本文試圖回答一個交易與研究都繞不開的問題：在官方CPI發布前，如何用一套紀律化的方法，提前刻畫美國通脹的當期位置與短期路徑。

當前宏觀環境下，這個問題的緊迫性進一步上升：一方面，中東地緣衝突反覆牽動油價與運輸成本，能源風險溢價的抬升使名義通脹更容易出現階段性上衝；另一方面，聯儲局在降息時點與節奏上保持謹慎，市場對「何時降、降多少」的預期頻繁重定價，導致單月通脹數據的「預期差」效應被顯著放大。

在這種背景下，僅依賴單一讀數或敘事判斷，容易把短期能源擾動與中期核心粘性混為一談。基於此，本文采用一個計量模型框架而非多模型拼盤：在同一參數體系內，同時輸出名義通脹率與核心通脹率，並通過能源通道、成本變量、慣性項與預期代理變量的組合來解釋二者分化。模型以按月口徑為主，按月末信息集滾動更新，同時給出 Nowcast與未來三個月的條件預測路徑。對AI影響的處理也遵循「可觀測、可迴歸、可複覈」的原則，使用相對美國寬基（SPY）的主題超額收益與波動因子作為輔助解釋，而非將其設定為主驅動。

與此同時，該模型也可以滾動更新框架：在統一參數體系下，同步輸出名義通脹率與核心通脹率的按月預測，按月末信息集給出Nowcast，並延伸至未來三個月的條件預測路徑。

模型的預測結果顯示，核心通脹按月預測更穩、名義通脹預測更易受能源擾動，但需要指出的是，能源模塊高波動導致誤差更大屬正常。

由於美國即將發布3月通脹數據，模型給出的最新預測為：名義通脹率約+0.92%（按月），核心通脹率約+0.35%（按月）。而未來三個月美國的通脹走勢應該會逐步正常化，也表明來自原油價格的衝擊大概率會逐步降低。

正文

近階段中東局勢再度牽動全球能源市場的敏感神經：地區衝突外溢、關鍵航道航運安全與供應中斷風險等敘事交織，推動原油風險溢價階段性抬升。歷史經驗表明，此類衝擊往往首先在現貨與近月合約上體現，並沿「能源CPI—交通運輸—部分服務成本」鏈條向消費物價擴散；其對名義通脹率的邊際影響通常更為顯著，而對核心通脹率的當期衝擊相對滯後，更多通過企業預期與成本轉嫁逐步顯現。

因此，在通脹預測與資產配置討論中，不宜將「油價上漲」簡單等同於「核心通脹加速」：前者更貼近名義側的波動來源，後者仍需回到薪資、居住與服務等分項的粘性證據上逐一覈對。

與地緣衝擊並行的是貨幣政策前景的模糊性。聯儲局在是否進一步降息、降息時點與幅度上表現出明顯的猶豫：一方面，官員反覆強調對數據的依賴與「雙向風險」；另一方面，市場參與者基於軟着陸或增長放緩的敘事，往往提前交易更陡峭的寬鬆路徑。其結果是，聯邦基金期貨隱含的降息軌跡與點陣圖所揭示的政策利率中樞之間頻繁出現偏離，短端利率與風險資產在CPI、就業與PMI等「硬數據」發布窗口前後的波動率抬升。

在這樣的背景下，Nowcast的意義並不止於「猜中」官方數字，而在於為投資者提供一條在發布前即可更新的參照軌跡，使名義通脹率與核心通脹率這兩條線索在敘事上保持可檢驗的一致性。

本文主線是一個計量模型框架，模型在同一體系內處理兩類目標：一類是受能源與供給擾動更直接影響的名義通脹率，另一類是更能反映中期價格粘性的核心通脹率。這種設計的優勢在於：既保留總指數對市場衝擊的敏感度，又能避免把所有波動都解釋為核心趨勢變化。

具體到結構上，模型將能源鏈條作為名義通脹的關鍵傳導通道，並在同一套參數框架下對核心通脹給出相對平滑的估計。對外呈現時可以理解為「一個模型、雙輸出」：輸出一是名義通脹的短期方向，輸出二是核心通脹的粘性強弱。全文不展開技術細節，重點放在模型結論與宏觀敘事的一致性。

模型變量按經濟含義分為四組。第一組是通脹自身慣性，即名義與核心通脹率的滯後項，用於刻畫月度序列的自相關結構。第二組是成本與外部價格，包括能源價格變化、進口價格與生產端價格信號，主要承擔短期衝擊向消費端傳導的解釋任務。第三組是內生粘性變量，例如工資與服務相關價格信號，用於識別核心通脹的「慢變量」屬性。第四組是金融與預期指標，包括美元與風險偏好因子，主要用於捕捉預期層面對當月定價的放大或緩衝。

在實現上，名義通脹方程會給予能源通道更高權重，而核心通脹方程更強調工資、服務與慣性項。這樣處理的好處是：當油價短期波動放大時，模型會優先把變化歸入名義通脹側；只有當非能源分項也持續抬升時，核心通脹預測纔會同步上修。

考慮到AI對於通脹的影響，我們的模型中也加入了AI的相關因子。模型對AI影響的處理遵循「可觀測、可迴歸、可複覈」三原則。具體做法是將AI相關信息映射為兩個因子：其一是AI主題資產的相對收益因子（相對美國寬基指數SPY的超額收益），其二是AI主題資產的波動因子（實現波動率或風險溢價代理）。前者更接近「投資周期與盈利預期」，後者更接近「不確定性與風險偏好」。

評估AI影響時，模型不直接追求「AI是否顯著影響CPI」這一過於粗糙的結論，而是分三步判斷。第一步看統計顯著性與符號穩定性：在滾動樣本中，因子係數方向是否反覆跳變。第二步看增量解釋力：加入AI因子後，樣本外誤差與方向準確率是否改善。第三步看經濟解釋一致性：當AI因子走強但能源走弱時，名義與核心通脹預測是否出現符合直覺的分化。

在當前框架下，AI因子通常作為「輔因子」而非「主驅動」。這意味着它更適合回答「在同樣的宏觀底色下，通脹路徑會不會更具有粘性或更平滑」，而不是單獨決定通脹方向。這樣的處理方式，既保留了新經濟變量的信息價值，也避免了將短期市場敘事誤讀為宏觀因果。

為檢驗自數據進入到結果輸出的全流程，我們使用合成的月頻與日頻序列構造滾動樣本外評估。結果顯示，名義通脹側樣本外均方根誤差約0.80（百分點量級下同），方向準確率約75%；核心通脹側均方根誤差約0.19，方向準確率約75%；服務名義側分解的能源子模塊均方根誤差約3.32，方向準確率約68%。

由於美國即將發布3月通脹數據，模型給出的最新預測為：名義通脹率約+0.92%（按月），核心通脹率約+0.35%（按月）。而未來三個月美國的通脹走勢應該會逐步正常化，也表明來自原油價格的衝擊大概率會逐步降低。

注：本文來自國泰君安證券(香港)有限公司發布的《美國通脹 Nowcast模型：如何評估油價和AI衝擊？》，報告分析師：周浩、黃凱鴻