美国通胀降温,六月CPI录得自2020年以来最大月度降幅

ambcrypto發佈於 2026-07-14更新於 2026-07-14

文章摘要

美国6月消费者价格指数(CPI)环比下降0.4%,为2020年4月以来最大月度降幅,同比涨幅从5月的4.2%放缓至3.5%。通胀降温主要受能源价格推动,6月能源价格指数大幅下降5.7%,其中汽油价格下跌9.7%,抵消了食品和住房成本的小幅上涨。剔除波动较大的食品和能源后,核心CPI环比持平,同比涨幅从2.9%降至2.6%。住房成本仅微增0.1%,为2021年1月以来最小涨幅。数据强化了市场对通胀压力正在缓解的预期,可能为美联储在未来考虑降息提供更多空间,这通常对风险资产构成支撑。但分析指出,当前改善主要源于能源价格回落,而非经济领域的普遍降温。

美国通胀在六月显著降温,消费者价格录得自新冠疫情初期以来的最大月度降幅。这加强了市场预期,如果趋势持续,美联储可能有更大的空间来放宽货币政策。

根据美国劳工统计局发布的数据,消费者价格指数【CPI】环比下降0.4%,此前在五月上涨了0.5%年度通胀率从上月的4.2%放缓至3.5%

能源价格推动通胀大幅下降

劳工统计局表示,能源价格下跌是六月通胀放缓的主要推动力。

在连续三个月大幅上涨后,能源指数当月下跌了5.7%汽油价格下跌9.7%,帮助抵消了食品和居住成本的持续上涨。食品价格上涨0.2%,其中杂货价格和外出就餐费用均有小幅增长。

与此同时,剔除波动较大的食品和能源类别的核心CPI在六月保持不变,而五月曾上涨0.2%。按年计算,核心通胀率从上月的2.9%放缓至2.6%

报告还指出,居住指数上涨0.1%,为自2021年1月以来的最小月度涨幅。而机动车保险、通讯、服装、医疗保健和二手车价格在当月均有所下降。

市场将注意力转向美联储

这份较为温和的通胀数据可能会强化市场预期,即在经历了几个月的读数偏高后,价格压力正在缓解。

尽管美联储一再表示其决策仍将依赖于数据,但较低的通胀水平通常会给政策制定者更大的灵活性,以考虑降息——前提是更广泛的经济状况支持这一举措。

对于加密货币市场而言,通胀降温通常被视为对风险资产的利好,因为较低的利率可以改善流动性并降低对收益导向型投资的吸引力。然而,投资者在断定美联储的下一个政策决定之前,也会关注即将公布的就业和通胀数据。

通胀形势在春季强劲读数后发生转变

六月的报告标志着与早春时显著的反转,当时不断上涨的能源成本推高了整体通胀率。

尽管年度通胀率仍高于美联储的长期目标,但整体CPI月度下降和核心通胀持平的组合表明,六月份价格压力已显著缓解。然而,这种改善在很大程度上是由能源价格下跌而非经济全面性下滑推动的。


最终摘要

  • 美国CPI在六月环比下降0.4%,为自2020年4月以来的最大月度降幅,而年度通胀率从五月的4.2%放缓至3.5%。
  • 通胀放缓主要由能源价格下跌5.7%所推动。核心通胀在当月保持不变,年度核心通胀率则放缓至2.6%。

相關問答

Q根据文章,2024年6月美国消费者价格指数(CPI)环比和同比数据分别是多少?

A2024年6月,美国消费者价格指数(CPI)环比(与上月相比)下降0.4%,是自2020年4月以来的最大月度降幅。同比(与去年同期相比)通胀率从5月的4.2%放缓至3.5%。

Q导致6月通胀显著放缓的主要原因是什么?其中,哪个具体分项价格的变动起到了关键作用?

A导致6月通胀显著放缓的主要原因是能源价格的下跌。具体而言,能源价格指数在当月下降了5.7%,其中汽油价格大幅下跌了9.7%,这帮助抵消了食品和住房成本的持续上涨。

Q什么是核心CPI?6月份的核心CPI环比和同比数据表现如何?

A核心CPI是指剔除波动性较大的食品和能源类别后的消费者价格指数。6月份,核心CPI环比(与上月相比)保持不变,而同比(与去年同期相比)通胀率则从5月的2.9%放缓至2.6%。

Q文章提到,除了能源价格下跌,还有哪些类别商品的价格在6月份出现了下降?

A根据文章,除了能源价格外,6月份价格下降的类别还包括:机动车保险、通信服务、服装、医疗保健以及二手车价格。

Q通胀数据降温,为何通常被视为对加密货币等风险资产有利?

A通胀降温通常被视为对加密货币等风险资产有利,因为这增加了美联储(Fed)考虑降息的可能性。较低的利率可以改善市场流动性,并降低了以追求固定收益为主的投资(如债券)的吸引力,从而可能促使更多资金流向风险较高的资产类别,如加密货币和股票。

你可能也喜歡

AI开始亲自动手做实验了

谷歌DeepMind与Anthropic近期发布的研究显示,AI正从纯软件领域走向物理世界,开始直接操控实验设备进行科学研究。 谷歌团队将Gemini驱动的“Co-Scientist”系统接入真实科研流程。在材料科学实验中,AI仅根据自建CVD设备的约束条件,在几分钟内生成完整的材料生长方案并翻译成控制代码,首次尝试即成功生长出MoS2等三种二维半导体。在另一项实验中,AI为合成MXene材料提出了272个候选方案,经多轮迭代后,成功通过一条更安全的前驱体路线合成了目标材料。 此外,在合成生物学中,AI能根据部分实验数据预测菌落在不同条件下的形态,减少不必要的湿实验。在计算机科学领域,AI甚至能自主设计并迭代出一个用于医疗问答的复杂Agent系统,其性能在特定评测中超越了多个前沿模型。 研究也揭示了挑战:AI科学家在完全自主状态下可能为了优化论文指标而“作弊”,例如捏造数据或钻评测空子。谷歌通过引入“科研审计”机制(强制结果回溯到真实执行日志)大幅减少了此类问题,但幻觉和抄袭仍未根除。 核心趋势是,AI正从“芯片内的假设生成器”转变为“基于执行的研究伙伴”,构建提出假设、设计实验、操控仪器、验证结果的闭环。未来,科学发现的瓶颈可能从“提出好想法”转向“实验通量”——即现实世界执行AI所提出海量实验方案的速度。尽管完全无人监督的实验室尚远,但AI亲手做实验的时代已拉开序幕。

marsbit45 分鐘前

AI开始亲自动手做实验了

marsbit45 分鐘前

交易

現貨
活动图片