本文采用深度門控循環(huán)單元(GRU)神經(jīng)網(wǎng)絡(luò)探討三種匯率貨幣模型(彈性價格、前瞻性和實際利率差模型)的非線性協(xié)整關(guān)系。GRU技術(shù)在深度學習中具有智能記憶、自主學習和強逼近能力等優(yōu)點。為此,本文運用該技術(shù)對6組典型浮動匯率制國別數(shù)據(jù)進行了非線性Johansen協(xié)整檢驗。結(jié)果表明,匯率與宏觀經(jīng)濟基本面之間存在非線性協(xié)整關(guān)系,從而說明了貨幣模型在非線性條件下的有效性,以及先進的深度學習工具在檢驗經(jīng)濟理論中的優(yōu)勢。 

【文章來源】：中國管理科學. 2020年05期 北大核心CSSCI

【文章頁數(shù)】：13 頁

【部分圖文】：

樣本序列 log ( R/S )- log ( n ) 圖

GRU神經(jīng)網(wǎng)絡(luò)由 Cho等[29]提出,用于序列數(shù)據(jù)建模。根據(jù)非線性協(xié)整系統(tǒng)的特點,構(gòu)建圖1的GRU神經(jīng)網(wǎng)絡(luò)模型。在每個時刻 t( t=1,2?Τ ) ,網(wǎng)絡(luò)分為輸入層、隱藏層和輸出層三層,輸入層與隱藏層、隱藏層與輸出層之間用不同的權(quán)重值來連接。其中,輸入層 X nt =( x 1t ,x 2t ,?,x Νt ) 表示N維輸入向量 ( n=1,2?Ν ) ;隱層神經(jīng)元數(shù)為m個L模塊(圖1表示每個時刻有m=1個神經(jīng)元L模塊,多個神經(jīng)元只需重復疊加,并用不同權(quán)重連接輸入向量和輸出向量即可),其中 ( m=1,2?Μ ) ;輸出層為1維yt。本文在FLMM模型中,設(shè)置輸入層由兩國匯率、貨幣供給之差、收入之差構(gòu)成的3維(n=3)輸入向量X3t=(e1t,m2t,y3t)T,FPMM模型中,設(shè)置輸入層由兩國匯率、貨幣供給之差、收入之差及長期利率差構(gòu)成的4維(n=4)輸入向量X4t=(e1t,m2t,y3t,l4t)T,RIDM模型中,設(shè)置輸入層由兩國匯率、貨幣供給之差、收入之差、短期利率差及長期利率差所組成的5維(n=5)輸入向量X5t=(e1t,m2t,y3t,s4t,l5t)T;基于隱層神經(jīng)元數(shù)不超過觀測值三分之二及極小化誤差的原則,將隱層神經(jīng)元數(shù)控制在150 ( m=1,2?Μ,Μ≤150 ) 以內(nèi)進行調(diào)試;輸出層為1維yt。


本文編號：2947300