京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09