《金融統學分析》課件

金融統學分析StatisticalAnalysisinFinance·高校專業課程課件Contents課程目錄系統掌握金融統計分析的核心方法與實務應用01金融統學分析概述02金融數據的采集與整理03金融統計分析方法04金融市場統計分析05金融風險管理分析06金融機構運營分析07綜合案例分析與實證研究CHAPTER01金融統學分析概述理解金融統學分析的定義、應用領域與學科重要性DEFINITION&CONNOTATION金融統學分析的定義與內涵金融統學分析是統計學與金融學的深度交叉學科，以數據驅動為核心方法論，通過系統化的數據采集、整理與建模分析，為金融決策提供定量依據，是現代金融研究與實務的基礎性工具。01運用統計學方法研究金融領域問題的一門交叉學科，核心流程為「數據收集→整理清洗→建模分析→決策支持」，實現從原始數據到決策建議的完整轉化DATA-DRIVEN02研究對象涵蓋金融市場運行機制、金融產品定價邏輯、金融機構經營績效等多個維度，形成從微觀交易到宏觀市場的完整分析框架MULTI-DIMENSION03強調數據驅動的實證分析而非純理論推導，要求分析結論必須有數據支撐和統計顯著性檢驗，確保研究結果的可靠性與可重復性EMPIRICAL04隨著金融科技發展，學科邊界持續擴展，已融入機器學習、高頻數據分析等前沿方法，技術體系不斷更新迭代以適應市場變化EVOLVINGAPPLICATIONDOMAINS金融統學分析的四大應用領域金融統學分析在風險管理、市場預測、產品設計和機構運營四大領域發揮著不可替代的作用，覆蓋從前臺交易到中后臺風控的全鏈條金融業務場景。金融風險管理風險量化評估：運用VaR模型、壓力測試等量化工具評估投資組合風險敞口，為風險控制設定科學的限額標準信用風險建模：建立信用評分模型和違約概率預測模型，幫助金融機構有效管理信貸風險和對手方風險VaR模型金融市場預測時間序列預測：利用ARIMA、VAR等時間序列模型預測股票價格走勢、利率變動和宏觀經濟指標變化趨勢因子挖掘策略：通過因子模型和機器學習方法挖掘市場異象與投資機會，輔助量化交易策略的開發與回測ARIMA/VAR金融產品設計衍生品定價：基于統計定價模型設計期權、期貨等衍生品合約條款，確保產品定價合理且風險可控精算模擬定價：運用精算方法和蒙特卡洛模擬為保險產品和結構化理財產品提供科學定價依據蒙特卡洛機構運營優化客戶畫像營銷：通過客戶行為數據分析構建精準畫像，優化銀行零售業務的精準營銷與渠道布局策略流程效率優化：利用流程數據挖掘識別運營瓶頸，提升金融機構中后臺的審批效率和成本控制水平精準畫像DRIVINGFORCES金融統學分析的重要性與時代驅動力金融市場的天然不確定性、金融機構對運營效率的持續追求，以及大數據與人工智能技術的快速滲透，三重因素疊加使得金融統學分析從輔助工具升級為金融決策的核心基礎設施。風險信號提取金融市場信息高度不對稱且不確定性大，傳統經驗判斷難以應對復雜風險，必須依賴統計分析方法從海量數據中提取有效信號運營效率優化金融機構面臨激烈的市場競爭和監管合規壓力，需要通過數據分析持續提高運營效率、優化資源配置并強化風險控制能力數據基礎拓展大數據技術使得高頻交易數據、另類數據等非傳統信息源可被納入分析框架，極大豐富了金融統學分析的數據基礎建模范式重塑人工智能與機器學習算法的引入正在重塑傳統統計建模范式，從線性模型向非線性、自適應模型演進，分析精度和效率顯著提升Chapter02金融數據的采集與整理掌握金融數據的來源渠道、整理技術與質量評估標準DATACOLLECTION金融數據的三種主要采集方法金融數據采集已形成實地調研、網絡爬蟲與數據平臺交換三大渠道并行的格局，實務中通常多渠道組合使用以確保數據的全面性與時效性，不同方法在成本、效率與數據質量之間各有取舍。