人工智能47：cGAN模拟宏观指标

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 1 证券研究报告 金工 人工智能 47：cGAN 模拟宏观指标 华泰研究 研究员 林晓明 SAC No. S0570516010001 SFC No. BPY421 linxiaoming@htsc.com +86-755-82080134 研究员 李子钰 SAC No. S0570519110003 liziyu@htsc.com +86-755-23987436 研究员 何康，PhD SAC No. S0570520080004 SFC No. BRB318 hekang@htsc.com +86-21-28972039 2021Q2 模拟未来 9 季度中国 CPI 同比 资料来源：Wind，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 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。 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 2 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 美国宏观经济指标结果 ...........................................................................................................................................