新冠肺炎疫情冲击导致经济出现结构性变化，对通胀预测提出了新的挑战；而大数据时代的到来，则为提高通胀预测的时效性提供了新的机遇．本文据此围绕基于大数据的通胀“现时”预测（nowcasting）进行探索，提出一个基本的现时预测框架，其核心是引入新的大数据宏观实时变量或大数据预测方法。本文通过引入宏观实时变量--基于互联网在线大数据的居民消费价格指数(internet－based consumer price index,iCPI）,包括总类和大类的iCPI日环比指数、周环比指数、旬同比指数和月同比指数,采用LASSO(the least absolute shrinkage and selection operator）降维法和混频数据抽样模型（mixed data sampling，MIDAS),有效地提高了通胀预测的时效性和准确性。研究发现:不同频率的iCPI均有利于提高通胀预测准确性,其表现优于基准模型和大部分的同频传统指标,当其与传统指标相结合时,可进一步降低预测误差,目前尚不能完全舍弃传统变量和方法；在不同频率下（日度除外），iCPI八大类的预测效果优于iCPI总类;不同频率的大数据指标在通胀预测的准确性和时效性上各有优势,这与其背后反映的信息结构有关,其中高频旬同比iCPI表现尤为突出、其能较好地兼顾预测时效性和准确性。本研究为数字经济时代利用大数据提高通胀预测的准确性和时效性、创新宏观经济监测与预测体系提供了有益参考。
