12月14日，中央财经大学经济学院长聘副教授黄乃静为经管师生带来题为“Do Asset Prices Help Predicting Inflation? Evidence Based on Individual Stock Prices and Machine Learning Algorithm”的线上学术报告。

　　黄乃静是中央财经大学经济学院国民经济系主任。研究领域包括金融计量经济学和货币经济学，先后在《管理科学学报》《经济学动态》《系统工程理论与实践》《中国软科学》，Emerging Market Finance and Trade, Applied Economic Letters等国内外学术刊物上发表多篇论文。曾获得厦门大学金融工程与量化金融学术会议最佳论文奖、美国国家科学基金会旅行奖励(US National Science Foundation Travel Grant)等。

　　报告中，黄乃静回顾了宏观经济学中用于预测通货膨胀的时间序列和结构性模型两类经典方法，然后介绍了通货膨胀预测模型中常用的预测变量及其影响通货膨胀的方式。由于以往研究对于资产价格预测通货膨胀的效果存在争议，黄乃静表示是因为以往的研究主要将总资产价格作为预测变量而忽略了个体层面的资产价格，但是个体层面的资产价格考虑了个体异质性和微观信息，同时机器学习算法能够较好处理个股价格作为预测变量时高维度和相关性的问题。

　　因此，黄乃静从个股价格中提取信息，采用LASSO, Adaptive LASSO, Ridge Regression, Elastic Net, Random Forest, Gradient Boosting Regression Tree多种线性或非线性机器学习算法，来讨论资产价格在预测通货膨胀方面的作用。同时将采用了个股价格和机器学习算法的预测模型与采用了ARIMA, RW, UCSV的基准模型、采用总资产价格作为预测变量的模型以及使用FRED-MD数据集的模型进行对比。

　　研究结果显示：首先，使用单股价格的信息比一般单变量基准模型(ARIMA, RW, UCSV)显著提高了通胀预测的预测精度，尤其是在中长期预测和高通胀波动时期。其次，相对于总资产价格作为预测变量，个股价格极大提高了对通货膨胀的预测能力。第三，相对于在通货膨胀预测中广泛使用的数据集即FRED-MD,个股价格的预测能力也更好。最后，线性机器学习算法如LASSO和Ridge Regression模型，相对于非线性机器学习算法而言预测能力更好。