韓国トレンドインフレ率

トレンドインフレ率（trend inflation）はインフレの長期的・永続的な成分であり、一時的な供給ショック、季節変動、ベース効果、測定ノイズを除去した後に残る基調的な物価上昇率である。観測インフレ率が中長期的に収束していく経済の「定常状態（steady-state）」インフレ率と解釈できる。

観測インフレは区別される2つの成分を含む。一つは金融政策の信頼性、期待のアンカリング、構造的経済要因により緩やかに変化するトレンドであり、もう一つは供給ショック（原油価格、食料品価格、為替パススルー）、税制変更、測定上の特異性に起因する変動的な一時成分である。トレンドは市場で直接観測されない潜在成分であるため、非観測成分モデルにより抽出する。各月に公表する値はその月までのインフレ率データだけから求めたトレンドの一方向推定値である。この系列はトレンドそのものであり、トレンドにインフレ目標とサーベイ期待を組み合わせた期待インフレ曲線の長期アンカーとは異なる。

トレンドインフレの上昇は基調的な物価圧力の強まりを、低下はその緩和を示す。信頼性のある物価安定目標体制の下でトレンドインフレは時間の経過とともに公表目標に収束し、目標からの持続的な乖離は中央銀行の信頼性の侵食、価格設定行動の構造的変化、または金融政策では容易に相殺できない供給側要因を示唆し得る（Carvalho et al. 2023）。

ヘッドラインCPI前年同月比から、Stock and Watson (2007)の非観測成分確率的ボラティリティ（UCSV）モデルによりトレンドインフレ率を抽出し、公表系列は拡張ウィンドウに60ヶ月の観測値が初めてそろう1995年12月に始まる。

(1) 状態空間設定. 観測方程式とトレンド方程式を次の状態空間で表現する：

対数ボラティリティ過程は以下に従う：

ここで $\tau_t$ はトレンドインフレ率、$h_t$ は観測対数ボラティリティ、$g_t$ はトレンドイノベーション対数ボラティリティである。

(2) Gibbsサンプリング. Chan and Jeliazkov (2009)の精度ベースGibbsサンプラーを使用し、精度行列の三重対角構造を活用して $O(T)$ でサンプリングを行う。非線形SV観測方程式はOmori et al. (2005)の $\log(\chi^2(1))$ に対する10成分ガウス混合近似により線形化する。5つのGibbsブロックを巡回し、精度ベースサンプリングにより $\tau_{1:T}$ を、KSC混合により $h_{1:T}$ と $g_{1:T}$ を、多項分布により混合指示変数を、逆ガンマ共役事前分布により $\sigma^2_h, \sigma^2_g$ を抽出する。

(3) MCMC設定. バーンイン2,000回、事後サンプル5,000個、IG事前分布 $\nu_0 = 10$、$E[\sigma^2] = 0.02$、拡散的初期状態分散 $V_0 = 10.0$ を使用する。サンプラーの初期値はインフレ率の12ヶ月移動平均で与え、初期値に含まれる月次の季節変動を抑える。

(4) 拡張ウィンドウによる一方向推定. 公表するトレンドは全標本にわたる双方向の事後経路ではない。各月について、その月までのインフレ率観測値からなる拡張ウィンドウでサンプラーを新たに実行し、ウィンドウ最終月のトレンドの事後平均をその月の値として公表するため、それ以降の観測値はその値に反映されない。系列はウィンドウに最小限の長さである60ヶ月分の月次観測値がたまってから始まり、それ以前の月は推定しない。すべてのウィンドウで同じシードを用いるため、隣り合う月は共通乱数を共有し、月々の動きは互いに独立なモンテカルロ誤差ではない。各ウィンドウの初期トレンドは標本初年の平均インフレ率を中心とする同じ拡散的事前分布から出発するため、初期の月は後の月よりもこの出発値と固定された事前分布に強く依存する。各値はその月までのデータだけを用いる一方向の推定値であるが、ボラティリティのイノベーション分散の事前平均は全標本で較正しており、入力は最新の物価指数データであるため、この系列はリアルタイム推定値ではなく準リアルタイム推定値である（Orphanides and van Norden 2002）。この系列は観測されないトレンドのモデル推定値であり、観測統計でも中央銀行の推定値でもなく、過去の月の値はその月までの物価データが改定されたり基準年が変わったりしたとき、あるいはサンプラー自体が変わったときに限って変わる。

