DSGE 模型的思想和方法是什么？该如何应用？ 第1页

对于这类模型，我是比较想吐槽的。

最大问题就是——不好使。

在学术界和央行研究部，做新凯恩斯框架的DSGE模型基本是标配了，不然参加国际学术会议，都不敢讲话。在宏观经济学术圈里似乎形成了鄙视链条了，建立DSGE已经不再是为了解决实际问题做，而是学术界的一场攀比。

喜欢DSGE的学生几乎注意力都在怎么推导NKPC，求稳定解，怎么输入Dynare/YADA/IRIS，IRF方程反直觉怎么调参数，用什么算法可以提高MCMC估计速度等。

这些研究过程固然重要，但是由于模型太过于繁杂，把研究人员的注意力全部转到了handle模型上面，而对经济本身的思考时间被大大压缩，所以在这个领域里面也出现了分工，有深入economic insight的经济学家一般不搞模型建设，对模型有高度把控能力的经济学家一般不做经济分析。

我基本没碰到过这两者能完美结合的经济学家。

以前我在芬兰央行货币政策司工作时，我经常去找部门老大问宏观模型的问题，他最开始还解答我一些简单的模型问题，但后来我为了impress他，带去的问题难度越来越高，他也回答起来越来越吃力，因为我带去的问题都是模型技术方面的东西，不涉及太多经济学思想。他就告诉我，对模型感兴趣的话，最好去找部门里面专门做模型的团队聊这个，他对模型并不是专家，他更多是负责观察与思考经济问题，再提出具体问题交给模型团队来建模。但做模型的经济学家，我能感受到他们更多是技术性学者，对经济的看法不一定深入，也不一定有启发性，但就是建模和总结能力超强，一个经济现象，他们能很快用数学模型给“翻译”出来。

我看到有个答案已经把DSGE的思想给解释得很好了，我就说下应用和其中的问题。

DSGE的首先能做的是“思想实验”。

DSGE可以做impulse response function（IRF）的实验，比如假设给国内厂商来个成本提高的冲击，看看整个经济在这个冲击之下是怎么反应和回归均衡的，就可以通过画出IRF函数来看看关键变量的路径是怎样的。这就相当于一个实验装置的效果。

调参数并且生成IRF的过程叫做calibration。

模型有时候对参数是比较敏感的，有可能全部参数都是有经济根据的，但一放入DSGE模型就陷入无均衡解的位置了，那为了能求解模型，只能退而求其次，用loop来反复试探每个参数周边的位置，看能不能一不小心碰到稳定解。

当时芬兰央行的一位经济学家自己做了一套算法来提高求解的速度，他说这个就跟一辆飞机往地面撒米，要刚好有颗米掉到喜马拉雅山顶上的感觉，多加计算机就相当于多架飞机一起撒米，加大撒米的窗口就相当于多安装CPU，甚至改用GPU来计算。

但这个做法并无经济学思想，最后为了能求解，有些参数已经失去了应由的经济学含义，仅仅是能够跟初始条件契合，让模型仅仅沦为了一个“随机线性差纷方程组求解”，失去了应由的经济学内涵。

我现是做货币策略的，预测货币走势是必须要做的事情，我也曾一厢情愿（闲着无聊）地试过用一群DSGE模型的加权IRF来提高预测精度，但如果真的按照DSGE的预测来做交易，根据backtest，不出意外一年能burn掉账户80%的capital。

所以业界根本不可能用这样的模型，实战作用非常差。所以因为不好用，目前也只有学术圈子在用。即使在央行那里看来，预测精度不需要求在市场赚钱那样高，但DSGE模型的表现也是差强人意的，预测中跟猜中没多少区别。

然后是参数估计的应用。

DSGE模型的参数估计一般都是通过改写为state space模型来预测的，而且几乎都是用的贝叶斯估计，也就是从先验到后验的估计过程。

参数估计方法我确实很认同，特别是state space模型用来估计股票，货币等报价频繁、价格发现机制快的资产还有很好的预测作用。

但是宏观数据多久来一次啊？DSGE为了能用上GDP per capita的季度数据，一期就设定为3个月，而且数据发布还滞后。

如果每个季度都把新出来的数据往DSGE里面喂，得到的参数估计，几乎和上一期看不到任何区别。因为DSGE里的数据长度往往用的10-20年的，不算HP filter滤掉的，大致也30-70个observation，加一个新的observation，几乎无法影响整个走势的权重。而且贝叶斯估计里面核心部件是Kalman filter（卡尔曼滤波），专治白噪音等无意义信号。就算经济波动了，也被模型核心部件给滤掉了，很难让央行管理层根据这个快速做决策。

所以央行里面DSGE模型一年估计一次就够了，其他时间都是在改改参数，重新改一下refine一下模型推导等事情。

所以在我看来，DSGE模型目前就是一种智力挑战和学术攀比，消耗的人力财力还不小，实用性也不高。不出意外下一次经济危机也是不太可能通过DSGE来预测到的。