货币模型中的深度强化学习研究
发布时间：2025-11-18
11月
21
|
时间和日期
|
2025-11-21 (星期五) 15:30 下午
-
17:00 下午
|
|
地点
|
综合教学楼D904会议室
|
| 标题 | 货币模型中的深度强化学习研究 |
| 日期和时间 |
2025年11月21日（周五） 15:30-17:00 |
| 地点 | 综合教学楼D904会议室 |
| 主讲人 |
陈明俐教授 华威大学 |
| 摘要 | We propose deep reinforcement learning (DRL) as a general approach to modeling bounded rationality in dynamic stochastic general equilibrium (DSGE) frameworks. Agents are represented by deep artificial neural networks and learn to maximize their intertemporal objective functions by interacting with an a priori unknown environment. Applying this approach to a model from the adaptive learning literature, DRL agents can learn all equilibria, regardless of local stability properties. However, learning can be slow and may become unstable without the use of early stopping criteria. These findings have implications for both the interpretation of DRL agents and the use of DSGE models more broadly. |
| 主讲人简介 | 陈明俐，现任英国华威大学经济系副教授，同时担任伦敦大学学院计量经济学与微观数据分析中心（CeMMAP）研究员，以及英国国家数据科学与人工智能研究机构——艾伦·图灵研究院的 Turing Fellow。她于波士顿大学获得经济学教授学位，并曾在加州大学伯克利分校、斯坦福大学及波士顿联邦储备银行担任访问学者。陈教授的研究兴趣包括计量经济学、机器学习以及人工智能在经济学中的应用。她的学术论文已发表于 Journal of Econometrics、Journal of the Royal Statistical Society: Series B、Annals of Statistics 等国际顶尖经济与统计学期刊。她曾荣获第七届意大利计量经济学与实证经济学大会 LABOUR Prize，并于 2017 年在 Journal of Business and Economic Statistics 颁发的 Arnold Zellner Thesis Award Competition 中获得荣誉提名。自 2024 年 1 月起，陈教授亦担任 Journal of Econometrics 副主编。 |
