Reinforcement Learning for Monetary Policy Under Macroeconomic Uncertainty: Analyzing Tabular and Function Approximation Methods
宏观不确定性下的货币政策强化学习：表格方法与函数逼近比较AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要研究货币政策的强化学习决策，未直接聚焦所列的预测、冲击识别或其他专门计量方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
宏观不确定性下的货币政策强化学习：表格方法与函数逼近比较
- 研究问题
- 当宏观关系不确定且随时间变化时，中央银行如何动态调整短期名义利率以稳定通胀和失业，不同强化学习方法表现有何差异？
- 方法与思路
- 作者用 FRED 历史数据构造线性高斯转移模型及离散行动马尔可夫决策过程，以二次损失奖励比较九种学习方法和政策规则基准。
- 材料陈述的贡献
- 摘要报告标准表格 Q-learning 在所设比较中取得最佳平均回报，并据此提出简单方法在该货币政策建模环境中可能更稳健。
- 阅读关注点
- 应核对转移模型的估计与验证、训练评估划分、行动范围及奖励设定，并检查算法调参是否可比以及回报不确定性的计算方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。表现依赖所构造的模型和奖励，摘要未说明其能否外推到真实政策或其他宏观环境。
原文摘要
We study how a central bank should dynamically set short-term nominal interest rates to stabilize inflation and unemployment when macroeconomic relationships are uncertain and time-varying. We model monetary policy as a sequential decision-making problem where the central bank observes macroeconomic conditions quarterly and chooses interest rate adjustments. Using publicly accessible historical Federal Reserve Economic Data (FRED), we construct a linear-Gaussian transition model and implement a discrete-action Markov Decision Process with a quadratic loss reward function. We chose to compare nine different reinforcement learning style approaches against Taylor Rule and naive baselines, including tabular Q-learning variants, SARSA, Actor-Critic, Deep Q-Networks, Bayesian Q-learning with uncertainty quantification, and POMDP formulations with partial observability. Notably, despite its simplicity, standard tabular Q-learning achieved the best performance (-615.13 +- 309.58 mean return), outperforming both enhanced RL methods and traditional policy rules. Our results suggest that while sophisticated RL techniques show promise for monetary policy applications, simpler approaches may be more robust in this domain, highlighting important challenges in applying modern RL to macroeconomic policy.