本文以我国的月度宏观经济数据和日度股市数据为研究对象,利用混频误差修正模型(ECM-MIDAS),对我国通货膨胀的预测做了相关研究。一直以来,通货膨胀都是最重要的宏观经济指标之一,备受政府、银行和私人部门的关注。从上世纪开始,国外众多央行在做决策的时候不再过分依赖经济的通胀历史信息,而是越来越依赖于未来的通货膨胀情况,以便针对可能的通货膨胀及时地调整决策,尽可能的减少对经济的冲击,降低对私人部门的危害。恶性的通货膨胀对经济和社会有着巨大的危害,首先,通货膨胀给居民的收入和消费带来负面影响。物价上涨以后,货币购买力不断下降,导致消费的福利减少,同时实际工资水平急剧下降,生活水平降低。其次,通货膨胀对生产者和投资者造成危害。通货膨胀与市场需求都会带来价格上升,若企业没有分辨价格上涨原因,会误导生产者继续生产,又因价格上涨伴随着利率下降,会造成过度投资和生产能力过剩的现象。再次,通货膨胀的财富再分配效应使得低收入者的福利受损,高受益者却可以获益,加大了贫富差距,给社会带来了诸多不稳定因素,影响社会的安定。最后,通货膨胀对我国的综合竞争力带来危害。由于价格持续普遍的上涨,企业对新产品的研发、技术应用、劳动生产率的提高失去了积极性,而中国是出口大国,属于劳动密集型经济,在国际上产品的优势是价格低廉,而通货膨胀会使得我国出口产品价格上升,在与其他新兴的劳动密集型国家的国际市场份额争夺中失去优势。从而,对通货膨胀的未来趋势的预测显得尤为重要。传统的通货膨胀预测主要是基于菲利普斯曲线和ARIMA模型,模型要求数据为同频数据,因此高频和超高频数据必需处理为同频数据,高频化低频的方法会忽略高频数据波动暗含的信息,降低了模型的预测精度,还影响了模型预测的及时性,低频化高频又太过主观,缺乏依据。而混频数据模型对宏观经济的研究有很多优势,由于包含不同频率的数据,低频数据能够保证预测的准确性,高频数据的波动性又使得预测模型可以进行及时的更新,改进了宏观经济分析的准确性和预测的精准性,大大提高短期实时预测的时效性。同时,时间序列的平稳性,对同频数据和混频数据都是一大挑战,直接回归可能会造成伪回归,从而导致错误的结论。本文实现了混频数据模型与非平稳时间序列的结合,把同频中的误差修正模型思想运用到混频数据的模型中,构建了ECM-MIDAS,解决了混频数据模型中序列的不平稳带来的不足,进一步发展了混频时间序列模型。最后,本文详细介绍了混频误差修正模型中的协整方程的不同形式,在同低频和混频的两种思路下分别阐述了协整方程,以及对应的误差修正模型的推导,丰富了混频数据模型的协整形式。本文试图将协整思想加入到混频数据模型的研究中,利用2006年到2015年10年间不同频率的非平稳但存在协整的时间序列,构建ECM-MIDAS模型,并对协整方程的不同形式展开了讨论,从x先于y、x同期于y、x后于y中找到合适的协整形式,试图提高模型的预测精度,然后通过和无约束的ECM-MIDAS、两种同频率数据模型的比较,发现ECM-MIDAS在模型估计和预测中是有优势的,然后利用ECM-MIDAS模型讨论各变量对我国通货膨胀的影响。本文秉着科学、严谨的求知态度,利用了多种方法对我国的通货膨胀进行了研究,包括文献研究法、实证研究法、定性分析与定量分析法、交叉研究法。首先,牛顿说过,站在巨人的肩膀上,看得比较远。通过对国内外大量文献的阅读和研究,对所研究的问题、方法有了全面的认识,在此基础上,在变量选取和方法上做了创新。其次,理论知识要学以致用,才能转化为生产力,贡献社会,本文对我国的通货膨胀预测做了实证研究。再次,在定性分析的引导下,进一步进行了定量分析,保证了宏观方向正确的情况下,进一步做到精准。最后,本文利用时间序列理论实现了对宏观经济的预测,同频时间序列的协整理论运用到混频时间序列中,实现了学科之间、理论之间的交叉应用。本文也做了一些新的尝试。首先,讨论了混频数据的协整形式的选择。