Reinforcement Learning for Monetary Policy Under Macroeconomic Uncertainty: Analyzing Tabular and Function Approximation Methods
创建于 更新于
摘要
本文构建了基于1955–2025年FRED数据的线性-高斯宏观环境，将货币政策建模为离散动作MDP，比较了九种RL方法与Taylor Rule等基准，结果发现简单的表格化Q-learning在本环境下获得最佳平均回报，优于深度方法和传统政策规则，这提示在适当离散化下，简单方法可能更稳健且方差更低，为将来将RL作为决策支持工具提供了实证依据。[page::1][page::3]
