
从零基础了解DSGE模型
DSGE:
动态随机一般均衡模型 (Dynamic Stochastic General Equilibrium) ,简称DSGE模型。
什么是动态随机一般均衡模型:
顾名思义就是指该模型具有三大特征。
“动态”指经济个体考虑的是跨期最优选择(Intertemporal OptimalChoice)。因此,模型得以探讨经济体系中各变量如何随时间变化而变化的动态性质。
“随机”则指经济体系受到各种不同的外生随机冲击所影响。举例来说,可能的冲击有:技术性冲击(Technology Shock)、货币政策冲击(Monetary Shock)或是偏好冲击(Preference Shock)等。
“一般均衡”意指宏观经济体系中,消费者、厂商、ZF与中央银行等每一个市场参与者,在根据其偏好及对未来的预期下,所作出最优选择的总和。
动态随机一般均衡模型的优点:
(1)可以避免卢卡斯批判,使得政策实验具有现实意义;
(2)通过冲击反应函数,可以让经济体系各个外生冲击的动态传导过程透明化,进而了解不同的冲击(尤其是货币政策冲击)对于经济体系的动态影响;
(3)模型以一致(Coherent)的方式呈现,所有的经济个体都根据偏好作出最优决策,而没有任何任意或武断的设定。
动态随机一般均衡模型两大学派:
DSGE模型有两大学派,一个是真实经济周期模型(RealBusiness Cycle,RBC Model)学派,另一个则是新凯恩斯DSGE模型(New Keynesian DSGE Model)学派。
事实上,DSGE模型的前身为真实经济周期模型,该模型始于Brockand Mirmanf 1972)。在他们的研究中,最早将随机冲击的概念引入新古典最优增长模型(Neoclassical Optimizing Growth Mad—e1)。其后,Kydlandand Prescott (1982) 将该概念引入真实经济周期理论的研究。
在最初的真实经济周期模型中,有其特点:(1)考虑跨期最优选择与一般均衡;(2)理性预期;(3)假设完全竞争市场,价格可以完全调整,市场供给与需求随时出清(Market Clear—ing),从而达到均衡。其中第(3)个特点显示出真实经济周期模型具有十足的“古典性格”。
动态随机一般均衡模型的估计方法:
由经济主体优化行为得到的行为方程及各个均衡条件所构成的DSGE模型并不能直接用于数据以得到模型参数的估计值,因为大多行为方程都是非线性的。因此,通常要在模型变量稳态值处将其进行泰勒展开,以得到线h生化的DSGE模型。
1、校准法
校准法的主导思想是通过使模型的理论矩尽可能与观测数据一致而得到DSGE模型参数的校准值,即根据经验研究来确定模型的参数,进而对实际经济进行经验型模拟研究。校准法的矩估计具有较强的稳健性,且研究者可以更多的关注DSGE模型的数据特征。
尽管校准法具有显著的优势,但由于缺乏坚实的理论基础,并且个别参数的校准未必准确,而极大似然和贝叶斯方法可以提供观测数据的完全信息,从而较多的文献采用了这两种方法来估计DSGE模型的结构参数。
2、极大似然估计
极大似然估计法的操作分四步:
首先,将线性理眭预期的DS—GE模型用其前定变量表示为缩写状态方程形式;
其次,用观测方程将前定状态变量与观测变量联系起来;
再次,用Kallmann滤波得到关于模型参数的似然函数;
最后,最大化该似然函数得到模型参数的估计值。
3、贝叶斯估计
贝叶斯方法则是结合似然函数和模型参数的先验分布(prior distribution) 得到后验分布的密度函数,通过将该后验分布关于模型参数直接最小化或采用蒙特卡洛马尔科夫链(MCMC) 抽样方法加以最优化即可得到DSGE模型结构参数的估计值。
由于受可得观测数据个数的限制,DSGE模型中的参数不可能全部通过估计得到,部分结构参数需要校准得到。因此,无论是极大似然估计还是贝叶斯估计都结合了部分参数采用校准的方法来估计DSGE模型。
学习DSGE模型是一个系统性的过程,涉及到经济学理论、计量模型和数值方法等几方面的综合。对刚接触DSGE模型的学生和研究者而言,在如何进行DSGE模型构建及计算机软件实现需要花费大量的时间和心血去学习。DSGE模型中涉及到数值方法和计量方法等技术门槛也让部分有志于宏观经济的研究者望而止步。
十一北京,朱传奇老师教你怎样从零基础掌握DSGE模型:
本课程专门针对DSGE模型初学者和宏观经济研究者,系统全面地介绍DSGE模型的相关理论及计量方法。希望通过本课程培训引导初学者熟悉DSGE模型的构建及计算机实现,为研究者将来构建自己的DSGE模型和从事基于DSGE模型的政策研究提供帮助。
开课信息:
时间:2019年4月4-8日 (五天)
地点:北京市海淀区厂洼街3号丹龙大厦附近
安排:上午9:00-12:00;下午1:30-4:30;答疑4:30-5:00