實地調研法01通過實地走訪企業和金融機構獲取第一手原始數據，如財務報表、經營臺賬等，數據真實性和可靠性較高02適用于非公開數據的獲取場景，如企業信貸盡職調查、IPO審計中的財務數據核實，但成本較高且效率有限第一手數據網絡爬蟲法01利用Python等編程工具編寫爬蟲程序，自動化采集互聯網上的金融行情、新聞資訊、社交媒體等非結構化數據02效率極高且覆蓋范圍廣，適用于輿情監控和另類數據采集，但需嚴格遵守數據合規要求和網站Robots協議另類數據數據交換平臺法01通過Wind、Bloomberg、CEIC等專業金融數據終端獲取標準化、高質量的金融市場與宏觀經濟數據02是目前金融機構和學術研究中最主流的數據來源，數據格式規范、更新及時，但通常需要較高的訂閱費用BloombergDATAPREPROCESSING金融數據整理的三項核心技術數據清洗、數據轉換與數據標準化構成金融數據預處理的完整技術鏈條，三者層層遞進、缺一不可——清洗解決數據"臟"的問題，轉換解決數據"亂"的問題，標準化解決數據"不可比"的問題。數據清洗通過去重、缺失值填補（均值法/插值法）和異常值檢測（箱線圖/3σ法則），確保原始數據的準確性和完整性。清洗是數據質量的基礎保障，直接影響后續分析的可靠性。準確性·完整性數據轉換將原始數據重塑為適合分析的格式，包括頻率聚合（日→月）、對數變換、差分處理及非結構化文本的NLP特征提取。轉換使數據滿足建模所需的結構要求。頻率聚合數據標準化統一不同來源數據的量綱和格式，常用方法包括Z-Score標準化和Min-Max歸一化，使多維數據具備可比性。標準化消除量綱差異，確保模型訓練的穩定性。Z-Score執行順序三項技術需按"清洗→轉換→標準化"的順序依次執行，任何環節遺漏都將導致后續模型估計結果出現系統性偏差。嚴格的流程管控是數據工程的核心原則。零遺漏DataQuality金融數據質量的三維評估框架數據質量評估是建模分析前的最后一道質量關卡，需從完整性、準確性和一致性三個維度進行系統檢驗。完整性評估檢查數據集是否包含研究所需的全部變量、樣本和時間跨度，識別并記錄缺失字段的比例與分布模式對面板數據需特別關注個體維度與時間維度的覆蓋情況，避免因樣本選擇偏差導致結論不具代表性Completeness準確性評估通過與權威數據源交叉驗證核實數據的真實性和可靠性，排查系統故障、人工錄入錯誤導致的異常數值運用描述性統計和分布檢驗識別極端異常值，判斷其屬于真實市場事件還是數據錯誤，再決定保留或剔除Accuracy一致性評估檢驗不同來源或不同表格之間的數據是否存在邏輯矛盾，如財務報表勾稽關系、匯率與利率的平價條件等統一時間戳、貨幣單位和會計口徑，確?？缡袌?、跨時期數據的橫向和縱向可比性ConsistencyCHAPTER03金融統計分析方法掌握回歸分析、時間序列、波動率建模與風險量化等核心方法論REGRESSIONANALYSIS回歸分析基礎與OLS在金融中的應用普通最小二乘法（OLS）是金融統學分析的基石方法，CAPM模型的Beta估計、多因子模型構建均依賴回歸分析；但金融數據常違反經典假設，需通過系統檢驗與修正確保估計結果的有效性。OLS核心應用廣泛應用于CAPM的Beta系數估計、Fama-French多因子模型構建及事件研究法中的異常收益率計算CAPM·Beta經典假設違背同方差、無自相關、外生性等假設在金融數據中常被違反，股票收益率普遍存在異方差與波動率聚集異方差回歸診斷檢驗懷特檢驗與BP檢驗檢測異方差，DW檢驗與LM檢驗檢測自相關，構成回歸診斷的標準流程White·DW系統修正方法WLS處理異方差，Newey-West穩健標準誤處理自相關，工具變量法（IV）處理內生性問題WLS·IVTimeSeriesAnalysis時間序列分析：平穩性檢驗與ARIMA建模金融時間序列分析以平穩性檢驗為起點，通過單位根檢驗避免偽回歸陷阱，進而運用ARIMA模型進行預測，并利用協整分析與誤差修正模型捕捉變量間的長期均衡關系與短期動態調整機制。