随着经济的起伏,国内的物价水平也随之产生波动,而物价水平与人们的日常生活联系密切,人们会依据当前的物价水平对下一期的物价水平做出预测判断,并采取相应的举措。随着每个人采取举措的不同,宏观经济也会受到影响,进而对物价水平又产生影响,而当物价变动幅度较大时就会导致通货膨胀现象的发生。在经济生活中,将物价稳定在一个合理的范围内是一个国家机构制定货币政策的主要目标,而通货膨胀指数对政府决策货币政策有较强的参考性,因此,合理有效的通货膨胀衡量指数和精准高效的预测方法便极为重要。由于单一的CPI、PPI并不能全面准确反映通货膨胀的变动情况,本文在CPI基础上加入房产价格以及股票价格指标共同构成广义通货膨胀指数GPI,以期能反映更加准确的通货膨胀率的变动。而构成GPI的各指标受到的影响因素数量众多,同时具备了线性与非线性的特征,传统的模型如ARIMA、BP神经网络等模型对这类复杂时间序列的预测有一定的优势也有无法避免的劣势。如ARIMA模型在处理非线性因素影响较强的时间序列上效果会相对较差,而BP神经网络对于时序的前后记忆性的处理较差。在此基础上本文对传统模型方法进行适当改进,基于“先分解后组合”的思想,先通过CEEMDAN方法对GPI序列进行分解,对分解后的分量采用线性ARIMA模型与非线性LSTM神经网络模型结合,从而弥补单一模型的不足,提高预测效果。本文从房产价格及股票价格这两个资产价格方面选取2006年5月到2021年6月包括CPI指标在内的3个月度指标,从而对原通货膨胀指标（CPI）进行修正。通过方差加权法以及共同因子冲击响应法分别获得广义通货膨胀衡量指数（GPIF、GPIG）,随后进行对比分析,选出效果更优的GPIF作为最终的广义通货膨胀衡量指数（GPI）。针对构建的广义通货膨胀指数（GPI）,本文首先运用ARIMA模型、LSTIM模型以及ARIMA-LSTM模型对GPI进行建模与预测,最后采用CEEMDAN分解方法,将GPI序列进行分解,再通过计算各分量的Hurst指数对各分量进行合并,随后对处理后的分量同样运用上述三种模型进行建模预测,最终预测值为各分量结果的加总。最优模型则通过计算各模型预测值与真实值的均方根误差（RMSE）和平均绝对百分比误差（MAPE）对比选出。实证结果表明,纳入房地产价格与股票价格的广义通货膨胀指数有着更稳定的性质且能够更好反映我国通胀水平的同时也有着较好的预测能力,能够作为政府决策的有效参考。同时将复杂序列先分解再叠加重构的思想在预测精度上有较大的优势,即相对于单一模型,混合模型CEEMDAN-ARIMA-LSTM有着更好的预测效果,这对决策者在制定货币政策以预防较大通胀情形发生有着一定的引导作用。