讲座回顾 |【 Seminar No.686】Marlon Azinovic-Yang：序列空间中的深度学习

点击蓝字 · 关注我们

6月4日上午，上海财经大学金融学院毓秀讲堂第686期专题讲座于同德楼111顺利举办。本次讲座特邀北卡罗来纳大学教堂山分校经济系助理教授Marlon Azinovic-Yang带来题为《序列空间中的深度学习》的学术分享，学院师生到场参会，围绕深度学习与宏观量化建模前沿方法展开深入研讨。

讲座伊始，Marlon Azinovic-Yang结合自身研究脉络，点明传统数值求解方法在高维、异质性主体宏观模型中存在的计算瓶颈，引出本次研究立足序列空间构建深度学习算法的核心研究动机。

报告核心环节，Marlon Azinovic-Yang系统介绍了一套面向动态随机经济体系泛函理性预期均衡的高精度深度学习求解框架：研究依托深度神经网络，将政策函数、均衡价格等关键均衡变量参数化为外生冲击截断历史的函数，依托经济模拟路径开展网络训练，使之满足全部均衡约束条件。为验证算法有效性，团队在三类经典复杂宏观经济框架中完成实证测算：一是包含多重总体风险的高维世代交叠模型；二是居民与企业面临不可保个体风险、个体与总体波动率大幅冲击的异质性主体经济；三是兼具连续资产配置、离散提前退休选择、跨期价值局部凸性特征的随机生命周期模型。

针对模型落地难点，他进一步提出可保障政策预测单调性的实用神经网络架构，借助内生网格法简化算法流程；实证结果显示，这套深度学习方案整体测算精度优异，全场景均衡条件平均误差控制在0.2%以内，为高维复杂宏观模型求解提供全新可行路径。

讲座间隙，在场师生围绕神经网络超参数设置、模型落地实操成本、算法在金融量化与宏观政策模拟的拓展场景等问题踊跃提问，Marlon Azinovic-Yang结合异质性模型实操经验细致答疑，从理论推导、数值试验两个层面展开深度交流。

本次讲座立足人工智能与宏观经济交叉前沿，尝试打通深度学习算法与现代宏观建模的学术边界，既拓展了在场师生对计算经济学前沿工具的认知，也为学院相关领域学术研究、课题创新提供了新思路与新参考。