01平穩性前提——非平穩數據直接回歸將導致"偽回歸"問題，使統計推斷完全失效偽回歸02ADF檢驗——最常用的單位根檢驗方法，原假設為序列存在單位根，拒絕原假設方可進行后續建模單位根檢驗03ARIMA模型——通過自回歸（AR）、差分（I）和移動平均（MA）三個組件靈活組合，對平穩序列進行擬合和短期預測AR·I·MA04協整與ECM——發現非平穩變量間的長期均衡關系，誤差修正模型可同時刻畫短期偏離與長期收斂長期均衡VOLATILITYMODELING波動率建模：ARCH/GARCH模型族ARCH/GARCH模型族是專門為金融數據"波動率聚集"特征設計的統計工具，通過條件方差方程刻畫波動的時變性和持續性，已成為風險量化、衍生品定價和資產組合管理的核心方法論基礎。01波動率聚集特征金融收益率序列呈現顯著的"波動率聚集"特征——大波動跟隨大波動，傳統同方差假設無法捕捉這一stylizedfact。02ARCH模型Engle(1982)將條件方差建模為過去誤差平方的函數，首次實現了對波動率時變性的定量刻畫。03GARCH模型Bollerslev(1986)在ARCH基礎上引入條件方差的滯后項，以更簡潔的參數化形式描述波動率的長期持續性。04擴展模型族EGARCH捕捉"壞消息比好消息引發更大波動"的杠桿效應；GARCH-M將波動率作為風險因子引入均值方程。MULTIVARIATEDYNAMICMODELS多變量動態模型：VAR與聯立方程系統VAR模型以數據驅動方式捕捉金融多變量間的動態交互關系，聯立方程模型則引入經濟理論約束實現結構識別，二者互補構成了宏觀金融與政策分析的核心建?？蚣堋Ｏ蛄孔曰貧w（VAR）01VAR模型將多個金融變量納入統一框架，每個變量對自身及所有變量的滯后值回歸，無需事先區分內生與外生變量。這種數據驅動特性使其成為探索性分析和預測的有力工具。02脈沖響應函數追蹤單個變量沖擊對整個系統的傳導路徑，方差分解量化各變量對預測誤差的貢獻比例。這些工具為理解復雜金融網絡的動態演化提供了直觀解析。03SVAR通過施加短期或長期識別約束，賦予VAR模型經濟理論含義，廣泛用于貨幣政策傳導效應分析。結構識別是連接數據規律與經濟解釋的關鍵橋梁。聯立方程模型01聯立方程模型將經濟理論轉化為結構方程組，明確區分內生變量、外生變量和前定變量，實現因果關系的結構識別。理論先行的建模邏輯保證了參數估計的經濟可解釋性。02估計方法包括單一方程法（2SLS、3SLS）和系統方程法（FIML），需滿足階條件和秩條件才能保證方程可識別。識別條件的檢驗是模型設定有效性的重要保障。03與VAR形成互補：聯立方程強調理論約束的結構建模，VAR側重數據驅動的動態特征提取。兩者結合可在政策模擬與預測精度之間取得平衡。Chapter04金融市場統計分析將統計方法應用于市場結構分析、證券估值與價格指數構建MARKETANALYSISFRAMEWORK貨幣市場與資本市場的統計分析框架貨幣市場以短期利率和流動性管理為核心，資本市場聚焦長期資產定價，二者通過貨幣政策傳導形成聯動，協整分析與VAR模型是跨市場研究的核心工具。貨幣市場統計特征交易品種涵蓋同業拆借、回購協議、央行票據和短期國債，利率波動平穩但流動性極高，適合用短期利率模型建模。Shibor等基準利率的期限結構可揭示市場對未來貨幣政策的預期，為央行決策提供前瞻性參考。利率期限結構分析資本市場統計特征股票和債券收益率呈現尖峰厚尾特征，正態分布假設會低估極端風險事件的發生概率。資本市場與貨幣政策存在復雜協整關系，央行利率通過貼現因子、流動性效應和信號渠道傳導至資產價格。風險收益分布建模跨市場聯動分析運用VAR模型和脈沖響應函數分析貨幣政策沖擊對股票、債券市場的動態傳導效應與時滯特征。協整檢驗可驗證資本市場與宏觀經濟變量間的長期均衡關系，為資產配置提供基本面錨定依據。協整與脈沖響應SECURITIESVALUATION有價證券價值分析的統計方法體系有價證券價值分析覆蓋股票、債券和基金三大類別，分別采用貼現模型與多因子分析、現金流貼現與久期管理、凈值評估與業績歸因等差異化統計方法，構成完整的證券估值分析框架。