研究目標:基于線上消費者價格指數(shù)和網絡搜索價格指數(shù)預測CPI。研究方法:在卷積神經網絡（CNN）框架中融合MADL_MIDAS模型,建立異步混頻卷積神經網絡（AMCNN）模型,并通過選用2016年1月至2019年12月的數(shù)據(jù)驗證該方法的有效性。研究發(fā)現(xiàn):日度線上CPI及日度網絡搜索指數(shù)屬于CPI的領先指標,同時引入并保留原有數(shù)據(jù)特征有助于改進CPI預測精度,提高CPI"拐點"捕捉能力。研究創(chuàng)新:揭示了高頻日度線上CPI和網絡搜索數(shù)據(jù)對低頻月度CPI的預測能力,提出了一種融合神經網絡與傳統(tǒng)計量模型的異步混頻數(shù)據(jù)處理方法。研究價值:預測CPI波動水平和"拐點"時,可輔助利用線上CPI、網絡搜索高頻數(shù)據(jù),結合AMCNN模型提高預測精度。AMCNN模型可用于處理異步混頻數(shù)據(jù)、探究變量間復雜不確定性（線性、非線性）關系,具有很強的適應性和擴展性,可應用于其他經濟、金融領域,應用價值較高。 

【文章來源】：數(shù)量經濟技術經濟研究. 2020,37(10)北大核心CSSCICSCD

【文章頁數(shù)】：20 頁

【文章目錄】：
一、問題的提出
二、文獻述評
三、CPI預測模型構建
    1.ISI數(shù)據(jù)獲取、預處理及合成
        (1)搜索引擎選取。
        (2)初始關鍵詞選取。
        (3)數(shù)據(jù)獲取及預處理。
        (4)搜索指數(shù)合成。
    2.異步混頻卷積神經網絡模型(AMCNN)構建動機
    3.AMCNN模型構建
四、CPI預測實證分析
    1.數(shù)據(jù)來源與數(shù)據(jù)預處理
        (1)變量選擇與數(shù)據(jù)獲取。
            第一,國家統(tǒng)計局公布的CPI數(shù)據(jù)。
            第二,線上CPI。
            第三,其他輔助數(shù)據(jù)。
            第四,百度指數(shù)。
        (2)百度搜索指數(shù)合成。
    2.AMCNN模型的CPI預測結果分析
    3.AMCNN模型的CPI預測性能對比分析
    4.CPI子類別預測結果分析
    5.CPI“拐點”預測
五、結論與建議


【參考文獻】：
期刊論文
[1]一種基于在線大數(shù)據(jù)的高頻CPI指數(shù)的設計及應用[J]. 劉濤雄,湯珂,姜婷鳳,仉力.  數(shù)量經濟技術經濟研究. 2019(09)
[2]利用網絡搜索大數(shù)據(jù)實現(xiàn)對CPI的短期預報及拐點預測——基于混頻抽樣數(shù)據(jù)模型的實證研究[J]. 劉寬斌,張濤.  當代財經. 2018(11)
[3]線上線下價格指數(shù)的互動:替代還是整合?[J]. 唐禮智,劉玉.  南京社會科學. 2018(02)
[4]阿里網購價格指數(shù)與官方CPI的關系[J]. 方匡南,曾武雄.  統(tǒng)計與信息論壇. 2018(02)
[5]大數(shù)據(jù)背景下的CPI實時預測研究[J]. 董莉,彭凱越,唐曉彬.  調研世界. 2017(08)
[6]大數(shù)據(jù)時代官方價格指數(shù)與非官方價格指數(shù)的融合——基于aSPI與CPI、RPI比較的視角[J]. 韓勝娟,張敏.  價格理論與實踐. 2017(04)
[7]基于互聯(lián)網大數(shù)據(jù)的CPI輿情指數(shù)構建與應用——以百度指數(shù)為例[J]. 徐映梅,高一銘.  數(shù)量經濟技術經濟研究. 2017(01)
[8]基于網絡搜索數(shù)據(jù)的霧霾經濟與CPI相關性研究[J]. 董倩.  調研世界. 2016(12)
[9]大數(shù)據(jù)指數(shù)是否可以替代統(tǒng)計調查指數(shù)[J]. 米子川,姜天英.  統(tǒng)計研究. 2016(11)
[10]大數(shù)據(jù)背景下電商發(fā)展對CPI的影響——基于線上線下價格波動同步性分析[J]. 周薇薇,田濤.  商業(yè)研究. 2016(04)



本文編號：3472378