人工智能市场前景及投资研究报告：cGAN模拟宏观指标.pdfVIP

证券研究报告 金工 人工智能47 ：cGAN 模拟宏观指标 华泰研究 2021 年8 月04 日│中国内地 深度研究 将GAN 的应用领域拓展至宏观研究，生成海量数据以应对样本稀缺问题 本文将生成对抗网络（GAN）的应用领域拓展至宏观研究，采用条件生成 对抗网络（cGAN）模拟宏观经济指标。宏观指标存在样本稀缺问题，生成 海量仿真数据或能提高宏观研究论证效力。cGAN 使用过去一段时间真实数 据作为条件序列，并结合随机输入，最终生成未来一段时间模拟序列。cGAN 模拟宏观指标有两项应用场景：情景分析可以基于历史信息生成未来宏观指 标，预测未来经济走势或进行压力测试；冲击响应分析可以考察某宏观指标 2021Q2 模拟未来9 季度中国CPI 同比 的突变对其他指标的影响方向和程度，验证宏观经济运行逻辑。 给定过去4 个季度宏观指标，采用cGAN 模拟未来9 个季度宏观指标 cGAN 的核心思想是在训练过程中增加额外条件信息，引导数据生成过程。 本研究中，我们给定过去4 个季度宏观指标（美国 5 项及中国4 项）作为 条件序列，采用 cGAN 模拟未来 9 个季度宏观指标。cGAN 包含条件生成 器（cG）和条件判别器（cD）两组交替训练的网络。cG 输入包含高斯噪声 和历史4 个季度条件序列两部分；输出为未来9 个季度假样本。cD 输入为 完整13 个季度的真或假样本，真假样本区别在于后9 个季度是真实还是模 拟序列；输出为样本属于真的概率。训练完成后，对比真假序列一阶自相关 系数，以评估模拟数据真实性。 情景分析：站在任意时点模拟未来宏观指标路径，优于经典蒙特卡洛模拟 资料来源：Wind，华泰研究 cGAN 模拟宏观指标的一大应用场景是情景分析。相比经典蒙特卡洛模拟， cGAN 拟真效果更好，使用更灵活。我们站在 2019Q4 时点，采用过去 4 个季度中美两国真实宏观数据，生成1000 条未来9 个季度宏观指标。相当 于回答：若未发生疫情，中美两国经济走势将如何？结果表明，cGAN 在 2019 年末判断美国经济2020 年总体延续复苏态势，GDP 同比和10 年期 国债利率拐点在 2020 年末或2021 年初，失业率和 CPI 同比拐点在 2021 年中；cGAN 在2019 年末判断中国经济2020 年存在下行压力，GDP 同比 和 10 年期国债利率2020H2 转而下行，M2 同比2021H1 转而上行。 冲击响应分析：考察某宏观指标突变对其他指标影响，验证宏观经济逻辑 cGAN 模拟宏观指标的另一应用场景是冲击响应分析。对真实条件序列添加 扰动，考察某项宏观指标发生突变时，其他指标将如何变化。我们站在 2019Q4 ，采用过去4 个季度真实数据，将2019Q4 美国联邦基金利率或中 国M2 同比调高1 个标准差，对比冲击前后生成的1000 条未来9 个季度宏 观指标。结果表明，针对美国经济，调高联邦基金利率将1）抑制经济增长， 2）抑制通胀，3）抑制就业，4 ）短期抬升利率但长期打压利率；针对中国 经济，调高M2 同比将1）促进经济增长，2）引发通胀，3）短期打压利率 但长期提升利率。所得结论均符合宏观经济基本逻辑。 当前时点预测未来中国经济，经济增长和利率拐点或将出现在2021Q4 站在2021Q2 时点，采用过去4 个季度真实宏观数据（2020Q3~2021Q2）， 借助cGAN 生成1000 条未来9 个季度（2021Q3~2023Q3）宏观指标，对 未来中国经济进行预判。cGAN 模型当前时点判断中国经济2021 年下半年 或仍缓慢上行，GDP 同比和 10 年期国债利率拐点将出现在 2021Q4，M2 同比和CPI 同比拐点将出现在2022Q2 。 风险提示：CGAN 模型存在黑箱问题，训练不收敛不同步，以及模式崩溃 问题。深度学习模型存在过拟合的可能。深度学习模型是对历史规律的总结， 如果市场规律发生变化，模型存在失效的可能。宏观指标生成效果易受极端 值、基数效应影响。 1 金工研究 正文目录 研究导读4 方法6 数据获取和预处理6 条件生成对抗网络cGAN 7 cGAN 网络结构和训练参数8