SECTION01股票估值方法股利貼現模型（DDM）將股票價值歸結為未來股利的貼現值之和，適用于穩定分紅的成熟企業估值市盈率分析法通過同行業橫向比較和歷史縱向比較判斷股票估值水平，是實務中最常用的相對估值工具Fama-French多因子模型（市場、規模、價值、盈利、投資五因子）解釋股票收益率的截面差異，為量化選股提供理論基礎SECTION02債券與基金估值債券投資價值通過現金流貼現法計算理論價格，久期和凸性分別衡量價格對利率變動的一階和二階敏感性投資基金估值關注凈值計算準確性與業績歸因分析，夏普比率、特雷諾比率和詹森Alpha評估風險調整后收益表現INDEXMETHODOLOGY證券價格指數的編制方法與經濟意義證券價格指數通過科學的樣本選取與加權計算方法，將復雜的市場價格變動凝練為單一數值，既是市場行情的"晴雨表"，也是指數投資產品和衍生品的跟蹤基準，在金融市場基礎設施中居于核心地位。01加權編制方法：價格加權（道瓊斯）、市值加權（上證綜指）和自由流通市值加權（滬深300、標普500），后者更科學反映可交易市場表現自由流通市值加權02債券價格指數：反映債券市場整體價格走勢和利率期限結構變化，與股票指數常呈負相關的"股債蹺蹺板"效應股債蹺蹺板03樣本選取原則：兼顧市場代表性、流動性和行業均衡性，定期調整樣本以保持指數對市場結構的跟蹤精度代表性·流動性·均衡性04多元應用場景：不僅用于行情播報，還是指數基金、ETF、股指期貨和期權等產品的投資標的與業績比較基準ETF·期貨·期權ModernPortfolioTheory馬科維茨投資組合理論：均值-方差分析馬科維茨均值-方差模型以數學期望衡量收益、以方差衡量風險，通過資產間協方差矩陣實現分散化降險，有效前沿上每一個組合都是給定風險水平下的最優配置，奠定了現代投資組合理論的基石。01投資者決策基于預期收益率（均值）和風險（方差）兩個維度，追求在同等風險下收益最大化或同等收益下風險最小化，實現風險與收益的最優權衡。均值×方差02組合風險不僅取決于單個資產方差，更關鍵的是資產間的協方差——當相關系數小于1時，分散投資可有效降低組合整體風險，體現"不要把雞蛋放在一個籃子里"的投資智慧。協方差降險03有效前沿（EfficientFrontier）是所有最小方差組合在均值-標準差平面上形成的上邊界，前沿上的組合均為帕累托最優，即無法在不增加風險的情況下提高收益，也無法在不降低收益的情況下減少風險。帕累托最優04引入無風險資產后，資本市場線（CML）與有效前沿的切點即為最優風險組合（市場組合），投資者沿CML選擇風險偏好匹配的配置，通過無風險借貸實現效用最大化。CML切點CHAPTER05金融風險管理分析掌握VaR量化模型、風險預警指標體系與系統性風險監測方法MARKETRISKVaR模型：概念定義與三大計算方法VaR（在險價值）以"在給定置信水平和持有期內的最大可能損失"這一直觀定義，將復雜的市場風險凝練為單一數值，已成為巴塞爾協議框架下全球金融機構市場風險計量與資本計提的標準工具。CONCEPTVaR的核心概念在特定置信水平（如95%或99%）和持有期（如1天或10天）內，投資組合可能遭受的最大預期損失金額1天99%VaR=1000萬元，意味著正常市場條件下明天有99%概率虧損不超過1000萬，但有1%概率超出該閾值99%·1天METHODOLOGY三大計算方法01歷史模擬法直接利用過去N天真實收益率分布估計，無需分布假設但依賴樣本長度02方差-協方差法假設正態分布，通過均值和標準差解析計算，簡便但低估尾部風險03蒙特卡洛模擬隨機模擬數萬條未來價格路徑，取損失分位數，靈活但計算成本大3種路徑VALIDATIONVaR的事后檢驗回測檢驗通過比較實際損失超出VaR的天數與理論預期是否一致，驗證模型可靠性巴塞爾協議規定回測失敗次數超過閾值時需追加資本附加，確保極端市場下仍穩健BacktestingRiskMonitoringFramework金融風險預警指標體系與預警方法金融風險預警從單機構風險度量升級為系統性風險監測，通過多維度指標體系與綜合預警方法捕捉風險積累的早期信號，為宏觀審慎監管提供前瞻性決策支持，是防范系統性金融危機的關鍵防線。