时间序列基础模型的跨市场应用
　　在《BondClaw固收投研系列五：基于时间序列基础模型的中国CPI预测》中，我们以中国CPI为例介绍了时间序列基础模型的预测方法。时间序列基础模型是在海量跨领域序列上预训练的大型模型，在学习到普适的时序规律后，大模型可对从未见过的新序列做零样本预测，无需为每个指标单独建模训练。本文把同一套方法应用于美国，预测CPI与核心PCE物价指数，模型仍为Chronos-2、不为任何指标单独训练，改变的只是分项结构与所用数据，体现了时间序列基础模型较强的可迁移性。
　　为什么预测美国CPI与核心PCE？
　　CPI决定通胀挂钩市场对政策路径的定价，核心PCE是美联储2%通胀目标的口径，两者每月发布，是全年最受关注的宏观数据之一。美国数据有两个特点使使用时间序列基础模型的预测方法更容易见效：分项权重与实时数据存档完整公开，且能源与核心PCE都存在发布前即可观测的驱动变量。
　　如何使用时间序列基础模型预测美国CPI与核心PCE？
　　对于美国CPI，先把CPI拆成九个分项，由模型逐项预测月环比、再按劳工统计局逐年权重加总；其中能源分项由于有影响权重较大的高频数据支撑，先用周度汽油价格算出主体，模型只预测残差。对于核心PCE，预测时点设在当月CPI公布之后，由于当月核心CPI与核心PCE具有较强相关性，由当月核心CPI算出主体，模型预测两者的差额。
　　模型预测效果如何？
　　在2013年8月至2026年6月的154个月滚动回测中，整体CPI月环比RMSE为0.142、核心CPI为0.141、核心PCE为0.078，预测精度与克利夫兰联储公开发布的即时预测（0.150、0.156、0.080）处在同一水平。核心PCE数据甚至RMESE和误差月度落在实际值±0.1个百分点以内的比例均略高于克利夫兰联储的即时预测。
　　风险提示：结构性变化导致模型失效，数据口径与修订风险，回测结果不代表未来表现