[论文解读] Dynamic Model Averaging for Practitioners in Economics and Finance: The eDMA Package

Leopoldo Catania, Nima Nonejad|arXiv (Cornell University)|Jun 17, 2016

Monetary Policy and Economic Impact被引用 6

一句话总结

本文介绍了eDMA R包，该包通过并行计算使经济学家和金融从业者能够高效地进行动态模型平均（DMA）。该包使用C++与OpenMP实现，相比标准CPU实现，DMA估计速度最高可提升133倍，可在标准硬件上实现高性能预测，同时整合了Dangl和Halling（2012）提出的关键改进，适用于经济与金融数据。

ABSTRACT

Raftery, Karny, and Ettler (2010) introduce an estimation technique, which they refer to as Dynamic Model Averaging (DMA). In their application, DMA is used to predict the output strip thickness for a cold rolling mill, where the output is measured with a time delay. Recently, DMA has also shown to be useful in macroeconomic and financial applications. In this paper, we present the eDMA package for DMA estimation implemented in R. The eDMA package is especially suited for practitioners in economics and finance, where typically a large number of predictors are available. Our implementation is up to 133 times faster then a standard implementation using a single-core CPU. Thus, with the help of this package, practitioners are able to perform DMA on a standard PC without resorting to large clusters, which are not easily available to all researchers. We demonstrate the usefulness of this package through simulation experiments and an empirical application using quarterly U.S. inflation data.

研究动机与目标

• 解决经济学与金融学中动态模型平均（DMA）的计算负担问题，其中大规模预测变量集和时变系数导致计算成本高昂。
• 克服标准单核实现的局限性，后者在处理大规模模型空间时面临内存与处理时间的挑战。
• 提供一个用户友好的高性能R包，支持并行计算，并集成广泛使用的计量经济学扩展，以支持经济预测。
• 使从业者能够在仅使用标准台式机或笔记本电脑的情况下高效执行DMA，而无需访问高性能计算集群。
• 确保与关键方法改进的兼容性，例如Dangl和Halling（2012）提出的修正方差公式，从而提升DMA在宏观与金融数据中的适用性。

提出的方法

• 使用C++结合Armadillo库实现DMA，并通过Rcpp与RcppArmadillo将其实现暴露给R，以实现高性能计算。
• 利用OpenMP实现多CPU核心间的共享内存并行化，显著减少计算时间。
• 集成Raftery等人（2010）与Dangl和Halling（2012）的方法学扩展，包括时变系数与适用于经济数据的修正条件方差公式。
• 在每个时间点对所有可能的预测变量组合进行模型平均，并引入遗忘因子以降低过时模型性能的影响。
• 提供标准R方法（如plot()、coef()、residuals()），便于模型检查并无缝集成至现有R工作流中。
• 通过高效的内存结构与算法设计优化内存使用，即使在中等规模应用中也能实现可扩展性。

实验结果

研究问题

• RQ1 如何使动态模型平均在仅具备标准多核硬件的经济学与金融从业者中实现计算上的可行性？
• RQ2 与传统单核方法相比，eDMA包的并行实现能在多大程度上减少计算时间？
• RQ3 在小样本设置下，g-先验参数的不同选择对DMA预测的稳健性如何？
• RQ4 Dangl和Halling（2012）提出的方差调整是否能提升DMA在宏观与金融时间序列上的性能？
• RQ5 在不同样本规模、预测变量数量及遗忘因子网格点下，执行DMA的实际计算成本如何？

主要发现

• eDMA包的计算速度相比标准单核CPU实现最高可提升133倍，使在标准笔记本电脑上实现实时或近实时DMA成为可能。
• 对于典型的经济应用，使用配备8核CPU的商用笔记本电脑，DMA估计耗时约30分钟，无需集群即可实现大规模预测。
• g-先验参数的选择显著影响性能：当bZellnerPrior = TRUE时，g = 0.1与g = 20的表现劣于g = T/2与g = T，后者更具稳健性。
• 当bZellnerPrior = FALSE时，所有g值（0.1、20、T/2、T）在MSE（0.937–0.967）与PLD（20.186–20.664）指标上表现相近，表明具有稳健性。
• 该包支持高效的内存使用，使中等规模应用运行时不会产生过高的RAM消耗。
• 对美国季度通胀数据的实证应用表明，使用eDMA的DMA可产生稳定可靠的预测，模型包含概率能良好适应数据动态的变化。