01IMF金融穩健指標體系FSI體系涵蓋資本充足率、資產質量（不良貸款率）、盈利能力、流動性和市場風險敏感度五大核心維度5大維度02預警方法持續演進從簡單閾值法（指標超限報警）演進至綜合指數法（多指標加權合成）和機器學習模型（隨機森林、LSTM），預警精度持續提升LSTM03系統性風險監測重點關注金融機構間的關聯度和風險傳染路徑，網絡分析方法和CoVaR模型可量化"太大而不能倒"的溢出效應CoVaR04中國金融風險預警體系整合銀行、證券、保險和影子銀行多維度指標，建立跨市場、跨行業的宏觀審慎監測框架宏觀審慎ExternalDebtMonitoring外債監測統計指標體系與風險預警外債風險是引發主權債務危機和貨幣危機的核心誘因之一，通過償債率、負債率、債務率和短期外債占比等核心指標的系統監測，可及時識別一國外債負擔的安全邊界與潛在脆弱性。四大核心監測指標01償債率（當年還本付息額/出口收入）反映一國短期償債壓力，國際警戒線通常為20%，超閾值提示流動性風險上升02負債率（外債余額/GDP）衡量外債規模與經濟總量的匹配度，警戒線通常為20%，反映一國整體債務承載能力03債務率（外債余額/出口收入）從創匯能力角度評估外債可持續性，警戒線通常為100%，亞洲金融危機中多國曾突破200%04短期外債占比（短期外債/外債總額）監測期限錯配風險，警戒線為25%，過高意味著展期壓力大、易受資本外逃沖擊外債監測核心指標與國際警戒線指標名稱計算公式警戒線風險含義償債率還本付息額/出口收入20%短期償債壓力與流動性風險負債率外債余額/GDP20%外債規模與經濟承載力匹配度債務率外債余額/出口收入100%外債可持續性與創匯能力短期外債占比短期外債/外債總額25%期限錯配與資本外逃脆弱性四大指標從償債壓力、經濟承載、創匯能力和期限結構構建外債風險預警框架CHAPTER06金融機構運營分析運用統計方法評估金融機構的經營效率、盈利能力與風險管控水平BANKINGOPERATIONS商業銀行運營分析的統計指標體系商業銀行運營分析以盈利能力、資產質量、資本充足性和流動性四大維度為核心框架，通過系統化的統計指標橫向對標與縱向追蹤，全面評估銀行經營效率與風險管控水平，為監管評級和投資決策提供定量依據。盈利能力與效率凈息差（NIM）衡量存貸款利差收入能力，ROA和ROE分別反映資產回報率和股東資本回報效率成本收入比評估運營效率，國際優秀銀行通常控制在40%–50%區間NIM·ROA·ROE資產質量與風控不良貸款率反映信貸資產質量，撥備覆蓋率衡量風險緩沖墊厚度，監管要求不低于150%關注類貸款遷徙率和逾期90天以上貸款與不良貸款的比值，可前瞻性判斷資產質量惡化趨勢≥150%資本充足與流動性巴塞爾III框架下核心一級資本充足率≥7.5%、總資本充足率≥10.5%，是抵御非預期損失的資本底線流動性覆蓋率（LCR）和凈穩定資金比率（NSFR）均需≥100%，確保壓力情景下維持充足流動性BaselIIIFinancialOperations證券公司與保險公司的運營統計分析證券公司盈利高度依賴市場周期，需通過方差分析量化市場環境對收入的影響；保險公司以精算統計為核心，賠付率與內含價值評估是運營分析的關鍵，兩類機構的統計方法各有側重。