トレンドインフレは、政策金利ルールのインフレギャップを一時的ショックに歪められずに測定するベンチマークを与える。Taylor (1993)ルールとその現代的拡張では、適正政策金利はインフレギャップ、すなわち現在のインフレの目標からの乖離に反応する。ヘッドラインインフレの代わりにトレンドインフレを用いてこのギャップを算出すれば構造的にクリーンな尺度が得られ、現在の基準金利が中期的インフレの軌道に対して適切かを評価できる。

トレンドインフレの変化は金融政策レジームの転換と関連する。この概念はマクロ経済時系列の永続・一時分解に端を発し、Beveridge and Nelson (1981)がインフレに適用し、Stock and Watson (2007)が精緻化した。Cogley and Sargent (2005)およびCogley, Primiceri, and Sargent (2010)はトレンドインフレの推移が政策レジームの変化と連動することを示した。トレンドインフレが高く上昇していた時期（例えば米国の1970年代）に金融政策はインフレに十分に反応せず、Taylor原則（$\partial i / \partial \pi > 1$）に違反し、インフレが自己強化的に上昇した。その後のボルカー・ディスインフレとGreat Moderation期のトレンドインフレの低下は物価安定に対する信頼性のある政策コミットメントを反映した。

韓国のトレンドインフレの動学は複数の構造的要因により形成されてきた。工業化期の急速な生産性上昇はディスインフレ効果をもたらし、1997〜98年の通貨危機は急激だが一時的なインフレ急騰を引き起こし、1998年の公式インフレターゲティングの導入以降、韓国のインフレは先進国水準へ漸進的に収束した。2020年以降のサプライチェーン混乱とエネルギー価格ショックによるグローバルなインフレ急騰は韓国のトレンドインフレのアンカリングを試練にさらした。

トレンドインフレはまた「コア」インフレギャップの算出や金融環境指数（FCI）のインフレ成分の補正のための適切なベンチマークを与える。Chan, Koop, and Potter (2013)はUCSVトレンドが伝統的なコア測定値（刈込平均、加重中央値、食料品・エネルギー除外）よりも将来のヘッドラインインフレ予測において優れた性能を発揮することを示したが、これは固定カテゴリーを機械的に除外するのではなく様々な種類の一時的ショックを適応的にフィルタリングするためである。

UCSVモデルがトレンドと一時成分の双方に時変ボラティリティを許容する点は、トレンド抽出において実証的に重要である。インフレのボラティリティは1970年代の大インフレ（Great Inflation）から大安定（Great Moderation）、コロナ後のインフレ急騰に至るまでレジーム間で大きく変化し、一定ボラティリティを課すモデルはレジーム転換期に偏ったトレンド推定値をもたらす。さらにモデルの確率的ボラティリティ構造は追加的な情報次元を与え、推定されたトレンドイノベーション分散（$\exp(g_t)$）はインフレレジーム自体に対する不確実性の程度を測定する。高いトレンドイノベーション・ボラティリティはインフレレジームが転換し得ることを示唆し、金融政策の遂行とコミュニケーションに含意を持つ。

トレンドインフレの変化は実現インフレの持続的な成分がシフトしたことを表し、名目債券利回り、実質リターンの見通し、物価連動資産のバリュエーションに直接的な影響を及ぼす。

債券投資家にとってトレンドインフレは名目利回りの長期水準を決定づける中心的な要因である。韓国および他の先進国で1990年代後半から2010年代にかけて観察されたトレンドインフレの趨勢的低下は均衡債券利回りの構造的な下方シフトと関連する。Cieslak and Povala (2015)はインフレをトレンドと循環成分に分解すれば債券利回りの予測力が実質的に向上することを示したが、これはトレンド成分が長期リターンを生み出す利回り水準の永続的変化を捉えるためである。

UCSVモデルの確率的ボラティリティ構造はインフレ不確実性の自然な尺度を与え、これ自体が債券市場で価格付けされるリスクファクターである。Wright (2011)はインフレ不確実性がタームプレミアムと正の相関を持つことを示した。インフレレジームが不確実な時に投資家は名目債券の保有に対してより高い補償を要求する。UCSVの時変ボラティリティ推定値はしたがってタームプレミアムモデルやインフレリスクプレミアム推定の入力変数として活用し得る。

