.png){kind=icon}
返回
DeepHAM: A global solution method for heterogeneous agent models with aggregate shocks
.png){kind=icon}
PRE
AI
DOI：10.3982/qe2190.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种高效、可靠且可解释的全局求解方法——基于深度学习的异质性代理人模型算法（DeepHAM），用于求解包含总量冲击的高维异质性代理人模型。状态分布通过一组最优广义矩进行近似表示。深度神经网络用于近似值函数和政策函数，目标函数在直接模拟路径上进行优化。除了作为精确的全局求解器外，该方法还具有三个额外特点。首先，在求解复杂异质性代理人模型时计算效率高，且不受维度灾难影响。其次，它提供了个体状态分布的一般且可解释的表示，这对于回答宏观经济学中异质性是否以及如何重要这一经典问题至关重要。第三，它在求解约束效率问题时与求解竞争性均衡问题一样容易，这为规范性研究开辟了新的可能性。作为一种新应用，我们研究了包含总量冲击的异质性代理人模型中的约束效率问题。我们发现，在存在总量风险的情况下，功利主义规划者会减少用于再分配的资本积累，因为贫困家庭进行了更多预防性储蓄，从而更少依赖劳动收入。
Keyword:
Heterogeneous agent models
aggregate shocks
global solution
deep learning
reinforcement learning
generalized moments
constrained efficiency
C63
D31
E32
期刊
Q
IF:
2.2
论文数:
24
被引数:
0
机构
查看更多机构
引用论文
暂无论文信息