 2020年7月21日上午9时至12时，密歇根大学助理教授柯绍韡应邀为在线上为学员们做了题为“行为经济学与神经网络”的主旨演讲。香樟经济学圈学者、第三期香樟青苗计划入选学员、中国社会科学院大学经济学院全体老师参加了本次讲座。 柯绍韡，美国密歇根大学助理教授，博士毕业于普林斯顿大学。他的研究重点是决策理论和有限理性。他最近的工作重点是研究经济决策中的易错选择行为(error-pronechoice behavior) 和受限预见( limitedforesight ) 问题。他的研究成果发表在Theoretical Economics , Econometrica等世界知名期刊。此外，他还担任着American Economic Review, Econometrica, Games and Economic Behaviour等十余个世界知名期刊的审稿人。 柯绍韡老师首先为我们讲授了“行为经济学与神经网络”研究的基础---“公理化方法”在经济学理论、实证分析和实验设计中的应用。在此部分，柯老师循序渐进讲授了效用最大化模型、期望效用模型的基础理论以及公理化方法在理论、理论结合实证以及理论结合实验三个方面的具体应用案例。 在讲授完理论铺垫之后，柯老师从Artificial Intelligence和Machine Learning的概念和基本问题入手，分三大部分深入浅出的为我们讲授了他对“行为经济学与神经网络”研究的最新成果。 在第一部分中，柯老师首先为我们讲解了“神经网络效用函数”的基本形式、定义和相关概念，并以图示手段为我们展示了“神经网络效用函数”的功能和作用过程，然后介绍了一个在研究和实践中流行的激活函数（Activation Function）--- ReLU-NU function。 在第二部分中，柯老师为我们讲授了风险选择条件下的公理化特征的相关问题。风险选择条件下预期效用函数的四个公理是：Weak Order、Continuity Independence以及Bi-Independence。但是，柯老师认为在实际研究中Independence/Bi-Independence时常不被满足，并用三个例子讲述了违背Independence/Bi-Independence公理的情况。 紧接着，柯老师为我们认为可以将Independence/Bi-Independence 替换为Weak Local Independence/Weak Local Bi-Independence公理，以放松之前的假设。最后，柯老师利用The Allaisparadox案例在Certainty Effect、Reference Dependence Maxmin/MaxmaxModels 中如何应用神经网络效用函数（NEU）。 在第三部分中，柯老师通过实证分析回答了三个问题：神经网络效用函数（NEU）是否可以更好的解释和预测决策者的选择行为？我们是否可以利用一个简单的NEU模型做到这一点？我们如何估计NEU模型？ 柯老师首先设定了两个效用函数作为Expected Utility (EU) Benchmark：  然后，利用2018年Plonsky Apel等人的数据估计了以上两个效用函数的training error和 testingerror, 发现EU在training error（1.07）小于CARA的training error（2.28），但是在EU的testing error 中却为19.74，约是CARA的10倍。柯老师认为此时EU函数存在由数据量太小带来的过度拟合问题，这同时也会导致NEU存在过度拟合问题，从而降低其预测能力。 那么如何解决这个问题呢？柯老师认为可以把EU函数全部换为CRAR，但是发现还是不能改善Testing error，最后柯老师借助决策理论和行为经济学理论进行降维，将behavioralneurons中的CARA、reference dependence和certainty effect神经单元都放入到神经网络中的决策层，发现当同时将三者放入决策层时，可以有效将testing error 降低到1.748。柯老师通过这一系列的实证研究证明了不需要一个复杂的神经网络模型也可以更好的解释和预测决策者的选择行为。 讲座进行过程中和结束后，学员提出了诸多问题，发表了自己的看法，柯老师都对同学们的提问和见解一一回复和评论。学员们普遍反映，柯老师将如此高深艰涩的机器学习理论讲解的非常简洁通透，展现了其深厚的功底和知识储备，也激发了同学们对行为经济学和神经网络这一前沿学科的研究兴趣。 |
|
|
