DSGE模子到底有用吗？
做为一个鼓捣了几年DSGE以及有业界宏不雅建模经历的人，我也来分享一些我的观点。
起首来简单答复一下前两个问题：DSGE预测宏不雅经济和模仿冲击的才能到底若何？金融机构会不会用DSGE预测宏不雅经济？
关于第一个问题，除非利用DSGE停止预测的人有过长时间构建DSGE模子的经历，深知该类模子的局限以及适用的场所，单纯地将一个课本上的出名DSGE模子照搬下来扔数据进去估量参数，不会得到什么出格有意义的预测。DSGE模子仍然能够在部分问题上给出比力有价值的冲击模仿，前提是需要停止十分详尽的建模和调参工做。
关于第二个问题，金融机构利用宏不雅模子的体例要看是什么类型的机构。
一般在卖方例如投行的宏不雅研究部分，关于宏不雅模子的利用会更学术化一点，也更有可能间接利用DSGE模子，关心的重点在于对宏不雅变量走势的判断。那点从他们招人的布景就能够看出来，根本上华尔街各大投行的宏不雅组都是间接从研究宏不雅经济的博士结业生里挑人，例如高盛的宏不雅研究部分，每年城市
但在买方那里，关于宏不雅模子的利用则更适用一些，不会出格照搬DSGE框架，存眷的重点也在于宏不雅经济形势关于资产设置装备摆设的影响，而不是某个宏不雅变量的详细走势。贝莱德BII部分所开发的宏不雅模子走的就是那一道路。
简单答复完问题，我来讲讲若何从DSGE自己的特点来看他处理现实问题时的好坏势。
什么是DSGE模子？Dynamic Stochastic General Equilibrium，简写为DSGE，是一类描述宏不雅经济的模子。它由三部门构成：
模子构造：包罗模子中的经济参与者，经济参与者的效用函数/目的函数，以及参与者们的预算约束前提。经济参与者一般面临的是一个无限期的动态更优化问题，即 Dynamic 的来历。
模子的随机性（stochastic）：模子变量中有一些是随机生成的，那类随机的变量会做为外生给定的信息被纳入到模子中，而参与者们能够部门或全数晓得那些随机过程的散布信息。
平衡构造（General Equilibrium）：那个要素是DSGE最核心的部门，也是所有争议和实操中问题的来源。最简单的讲，平衡要求市场要出清，供需由价格的调控到达平衡。
而平衡正式的定义中，还包罗了经济参与者获得的信息有几，他们的更优化问题该怎么处理，以及假设了理性预期那个不管在学术界仍是外界都饱受争议的概念。在假设了理性预期的一般平衡里，人们晓得整个系统的随机性散布，晓得他人在做决策时也考虑到了那些随机性，晓得他人也在更大化他们的效用，晓得整个社会在那种效用更大化的情况下能够产生如何的总需乞降总供应，而且推导出将来一系列的价格和利率，然后最重要的，所有那些宏不雅的变量，当它们被纳入到经济决策者本身的效用更大化问题里时，能刚好让该决策者做出契合将来所有宏不雅走势的经济行为，构成一个自洽的系统——不动点。
DSGE模子的局限DSGE模子其实是经济学界里关于宏不雅经济最为抱负化的一类研究范式。说他抱负化，一方面是因为其研究手段以理论建模和数值模仿为主，数据拟合、参数估量为辅；另一方面，哪怕研究者希望用DSGE模子来模仿一些现实场景的问题，大都时候也不能不遵照DSGE框架中一般平衡的要求来建模，无形中降低了模子拟合数据的才能。
第二点其实很好理解，搭建一个有多种经济参与者，而且有各自的更优化问题的模子其实不困难，但是在那类模子能够产生出的经济情况中，只要很小的一个子集，能够满足理性预期所说的自洽。理性预期下的一般平衡，就仿佛一个强有力的贝叶斯前置假设，让DSGE模子变得不那么灵敏。若是那个贝叶斯假设比力靠谱，那还算给模子增加了一个有价值的信息；但若是建模的假设自己就有问题，则会给拟合出来的参数增加良多噪音，以至让模子失去识别参数的才能。[1]
理性预期逃求的那种完美的形态，不单让DSGE在学界和业界多了良多量疑的声音，也让基于模仿建模的宏不雅研究走入了一个比力为难的境地。从我切身履历举两个例子：
为了求解DSGE无期限的动态更优化问题，研究者很难扩展模子的容量，以制止curse of dimensionality的情况呈现。一个例子就是，我在良多前沿宏不雅模子中见到的利率曲线大多都只描绘两个点：持久和短期，因为没地儿放那么多期限进模子里，求解太贵了。为了在有限的形态变量预算里建模，研究者经常创造一些很“巧妙”的削减变量的技巧，徒增没必要要的工做量。但即便有各类各样的技巧，前沿DSGE文章仍然没能很好得囊括多种常见的资产类别，使得DSGE从宏不雅到资产价格那一步走得很慢，间接影响了DSGE模子在金融界的应用。DSGE模子的优势其实DSGE的优势也很明显，但次要都集中在DS上。
通过将经济参与者们的资本和行为整合起来让他们构成互动，建模者能够操纵那些量化过的互动机造清洁得模仿出某部分变量的冲击是若何传导至其他变量的。在那个过程中，个别的约束再加上一些简单的市场出清约束，能够得到比一般时序模子（例如VAR）更合理的成果。
反过来，一个灵敏且构造合理的模子，也能够很好的识别出数据中所包罗的隐藏信息。
而我认为那个灵敏性就来自于削减一般平衡关于模子的限造，不单是关于模子规模和构造的限造，也包罗模子可产出的变量范畴的限造（在一般平衡下那一范畴可能很小）。
其实我说的那类只要DS而没有GE的模子确实存在，仍是官方的：美联储FRBUS。而业界里贝莱德开发的宏不雅模子也有类似的特点。我在以后的文章里会给各人介绍那两款，而且手动搭建一个类似的宏不雅模子，感兴趣的请私信我。
The Fed - FRB/US Projectwww.federalreserve.gov/econres/us-models-about.htm Capital market assumptions - Institutional | BlackRockwww.blackrock.com/institutions/en-zz/insights/charts/capital-market-assumptions 参考^Empirical Macroeconomics and DSGE Modeling in Statistical Perspective https://arxiv.org/pdf/2210.16224.pdfTags：