考虑到指标存在先行、同步、滞后的经济特性,基于以往文献本文把协整形式分为x先于y、x同期于y、x后于y三种形式,并把每月的HS300数据分为4个周,每个周末的HS300数据都可以替代月度的HS300指数,而不仅仅是以往常用的月末值。本文列举了24个协整方程构建误差修正项,引入到短期的动态方程中进行预测,以找出最合适的协整形式,这样不仅能找到合适的长期协整关系,加深对经济变量之间长期均衡情况的了解,还可以提高模型的预测精度。另外,在指标选取上,选取了消费者价格指数CPI、货币供应量M2、采购经理人指数PMI和沪深300指数4个变量进行研究。其中PMI是宏观经济的重要先行指标,也是一套综合性的经济监测指标体系,但由于自开始编制以来才10年左右,国内还几乎没有被用于CPI预测的研究,本文参考国外文献,选取PMI为解释变量之一。另外,采用了金融变量数据HS300来预测宏观经济,这是大数据时代的一个趋势,在预测的准确性和及时性方面都具有重要的意义。本文选取2006年1月到2015年12月为样本区间,选择月度的消费者价格指数CPI、采购经理人指数PMI、货币供应量M2和日度沪深300指数进行了实证研究。为了使得研究更加科学,我们将2006年1月到2014年12的数据用于样本内估计,将2015年1月到2015年12的数据用于样本外预测。在研究过程中,我们主要有以下结论：第一,协整形式的选择对模型的短期预测有影响,选择正确的协整形式使得预测误差降低。以往文献中,混频数据模型的协整形式一般采用同期的形式,本文考虑到指标存在先行、同步、滞后的经济特性,把协整形式分为x先于y、x同期于y、x后于y三种形式来考虑,针对三种协整形式构建了24个协整方程,实证结果表明,在预测方面,x先于y的协整形式要优于x同期于y、x后于y的形式,并且当PMI和M2相对CPI滞后两期,HS300相对于CPI滞后一期时的预测效果最佳。第二,在本文的实证研究中,混频数据模型的估计和预测要优于同频数据模型。实证结果表明,各模型的样本内估计的均方根误差中,混频模型的0.4895和0.4932要明显小于同频数据的0.5437、0.5260,样本外预测效果中,通过画图发现ECM-MIDAS的预测最佳,充分表明ECM-MIDAS模型在预测方面的稳定性要优于同频方程。第三,在混频非平稳的数据模型中,当协整关系存在时,误差修正机制同样存在,误差修正项的引入会使得模型预测精度提高。实证结果表明,无论混频数据还是同频数据,4个模型通过加入误差修正项,均方根误差分别从0.4895、0.4932、0.5437、0.5260上升到0.6168、0.6125、0.6080、0.6038。第四,通过ECM-MIDAS模型中解释变量的滞后项的选择,讨论中国通货膨胀的预测机制。首先,CPI的差分的滞后项不显著,说明我国的通货膨胀波动无记忆性。其次,M2和PMI的一阶差分原序列系数都不显著,至少要滞后一期才开始显著,进一步说明这两个经济指标是CPI的先行指标,且货币增速的变动对CPI的影响比较长久,4个月前的变动仍然显著。最后,PMI和HS300的波动与CPI的波动呈正相关。总之,混频误差修正模型对中国通货膨胀预测有多种优势。混频数据中包含了低频数据和高频数据,低频数据使得预测的趋势正确,高频数据的引入包含了众多波动的信息,使得预测相对于同频数据模型更加精确,并且由于高频数据的更新快的特点,预测也更加的及时。又把同频中非平稳时间序列的协整思想加入到混频数据模型中,解决了混频数据模型中的非平稳问题,防止了伪回归的产生对决策者的误导。其中协整方程代表了变量之间的长期均衡关系,可以帮助我们理解变量之间长期的作用关系,但在短期内,因为受到外界的干扰会与长期的均衡关系发生偏离,构建的短期的动态方程可以对短期预测实现修正,又充分考虑了长期的趋势的水平值,预测精度会大大提高,这对政府和央行,以及私人决策者都有重要的参考意义。