汇率货币模型的非线性协整关系检验——基于深度GRU神经网络

发布时间：2020-12-30 08:03

　　本文采用深度门控循环单元(GRU)神经网络探讨三种汇率货币模型(弹性价格、前瞻性和实际利率差模型)的非线性协整关系。GRU技术在深度学习中具有智能记忆、自主学习和强逼近能力等优点。为此,本文运用该技术对6组典型浮动汇率制国别数据进行了非线性Johansen协整检验。结果表明,汇率与宏观经济基本面之间存在非线性协整关系,从而说明了货币模型在非线性条件下的有效性,以及先进的深度学习工具在检验经济理论中的优势。 

【文章来源】：中国管理科学. 2020年05期 北大核心CSSCI

【文章页数】：13 页

【部分图文】：

样本序列 log ( R/S )- log ( n ) 图

GRU神经网络由 Cho等[29]提出,用于序列数据建模。根据非线性协整系统的特点,构建图1的GRU神经网络模型。在每个时刻 t( t=1,2?Τ ) ,网络分为输入层、隐藏层和输出层三层,输入层与隐藏层、隐藏层与输出层之间用不同的权重值来连接。其中,输入层 X nt =( x 1t ,x 2t ,?,x Νt ) 表示N维输入向量 ( n=1,2?Ν ) ;隐层神经元数为m个L模块(图1表示每个时刻有m=1个神经元L模块,多个神经元只需重复叠加,并用不同权重连接输入向量和输出向量即可),其中 ( m=1,2?Μ ) ;输出层为1维yt。本文在FLMM模型中,设置输入层由两国汇率、货币供给之差、收入之差构成的3维(n=3)输入向量X3t=(e1t,m2t,y3t)T,FPMM模型中,设置输入层由两国汇率、货币供给之差、收入之差及长期利率差构成的4维(n=4)输入向量X4t=(e1t,m2t,y3t,l4t)T,RIDM模型中,设置输入层由两国汇率、货币供给之差、收入之差、短期利率差及长期利率差所组成的5维(n=5)输入向量X5t=(e1t,m2t,y3t,s4t,l5t)T;基于隐层神经元数不超过观测值三分之二及极小化误差的原则,将隐层神经元数控制在150 ( m=1,2?Μ,Μ≤150 ) 以内进行调试;输出层为1维yt。


本文编号：2947300