資産配分においてトレンドインフレは各資産クラスの実質リターン見通しに関する情報を与える。トレンドインフレが上昇する時、名目債券は逆風（利回り上昇に伴う資本損失）に直面する一方、コモディティ、不動産、物価保護証券は相対的に優れたパフォーマンスを示す傾向がある。逆にトレンドインフレの低下は長期名目債券と割引率低下の恩恵を受けるグロース株に有利である。

KREDのトレンドインフレ時系列は実現インフレの持続的な成分を要約する。これは市場ベースのブレークイーブン・インフレ率やサーベイに基づく期待の尺度に代わるものではなくそれらを補うものであり、インフレリスク・エクスポージャーを評価する韓国の機関投資家に役立つ。

KRTRINFは、KREDがStock and Watson (2007)の非観測成分確率的ボラティリティ・モデルをヘッドラインCPIインフレに適用して得るトレンドであり、月ごとに新たに当てはめる拡張ウィンドウの最終月におけるトレンドの事後平均という一方向の推定値として公表し、全標本の事後経路としては公表しない。トレンドの和分次数は推定されるのではなくランダムウォークのトレンド方程式が課すものであり、そのようなトレンドの端点の事後平均は、ボラティリティの信号対雑音比が時変の加重を定める一方向の指数加重平均であるため、その加重が経路の系列相関を支配する (Cogley 2002)。したがって統計的な対象はその一方向の経路の持続性の要約であって、データの和分次数ではない。

Said and Dickey (1984)のラグ補強を適用したDickey and Fuller (1979)の拡張回帰、ノンパラメトリックなPhillips and Perron (1988)検定、およびKPSS定常性検定 (Kwiatkowski et al. 1992)は、これらの判定がデータの性質ではなくモデルが課すランダムウォークのトレンドを検定するにすぎず、そのようなトレンドのランダムウォーク対定数の性格は尤度では定まらないため、この経路については意図的に実施しなかった (Stock and Watson 1998)。GLSトレンド除去検定 (Elliott, Rothenberg, and Stock 1996)とNg and Perron (2001)の修正統計量の一群も、同じ理由で実施しなかった。いずれも本アーキタイプが取らない和分の判読を追認するにとどまるからである。水準に対するBai and Perron (1998)の構造変化の探索も同様に実施しなかった。推定されたトレンドの平均に生じた変化は、経済の変化ではなく投入に対する推定量の応答を映すからである (Perron 1989)。Ljung and Box (1978)の水準ポートマントーもここでは適用しない。この経路では、同検定が読み取るのはデータ生成過程についての証拠ではなく推定量の加重の仕方だからである。

その代わりにマトリクスが指定するのは、記述的な持続性の要約と改定についての記述である。1995-12-01から2026-05-01までの366か月において、一方向のトレンドの1階の自己回帰係数は0.964であり、含意される半減期は18.96か月である。これは和分次数ではなくこの系列の性質として報告し、自己回帰係数が1に近い標本で生じる小標本の下方バイアスを踏まえて読む (Andrews 1993)。系列が1995-12-01に始まるのは、拡張ウィンドウが最小の長さに達する前の月は推定しないからである。改定のセルは、保存された月の値をその月までの物価データが改定されたり基準年が変わったりしたとき、あるいはサンプラー自体が変わったときにだけ計算し直し、読み込みのたびに履歴全体を置き換えることを記録する。したがって平滑化が入らないにもかかわらず過去の特定月の値は更新をまたいで動くことがあり、その動きの大きさを測れる日付付きのヴィンテージ・パネルは存在しない (Orphanides and van Norden 2002)。

含意ではなく明示する限界が三つある。和分次数を付与しないのは、検定が結論を出せなかったからではなく判定によるものである (Hamilton 2018)。トレンドはデータの面では一方向であるがリアルタイムの推定値ではない。ボラティリティのイノベーションに対する事前分布を全標本で較正し、入力は最新の物価指数データであるため、Orphanides and van Norden (2002)の意味での準リアルタイムの証拠であり、このトレンドはモデル推定値であって観測統計でも中央銀行の推定値でもない。また、すべてのウィンドウで同じ乱数シードを用いるため、隣り合う月は共通乱数を共有し、月々の動きは互いに独立なモンテカルロ誤差ではなく、共有されたシミュレーション誤差が上の持続性にどれだけ混じっているかはここでは定量化しない。半減期は月を単位として測った値である。