Jun, 2024

连续时间异质代理宏观经济模型的全球解法

PDF
TL;DR我们提出并比较了用于连续时间异质主体经济与总量冲击的新全局解算法。我们首先通过近似代理分布来描述经济的平衡，这使得我们可以将其刻画为一个高维非线性偏微分方程。我们考虑不同的近似方法：离散代理数量、离散代理状态变量以及将分布投影到有限基函数集上。其次，我们使用神经网络来表示值函数，并使用深度学习工具训练该函数以解决微分方程。我们将该解决方案称为经济模型信息神经网络（EMINN）。该技术的主要优势在于可以找到高维非线性问题的全局解。我们通过解决宏观经济学和空间文献中的重要模型（例如 Krusell 和 Smith（1998），Khan 和 Thomas（2007），Bilal（2023））来展示我们的算法。
continuous timeheterogeneous agent economiesglobal solutionsdeep learningneural network
发现论文，激发创造
  • 深度学习解决和估计动态宏观金融模型

    本文介绍利用深度学习解决和估计金融经济学中的经典连续时间一般均衡模型的方法，并以两个实例说明其优点。

    May, 2023

  • 使用深度强化学习分析具有多个代理的微观基础一般均衡模型

    使用深度多智能体强化学习算法来在微观基础下找到动态一般均衡模型中的元均衡状态，避免了理论或计算方法上的挑战，实现了稳定的、现实时间内的均衡计算，显示了硬件加速多智能体强化学习在经济建模上的前景。

    Jan, 2022

  • 神经常微分方程

    提出一种新型深度神经网络模型 —— 连续深度模型，其采用了一个神经网络来参数化隐藏状态的导数，并利用黑箱微分方程求解器计算网络输出，使其具有内存成本不变、能够为每个输入自适应地选择评估策略并能显式进行精度 / 速度权衡等特点。研究者进一步证明了通过此模型可以构造出连续正则化流模型，能够通过最大似然进行训练，而不需要对数据维度进行分区或排序，并展示了如何在较大模型内部向任何 ODE 求解器进行可扩展地反向传播，从而实现 ODE 的端到端训练。

    Jun, 2018

  • 深度虚拟博弈对多智能体游戏中马尔科夫纳什均衡的寻找

    提出了一种基于深度神经网络的算法来识别一般大型 $N$ 人随机微分博弈的马尔可夫纳什均衡，该算法的核心思想是将 $N$ 人游戏重塑为 $N$ 个解耦决策问题，并通过迭代解决。

    Dec, 2019

  • 涡轮增压解决方案概念：用神经平衡器求解 NE、CE 和 CCE

    我们引入了神经均衡求解器，它利用特殊的等变神经网络体系结构来近似解决具有固定形状、购买速度和决定性的所有游戏空间，并定义了一个灵活的均衡选择框架，该框架能够唯一选择最小化相对熵或最大化福利的均衡，该网络的训练无需生成任何监督训练数据，展示了在更大的游戏中惊人的零样本泛化能力。这样的网络是许多可能的多主体算法的强大组成部分。

    Oct, 2022

  • 语言模型作为主方程求解器

    利用语言模型作为机器学习方法来解决主方程，通过设计基于提示的神经网络将速率参数，初始条件和时间值直接映射到与输入上下文完全匹配的状态联合概率分布，实现主方程的解的近似，从代表性例子中观察到在多模块和高维系统中具有高准确性，并展示出对未见数据的推测能力，通过建立语言模型和主方程之间的联系，强调使用单个预训练大模型来解决任何主方程的可能性。

    Jul, 2023

  • 隐含物理模型：非线性偏微分方程的机器学习

    本文提出了一种新的学习模型，称为隐藏物理模型，旨在从小数据中学习偏微分方程，并利用高斯过程进行概率推断，此方法被证明在各种科学领域中具有潜在的应用前景。

    Aug, 2017

  • 随机延迟微分博弈：金融建模与机器学习算法

    本论文利用深度学习和循环神经网络的参数化控件，提出了一种找到随机延迟微分博弈的闭环纳什均衡的数值方法，并在金融相关问题上进行了测试。

    Jul, 2023

  • 深度隐式物理模型：非线性偏微分方程的深度学习

    本文提出了一种基于深度学习的方法，可以从散乱的、有可能带有噪声的时空数据中，发现非线性偏微分方程，该方法通过两个深度神经网络来近似未知解和非线性动力学，并测试了其在多个科学领域的效果。

    Jan, 2018

  • 深度神经网络的选择动态

    本文介绍了一种基于偏微分方程框架的深度残差神经网络和相关学习问题的方法，并研究了前向问题的稳定性和最优性，同时探究了神经网络、PDE 理论、变分分析、优化控制和深度学习之间的算法和理论联系。

    May, 2019