人工智能47：cGAN模拟宏观指标-20210804-华泰证券-26页_2mb

人工智能 47: cGAN 模拟宏观指标总结

核心内容

本文探讨了将生成对抗网络（GAN）应用于宏观研究，特别是通过条件生成对抗网络（cGAN）模拟宏观经济指标，以解决样本稀缺问题。cGAN通过引入条件序列，引导生成器生成未来数据，从而提升宏观研究的论证效力。研究涵盖了美国和中国宏观经济指标的模拟，并分析了两种主要应用场景：情景分析与冲击响应分析。

主要观点

• cGAN模型原理：cGAN通过条件生成器（cG）和条件判别器（cD）的交替训练，生成未来数据。cG输入包括高斯噪声和历史数据，输出为未来模拟序列；cD输入为完整序列，输出为样本真实概率。
• 应用场景：
  • 情景分析：基于历史数据模拟未来宏观指标，用于预测经济走势或压力测试。相比经典蒙特卡洛方法，cGAN具备更好的拟真效果和更高的灵活性。
  • 冲击响应分析：通过人为添加扰动，考察某项宏观指标突变对其他指标的影响，从而验证宏观经济逻辑。
• 模拟效果评估：通过一阶自相关系数对比真实序列与生成序列，评估生成数据的真实性。结果显示，生成序列在800次迭代后逐步收敛至真实序列。

关键信息

数据预处理

• 数据对齐：将不同频率数据统一为季频。
• 数据平稳化：使用ADF检验判断序列是否平稳，若非平稳则进行一阶差分处理。
• 标准化：对各项指标进行Z-score标准化，以消除量纲差异。

美国宏观经济指标模拟结果

• 训练损失函数：生成器与判别器损失在800次迭代后收敛。
• 情景分析：
  • 若未发生疫情，美国经济在2020年总体延续复苏，GDP同比和国债利率拐点在2020年末或2021年初，失业率和CPI同比拐点在2021年中。
• 冲击响应分析：
  • 调高联邦基金利率将抑制经济增长、通胀、就业，但短期抬升利率，长期打压利率。

中国宏观经济指标模拟结果

• 训练损失函数：生成器与判别器损失在800次迭代后收敛。
• 情景分析：
  • 若未发生疫情，中国经济在2020年存在下行压力，GDP同比和国债利率在2020年下半年转而下行，M2同比在2021年上半年转而上行。
• 冲击响应分析：
  • 调高M2同比将促进经济增长、引发通胀，短期打压利率，长期提升利率。

当前时点预测（2021Q2）

• M2同比：2021Q3至2022Q2货币持续收紧，2022Q3起步入宽松。
• GDP同比：2021Q3至Q4经济上行，2022Q1步入衰退。
• CPI同比：2021Q3至Q4通胀抬头，2022Q3起通胀持续下行。
• 10年期国债收益率：2021Q3至Q4利率上行，2021Q4起利率下行。

模型局限性

• 黑箱问题：cGAN模型为深度学习模型，存在黑箱特性。
• 训练不收敛：模型训练过程中可能出现不同步或不收敛现象。
• 模式崩溃：生成数据可能趋于单一，缺乏多样性。
• 过拟合风险：样本量较小，存在过拟合可能性。
• 极端值影响：模型对极端值和基数效应较为敏感，生成效果可能受影响。

结论

cGAN在模拟宏观指标方面展现出良好的拟真效果，尤其在情景分析和冲击响应分析中，能够反映宏观经济运行逻辑。然而，模型仍存在一定的局限性，如样本稀缺、模型过拟合和对极端值的敏感性。未来研究可考虑使用更高频数据、优化预处理方式和网络结构，以进一步提升模型的预测能力和稳定性。