[
-
内容大纲
本书将机器学习技术与数量宏观经济学有机融合，通过案例分析与数学推导，系统展示了如何运用机器学习方法解决高维动态均衡模型问题——特别是含有异质代理人和不完全市场条件下的模型问题，为宏观经济学研究者提供了一部详实的方法指南和案例集锦。
在书中，作者首先阐述机器学习的基本原理及关键概念；然后，介绍如何应用PyTorch进行机器学习，以期为读者提供必要的工具；最后，在介绍典型随机增长模型的传统解法后，通过详实的过程演示，指导读者如何基于机器学习方法对标准模型进行高效求解，及对包含各类摩擦的非最优模型进行数值模拟。书中案例配有相关PyTorch代码实现，以期帮助读者理解如何将理论概念转化为实际应用。
本书内容源自作者在中南财经政法大学、对外经济贸易大学等院校所讲授的课程，以及在bilibili网站“中南宏观”个人频道发布的视频课程。本书不仅为攻克计算宏观经济学难题奠定了坚实基础，也为宏观经济学研究者提供了创新的关键工具。 -
作者介绍
-
目录
第一章 机器学习基础
1.1 通过Sora理解机器学习
1.1.1 流形分布定理和低维数据
1.1.2 Sora的突破与局限性
1.1.3 临界态和物理悖论：机器学习的新前沿
1.2 机器学习与宏观经济学中的均衡
1.2.1 经济模型与物理系统模型的对比
1.2.2 推动机器学习和经济建模进步的几何方法
1.3 机器学习的要素、目标及评估
1.3.1 理解要素
1.3.2 机器学习的目标：泛化
1.3.3 评估性能
1.4 机器学习的三要素
1.4.1 模型
1.4.2 学习准则
1.4.3 优化算法
1.5 泛化与模型选择
1.5.1 泛化误差、过拟合与欠拟合
1.5.2 偏差-方差权衡
1.5.3 评估泛化性能的技术
1.5.4 正则化技术
1.5.5 集成方法
1.5.6 模型可解释性和可说明性
1.6 机器学习的一个简单实例———线性回归
1.6.1 参数学习
1.7 小结
习题
第二章 机器学习中的神经网络
2.1 神经元
2.2 激活函数
2.2.1 神经元的线性变换
2.2.2 神经网络线性变换、Arrow-Debreu资产模型和流形分布定理
2.2.3 通过激活函数进行非线性变换
2.2.4 Sigmoid函数
2.2.5 Hard-Logistic和Hard-Tanh函数
2.2.6 ReLU函数
2.2.7 Swish函数
2.2.8 GELU函数
2.2.9 Maxout单元
2.2.10 选择激活函数
2.3 网络结构
2.4 前馈神经网络
2.4.1 通用近似定理
2.4.2 机器学习中的应用
2.4.3 参数学习
2.4.4 Dropout技术
2.5 反向传播算法
2.5.1 反向传播算法的数学基础
2.5.2 神经网络中反向传播的示例
2.5.3 优化与改进
2.6 自动梯度计算
2.6.1 数值微分
2.6.2 符号微分
2.6.3 自动微分
2.7 小结
习题
第三章 PyTorch与机器学习
3.1 PyTorch简介
3.1.1 什么是PyTorch？
3.1.2 使用PyTorch进行机器学习的优势
3.1.3 安装PyTorch
3.1.4 PyTorch基础
3.2 PyTorch中的张量
3.2.1 什么是张量？理解PyTorch的核心数据结构
3.2.2 张量操作
3.3 在PyTorch中构建神经网络
3.3.1 理解神经网络的结构
3.3.2 激活函数
3.3.3 损失函数
3.3.4 在PyTorch中优化算法
3.4 准备训练数据
3.4.1 生成用于回归的随机数据
3.4.2 创建PyTorch数据集
3.4.3 数据加载器和批处理
3.4.4 数据变换和增强
3.5 训练模型
3.5.1 Autograd：PyTorch的自动微分引擎
3.5.2 模型训练和优化
3.5.3 定义模型架构
3.5.4 初始化模型和设备选择
3.5.5 训练循环
3.5.6 监控训练进度
3.6 保存和加载模型
3.6.1 保存训练好的模型参数
3.6.2 加载预训练模型
3.6.3 在动态宏观模型中的应用
3.7 超参数调优
3.7.1 理解超参数
3.7.2 超参数调优技术
3.7.3 使用PyTorch的内置超参数调优工具
3.8 使用PyTorch训练回归模型
3.9 JIT编译加速执行
3.10 小结
习题
第四章 随机增长模型的数值方法
4.1 模型设置
4.1.1 社会规划者问题
4.1.2 求解方法
4.2 扰动法
4.3 投影法
4.3.1 有限元方法
4.3.2 切比雪夫多项式的谱方法
4.3.3 Smolyak算法
4.3.4 与神经网络的联系
4.4 值函数迭代
4.5 不同求解方法的表现
4.6 小结
习题
第五章 通过机器学习求解动态均衡模型
5.1 消费-储蓄问题
5.2 深度学习解法
5.2.1 生命周期回报
5.2.2 欧拉方程
5.2.3 贝尔曼方程
5.3 PyTorch实例
5.4 深度学习方法的优势
5.5 小结
习题
第六章 通过机器学习分析异质代理人模型
6.1 具有总量不确定性的异质代理人模型
6.1.1 经济环境
6.1.2 竞争均衡
6.2 主要计算挑战
6.2.1 将分布作为状态变量
6.2.2 分布的演化
6.3 基于机器学习的算法
6.3.1 基于直方图的分布近似
6.3.2 基于神经网络的函数近似
6.3.3 值函数和策略函数迭代算法
6.4 小结
习题
第七章 强化学习与非最优经济体
7.1 经济环境
7.1.1 家庭
7.1.2 政府
7.1.3 政府问题的递归表示
7.2 均衡的计算
7.2.1 集合Ω的刻画
7.2.2 通过机器学习计算均衡
7.2.3 数值算法概述
7.3 小结
习题
参考文献
同类热销排行榜
[an error occurred while processing this directive]推荐书目
-
孩子你慢慢来/人生三书 华人世界率性犀利的一枝笔，龙应台独家授权《孩子你慢慢来》20周年经典新版。她的《...
-
时间简史(插图版) 相对论、黑洞、弯曲空间……这些词给我们的感觉是艰深、晦涩、难以理解而且与我们的...
-
本质(精) 改革开放40年，恰如一部四部曲的年代大戏。技术突变、产品迭代、产业升级、资本对接...