费用:4900元 / 4200元 (仅限全日制在读本科生及硕士生优惠价);食宿自理
讲师介绍:
朱传奇,目前任教于中山大学岭南学院。
美国波士顿经济学院博士毕业,美国波士顿联邦储备银行助理研究员,并长期从事宏观经济学的科研和教学工作。其研究方向关注非线性DSGE模型的计量方法,并致力于利用DSGE模型研究中国宏观经济波动和宏观经济政策。
教学方法:
1.理论模型推导
2.计量方法和计算方法介绍
3.Matlab和 Dynare上机练习
课程内容及课时安排:
第1讲:课程简介(1课时)
1. 宏观经济学发展历史
2. DSGE模型介绍及培训安排
第2讲:宏观经济数据和MATLAB(3课时)
1. 宏观经济数据处理
1) 宏观经济数据来源
2) 趋势剔除和周期提取
3) 经济周期统计描述
2. MATLAB上机训练(1课时)
第3讲:真实商业周期(Real Business Cycle)模型(10课时)
1. RBC基准模型及派生模型(Money-in-Utility模型,Cash-in-Advance模型)(3课时)
1) RBC基准模型介绍(King etal.(1988))
2. DSGE模型近似及求解(3课时)
1) 对数线性化
2) 线性差分模型组求解方法
3. 参数校准(2课时)
4. Matlab 上机训练(2课时)
第4讲:Dynare安装及使用(4课时)
1. Dyanre 安装和配置
2. Dynare 软件使用:以RBC模型为例
3. Dynare 上机训练(2课时)
第5讲:新凯恩斯主义模型(New-Keynesian)模型(10课时)
1. New-Keynesian模型(5课时)
1) 模型主体介绍
2) 粘性价格定价法则(Calvo定价)及详细推导
3) 均衡条件求解
4) 对数线性化及线性求解
5) 参数校准及模型模拟
2. Matlab训练(1课时)
3. Smets和Wounter (2007, AER) (4课时)
1) 模型介绍及详细推导
2) Dynare程序实现
第6讲:DSGE模型贝叶斯估计方法及应用(8课时)
1. 状态空间模型
2. 贝叶斯估计基本原理
3. Markov Chain Monte Carlo方法
1) Gibbs sampler
2) Metropolis-Hastings算法
4. 模型参数先验概率选取
5. 案例1:New-Keynesian模型的贝叶斯估计
1) Smets and Wounters (2007 AER)
2) 上机训练(2课时)
第7讲:金融摩擦的DSGE模型 (8课时)
1. DSGE模型金融摩擦的建模方法
2. 金融加速器模型
1) Bernanke, Gertler and Gilchrist(1999, Handbook of Macroeconomics)
3. 信贷周期模型
1) Kiyotaki and Moore(2001, JPE)
4. 案例 2:带金融摩擦的DSGE模型估计
1) Iacoviello (2005 AER)
2) 上机训练(2课时)
第8讲:货币政策和财政政策应用(10课时)
1. DSGE模型的货币政策应用(5课时)
1) 案例3:带零利率下限的New-Keynesian模型求解及估计
2) 论文replication和上机训练(2课时)
2. DSGE模型的财政政策应用(5课时)
1) 案例4:研究财政政策的DSGE模型(Gali, et al. 2007 JEEA)
2) 论文replication和上机训练(2课时)
参考资料:
1. 课程培训讲义及参考程序(Matlab和Dynare Codes)
2. David Dejong and Chetan Dave(2011), StructuralMacroeconometrics, Princeton University Press.
3. Fabio Canova(2008), Methods for AppliedMacroeconomic Research, Princeton University Press.
4. David Houceque, (2005), Introduction to Matlab forEngineering Students.
优惠:
现场班老学员9折优惠;
同一单位三人以上同时报名9折优惠;
以上优惠不叠加。
报名流程:
1:点击 “我要报名”,网上填写信息提交;
2:给予反馈,确认报名信息;
3:网上订单缴费(需要刷公务卡或者转账的老师请联系我们);
4:开课前一周发送课程电子版讲义,软件准备及交通住宿指南。
联系方式:
魏老师
QQ:2881989714
Tel:010-68478566
Mail:vip@pinggu.org
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29