通货膨胀作为重要的宏观经济变量,是反映经济运行状况的关键指标。进行通货膨胀的预测,在宏观层面,有利于政府机构提前更好地发挥货币政策来稳定市场的物价;在微观层面,能帮助投资者做出更好的投资判断。当下,经济数据越来越复杂,仅用一个或者几个变量进行通货膨胀分析预测可能存在片面性。因此,在数据选取方面,本文选取尽可能多的宏观经济数据作为变量,来进行通货膨胀的预测分析。与之前的计量经济研究使用因子分析对数据进行降维不同,本文先对变量进行分组,在每组变量中分别进行因子分析推导出因子。通过计算每组因子的因子得分,最后将每组因子得分合并为新的数据集进行通货膨胀预测。在滚动窗口估计和扩展窗口估计下,利用分组因子分析方法与随机森林特征选择、未分组因子分析、不进行任何降维处理进行对比。研究结果表明,在滚动窗口估计下,在表现最好的GBDT中,利用分组因子分析对数据进行降维的预测准确度明显高于其他3种方法。在扩展窗口估计下,在表现最好的GBDT中,利用分组因子分析对数据进行降维的预测准确度明显高于基于随机森林进行特征选择和未分组因子分析方法。与未进行任何降维处理的方法相比,基于分组因子分析GBDT以较小的预测准确度为代价大大提高了预测效率,提高了模型的预测性能,模型实用性得以提高。通过计算每个月各模型预测误差平方,来表示模型在短期通货膨胀的预测效果。结果表明,新冠疫情和春节效应对通货膨胀的预测产生了严重的影响,在新冠疫情爆发和春节前后,所有模型的预测误差都出现一定程度增加。在新冠疫情爆发初期,线性模型、决策树算法和支持向量机算法的预测误差有明显的增大趋势,然而GBDT算法增加幅度最小,具有最好的预测准确度,预测误差一直处于相对较低的水平,表现出了很好的鲁棒性。最后,在滚动窗口估计和扩展窗口估计下,使用分组因子分析GBDT进行特征重要性分析。以新冠疫情为时间节点,对特征重要性较高的因子进行分析研究,发现在疫情爆发后普通存贷利率因子对通货膨胀的平均影响程度相比于疫情前有明显下降,而投入产出2因子有明显增加。经过分析出现这一现象主要是因为疫情发生后商品供不应求和央行对利率的多次调控对通货膨胀产生了重大影响。总的来说,将分组因子分析和GBDT算法相结合的方式预测通货膨胀,无论是在滚动窗口估计还是扩展窗口估计下,整体上有着较好的预测性能,而且面对新冠疫情这一重大突发事件,表现出很好的鲁棒性。有鉴于此,本文建议将分组因子分析-GBDT模型更加广泛应用于通货膨胀预测领域。