[发明专利]中国核心CPI随机游走识别和异常点捕捉方法

权利要求书

1.中国核心CPI随机游走识别和异常点捕捉方法，其特征在于，该方法为：

首先，将总的CPI看作核心CPI和非核心CPI两部分；

然后，建立数学模型，将核心CPI及其变化的波动纳入随机游走结构，非核心CPI引入异常波动事件参数；

最后，利用贝叶斯MCMC方法的Gibbs抽样方法对模型内的时变参数进行识别，获得时变参数的后验概率估计值，从总的CPI中分离出核心CPI。

2.根据权利要求1所述的中国核心CPI随机游走识别和异常点捕捉方法，其特征在于，该方法具体包括以下步骤：

步骤1)将总的CPI记为CPI_t，将核心CPI记为CPI_t^core，将非核心CPI记为CPI_t^temp，将总的CPI看作核心CPI和非核心CPI两部分，如式(1)所示；

CPI_t＝CPI_t^core+CPI_t^temp (1)

步骤2)考虑核心CPI的时变波动性σ_t^core，Δ，建立带波动变化特征的随机游走识别模型，如式(2)所示；

CPI_t^core＝CPI_t-1^core+σ_t^core，Δ×ε_t^core (2)

式(2)中：ε_t^core是核心CPI序列的一个正态标准化白噪声过程；

将核心CPI变化的时变波动因子σ_t^core，Δ的自然对数建立成带有时变波动因子υ_t^core，Δ的随机游走模型，如式(3)所示；

logσ_t^core，Δ＝logσ_t-1^core，Δ+υ_t^core，Δ×u_t^core，Δ (3)

式(3)中：u_t^core，Δ是该序列的一个正态标准化白噪声过程；

步骤3)建立非核心CPI的时变波动σ_t^temp和时变异常事件s_t以及随机波动ε_t^temp的乘积效应模型，如式(4)所示；

CPI_t^temp＝σ_t^temp×s_t×ε_t^temp (4)

式(4)中：t时刻异常事件以概率p发生，即有因子s_t＞1，或以概率1-p不发生，即s_t≤1；

将非核心CPI变化时的时变波动σ_t^temp的自然对数建立成带时变波动因子υ_t^temp的随机游走模型，如式(5)所示；

logσ_t^temp＝logσ_t-1^temp+υ_t^temp×u_t^temp (5)

式(5)中：u_t^temp是该序列的一个正态标准化白噪声过程；

步骤4)利用贝叶斯MCMC方法的Gibbs抽样方法对模型式(1)-(5)内的时变参数进行识别，获得时变参数的后验概率估计值，从总的CPI中分离出核心CPI。

3.根据权利要求2所述的中国核心CPI随机游走识别和异常点捕捉方法，其特征在于，所述式(4)中：p服从区间(0，1)上均匀分布。