分析，可以从该序列自身出发揭示其内在特征。因此运用非线性非平稳的EEMD模型来分析CPI波动显得非常合适。
31EEMD分解
通过EEMD方法，预先设定白噪声方差ε=02，集成次数N=100，将CPI序列分解成5个周期不同的IMF和1个余项。由图1可知，被分解出来的IMF由高频向低频排列，振幅逐渐变大。而余项不存在周期性特征，是一个单调缓慢上升反应CPI长期趋势的时间序列。
图1CPI指数的IMF和余项
(责任编辑：南粤论文中心)转贴于南粤论文中心: http://www.nylw.net(代写代发论文_广州毕业论文代笔_广州职称论文代发_广州论文网）
