广义回归神经网络赋能货币需求函数的非线性建模与应用探索.docxVIP

广义回归神经网络赋能货币需求函数的非线性建模与应用探索

一、引言

1.1研究背景与意义

1.1.1研究背景

在现代经济体系中，货币需求函数对货币政策的制定起着举足轻重的作用。中央银行依靠货币需求函数，深入了解经济主体对货币的需求状况，进而有效调控货币供给量，维持经济的稳定发展与物价水平的相对稳定。例如，当经济处于衰退期时，央行可依据货币需求函数，适度增加货币供给，刺激经济增长；在经济过热、通货膨胀压力较大时，则减少货币供给，抑制通货膨胀。

传统上，货币需求函数多采用线性模型进行构建，像凯恩斯货币需求理论下的线性函数，假定货币需求与收入、利率等变量呈线性关系。在一定历史时期和经济环境下，线性模型凭借其简洁性和可解释性，为货币政策的制定提供了重要参考。然而，随着全球经济一体化进程的加速和金融创新的不断涌现，金融市场的复杂性与不确定性日益凸显。众多研究表明，货币需求与各影响因素之间并非简单的线性关系。例如，在金融创新的推动下，新型金融工具不断涌现，这些工具既具有一定的货币功能，又与传统货币存在差异，使得货币需求的影响因素更加复杂，线性模型难以准确刻画这种复杂关系。在利率市场化程度不断提高的背景下，利率对货币需求的影响也呈现出非线性特征，传统线性模型无法捕捉到这些细微变化。因此，传统线性模型在描述货币需求的动态变化和复杂特征时逐渐暴露出局限性，难以满足现代经济环境下货币政策精准制定的需求。

广义回归神经网络（GeneralRegressionNeuralNetwork，GRNN）作为一种强大的非线性建模工具，为解决上述问题提供了新的思路。GRNN基于概率论和统计学原理，能够依据样本数据逼近其中包含的非线性映射关系，即便样本数量较少，也能收敛于最优解。其独特的网络结构和学习算法，使其在处理非线性问题时展现出强大的优势，如能够快速学习、有效逼近复杂的非线性函数，且在求解问题时无需迭代。近年来，GRNN在金融领域的应用逐渐增多，如股票价格预测、市场趋势分析等，均取得了较好的效果。将GRNN引入货币需求函数的建模中，有望突破传统线性模型的局限，更准确地刻画货币需求的复杂行为，为货币政策的制定提供更为精准的依据。

1.1.2研究意义

从理论层面来看，本研究丰富了货币需求函数的研究方法和视角。传统货币需求理论多基于线性假设构建模型，而本研究运用广义回归神经网络进行非线性建模，打破了传统线性思维的束缚，为货币需求理论的发展提供了新的研究范式。通过深入探究货币需求与各影响因素之间的非线性关系，有助于更全面、深入地理解货币需求的内在机制，弥补传统理论在解释复杂经济现象时的不足，推动货币需求理论的进一步完善和发展。

在实践层面，准确的货币需求函数模型对于中央银行制定科学合理的货币政策至关重要。中央银行可以借助基于广义回归神经网络构建的货币需求函数模型，更精准地预测货币需求的变化趋势，从而根据经济形势的变化及时、有效地调整货币供给量，提高货币政策的有效性和前瞻性。在经济面临不确定性冲击时，该模型能够更敏锐地捕捉到货币需求的动态变化，为央行制定应对策略提供有力支持，有助于维持经济的稳定增长，避免经济出现大幅波动，保障金融市场的平稳运行，对于整个宏观经济的健康发展具有重要的现实意义。

1.2国内外研究现状

国外对于货币需求函数的研究起步较早，理论发展较为成熟。早期，凯恩斯提出了著名的货币需求理论，将货币需求分为交易性需求、预防性需求和投机性需求，认为货币需求与收入和利率密切相关，其理论为货币需求函数的构建奠定了重要基础。之后，弗里德曼的货币数量论进一步丰富了货币需求理论，强调货币需求主要取决于恒久收入，利率对货币需求的影响相对较小。随着计量经济学的发展，学者们开始运用各种计量方法对货币需求函数进行实证研究，如Engle和Granger提出的协整理论，使得对非平稳时间序列变量之间的长期稳定关系的研究成为可能，众多学者运用该理论对货币需求函数中的变量进行协整分析，以确定货币需求与各影响因素之间的长期均衡关系。

在广义回归神经网络的应用研究方面，国外学者也取得了丰富的成果。自1991年DonaldF.Specht提出广义回归神经网络以来，其在函数逼近、预测等领域的应用逐渐受到关注。在金融领域，GRNN被广泛应用于股票价格预测、汇率预测等方面。例如，有学者利用GRNN对股票市场的价格走势进行建模和预测，通过对历史数据的学习，GRNN能够捕捉到股票价格与多种影响因素之间的复杂非线性关系，从而实现对未来价格的有效预测。在经济领域，GRNN也被用于经济增长预测、通货膨胀预测等，为经济决策提供了有力支持。

国内对货币需求函数的研究随着经济体制改革的推进而不断深入。早期主要是对西方货币需求理论的引入和介绍，随着国内经济