SECTION01證券公司運營分析經紀、自營、投行和資管四大業務線構成券商收入結構，各業務線受市場周期影響程度不同，自營業務波動性最大運用回歸分析量化市場指數漲跌幅、成交量等外部變量對券商營收的解釋力度，評估盈利的Beta敏感度和Alpha能力SECTION02保險公司運營分析賠付率和綜合成本率（COR）是財險公司盈利能力的核心指標，COR低于100%意味著承保業務本身盈利壽險公司通過精算現值和內含價值（EV）評估長期保單負債，新業務價值（NBV）衡量增量業務的股東價值貢獻核心指標速覽券商核心方法Beta+Alpha回歸分析量化市場變量對營收解釋力財險盈利閾值COR<100%綜合成本率低于100%即承保盈利壽險價值評估EV+NBV內含價值與新業務價值衡量股東貢獻CHAPTER07綜合案例分析與實證研究通過完整案例串聯數據獲取、模型構建、結果解讀與論文寫作全流程METHODOLOGY金融實證研究的標準框架與寫作規范金融實證研究遵循"選題→文獻→假說→數據→模型→結果→結論"的標準化框架，每個環節都有嚴格的學術規范，數據誠實性和方法論嚴謹性是高質量實證研究的兩大基石。01選題與文獻選題應兼具理論意義和現實價值，好的研究問題源于對金融現象的深入觀察和對文獻空白的精準把握。系統梳理國內外相關研究，明確理論貢獻邊際。02研究設計需明確數據來源、樣本期間、變量定義（被解釋變量、解釋變量、控制變量）和計量方法選擇依據。構建清晰的理論假說，確保研究設計能夠有效檢驗假說。03實證分析結果報告應包含描述性統計、相關性分析、基準回歸、穩健性檢驗和內生性處理等完整鏈條。通過多種方法驗證結論可靠性，增強研究說服力。04學術誠信要求誠實報告所有結果（包括不顯著的），禁止數據窺探和選擇性報告，確保研究可被獨立復現。維護學術聲譽，推動學科健康發展。CASESTUDY·實證金融案例一：中國封閉式基金折價的實證分析封閉式基金折價是金融學的經典謎題，通過對中國市場數據的面板回歸分析，可檢驗代理成本、流動性和噪聲交易者三種競爭性假說的解釋力，完整展示從理論假說提出到實證檢驗的標準研究流程。折價謎題封閉式基金市價持續低于凈值，違背一價定律，構成金融學經典謎題。Discount20–30%代理成本假說管理費用持續侵蝕基金價值，投資者要求以折價補償代理成本。AgencyCost流動性假說基金份額流動性差，二級市場變現困難，投資者需折價補償流動性風險。Liquidity噪聲交易者假說散戶情緒驅動價格偏離基本面，在中國市場解釋力最強，提供本土化行為金融證據。NoiseTrader研究方法：面板數據回歸模型，以折價率為被解釋變量，基金規模、費率、持有人結構為解釋變量，控制市場環境與時間效應公司治理·實證研究案例二：上市公司控制權與現金流權分離研究大股東通過金字塔結構實現控制權與現金流權的分離，偏離度越大意味著"隧道效應"風險越高，通過實證回歸檢驗兩權偏離度對公司價值和中小股東利益的影響，是公司治理與金融統計交叉研究的典型范例。理論背景與機制01金字塔控股結構和交叉持股使得大股東以較少現金流權（出資比例）掌握較大控制權（投票權），產生兩權偏離兩權偏離02兩權偏離度越大，大股東侵占中小股東利益的"隧道效應"動機越強——因為侵占成本低（現金流權小）而控制收益高隧道效應實證設計與發現03以托賓Q為公司價值代理變量，回歸檢驗控制權-現金流權偏離度的影響，控制公司規模、杠桿率和行業特征等變量Tobin'sQ04中國市場實證普遍發現兩權偏離度與托賓Q顯著負相關，偏離度每增加10%公司價值約降低3%-5%，關聯交易頻率顯著上升↓3%–5%MacroeconomicAnalysis通貨膨脹的統計測量與成因分析通貨膨脹統計是宏觀金融分析的基礎性工作，CPI編制涉及復雜的抽樣與加權方法，成因分析需區分需求拉動與成本推動兩種機制，VAR模型和菲利普斯曲線為通脹預測與貨幣政策評估提供核心分析框架。01CPI編制方法涉及商品籃子選取、權重確定（基于居民消費支出調查）、質量調整和基期輪換等復雜統計技術問題02通脹成因區分需求拉動型（貨幣超發、總需求過熱）與成本推動型（原材料漲價、工資剛性），政策應對策略截然不同03VAR脈沖響應通過脈沖響應函數識別需求沖擊與供給沖擊對物