基于机器学习代理模型的校准
摘要：用机器学习和智能抽样的方法，将代理基模型（ABM）与数据更加接近。本文明确处理参数空间的探索和ABM的校准，结合监督式机器学习和智能抽样构建一个代理元模型。所提出的方法提供了模型行为的快速准确近似，大大减少了计算时间。在此过程中，我们的机器学习代理简化了参数空间的大规模探索，同时提供了对代理基模型复杂运作的深入见解的强大过滤器。本文介绍的算法将模型模拟和输出分析合并为一个代理元模型，极大地简化了ABM的校准过程。我们成功将该方法应用到Brock和Hommes（1998）资产定价模型和"Island"内生增长模型（Fagiolo和Dosi，2003）。通过使用不同用户定义的统计检验来评估性能，针对相对较大的参数组合的外样本集合进行评估输出分析。结果显示，机器学习代理能够在通常崎岖的参数空间中快速而准确地探索代理基模型的行为。
作者：Francesco Lamperti, Andrea Roventini and Amir Sani
论文ID：1703.10639
分类：Economics
分类简称：q-fin.EC
提交时间：2017-04-07