对代理人学习行为的刻画以及通过学习行为分析通胀预期形成过程成为近期宏观金融学特别是货币金融学的前沿研究领域,同时计算机技术与人工智能的发展也为学术研究提供了更新更高效的研究工具——机器学习技术。机器学习技术专门研究计算机怎样模拟或实现人类的学习行为,这使得机器学习技术自然而然地成为研究宏观经济学中的学习型预期或者说公众学习行为的首选工具。在机器学习技术中,支持向量机(SVM)及支持向量回归(SVR)以其较为完备的理论基础以及在解决小样本、非线性及高维模式识别中表现出许多特有的优势,成为目前最为广泛使用的机器学习算法之一。本文所提出的SVR通胀预期借鉴了适应性学习预期通过每期不断纳入新信息来刻画的学习机制,同时对信息根据其获取是否存在滞后性进行划分,再采用的支持向量回归(SVR)算法生成通胀预期,并采用GMM方法对五种不同预期形式的菲利普斯曲线进行实证分析。实证分析结果表明:(1)我国菲利普斯曲线中产出缺口和通货膨胀的权衡机制失效,不同通胀预期项的系数均十分显著,因此中央银行在制定货币政策时,应当注重货币政策的独立性,同时应依据通胀预期来进行相应的预期管理。产出缺口项系数均为负值或不显著,这表明我国以菲利普斯曲线为基础的货币政策传导机制失效,即中央银行无法通过改变产出缺口来调控通胀率。同时不同通胀预期项的系数均十分显著,这表明我国菲利普斯曲线具有典型的预期增广的特征或混合预期增广的特征。(2)SVR预期相对于适应性学习预期是一种更"高级"的预期学习方式。SVR通胀预期比理性预期表现出滞后特征,而比适应性预期表现出先行特征。适应性学习预期以适应性预期为基础,因而学习速度较慢。SVR通胀预期的均值、中位数、标准差和偏度都最小,因而SVR通胀预期相对于理性预期、适应性预期以及以适应性预期为基础的适应性学习预期更为合理,也适宜作为央行制定通胀目标区间的合理选择。(3)我国菲利普斯曲线同时具有SVR通胀预期与理性预期的混合学习特征,且SVR通胀预期特征显著强于理性预期特征。混合学习特征表明我国通胀预期不完全向前看,而是有限理性的,因而货币政策调整时不能完全前瞻,而应随学习预期的不断递归进行微调。SVR通胀预期显著表明,我国菲利普斯曲线不仅具有学习特征,而且公众对通胀预期有区别于适应性学习的更"高级"的学习方式,因而信息获取能力较强,信息维度较高。因此,针对SVR通胀预期,中央银行应从两个方面展开预期管理:一方面,中央银行需要引导公众对通胀的学习行为,应提高货币政策的透明度和信息披露水平,建立货币政策信息平台加强与经济个体的信息沟通,从而使公众尽可能多地掌握学习过程中所需要的信息,加快通胀预期的学习速度;另一方面,中央银行除提高信息沟通效率之外,还应加强与财政政策、汇率政策、产业政策等其他宏观经济政策的政策协调,从而使其他经济变量能够充分及时地反映通胀预期形成的信息。本文的创新之处在于:第一,提出SVR通胀预期以刻画代理人面对存在滞后效应的高维信息样本时的通胀预期形成机制,并使用支持向量回归(SVR)算法估计出SVR通胀预期。在估计过程中,本文创新性地将变量分为存在滞后效应的变量和不存在滞后效应的变量。进一步本文将SVR通胀预期与理性通胀预期和适应性通胀预期进行比较,通过分析三种通胀预期的时序图和统计特征,认为SVR通胀预期更能合理刻画公众对通胀预期的学习行为,从而更适宜作为货币政策通胀目标的选择,这一点为本文实证分析我国不同预期的菲利普斯曲线时,将菲利普斯曲线形式区分为适应性预期的菲利普斯曲线、理性预期的菲利普斯曲线、SVR预期的菲利普斯曲线、适应性预期与理性预期混合的菲利普斯曲线、SVR预期与理性预期混合的菲利普斯曲线提供了基础。第二,本文基于GMM方法,对我国五种不同预期形式的菲利普斯曲线进行实证分析,并依据实证结果对不同预期形式的菲利普斯曲线进行比较,认为SVR通胀预期与理性通胀预期混合的菲利普斯曲线更能刻画我国货币政策的传导机制,同时由于SVR通胀预期更能刻画公众的学习行为,因而通过实证分析混合菲利普斯曲线中SVR预期项系数与理性预期项系数,本文进一步分析了菲利普斯曲线的混合预期中,公众对通胀预期的学习行为相对于理性预期行为的重要性。