Global Solutions to Master Equations for Continuous Time Heterogeneous Agent Macroeconomic Models

我们提出并比较了连续时间异质代理经济体在总量冲击下的新全局解算法。首先，我们近似代理分布，使得经济体中的均衡可以由高维但有限的非线性偏微分方程来描述。我们考虑不同的近似方法：离散化代理数量、离散化代理状态变量以及将分布投影到有限的基函数集上。其次，我们使用神经网络表示价值函数，并使用深度学习工具对其进行训练以解决微分方程。我们将其称为经济模型信息神经网络（EMINN）。这种技术的主要优点在于它允许我们找到高维、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））来演示我们的算法。

论文旨在提出新的全局解算法，解决连续时间异质代理经济体与总量冲击的问题。具体而言，通过对代理分布进行逼近，利用深度学习工具训练价值函数的神经网络，提出了一种名为EMINN的解决方案，以求解高维非线性问题。

论文的关键思路是通过对代理分布的逼近和神经网络的训练，实现对高维非线性问题的全局求解。

论文使用EMINN算法成功解决了宏观经济学和空间文献中的重要模型，如Krusell和Smith（1998）、Khan和Thomas（2007）、Bilal（2023）等。此外，论文还使用了深度学习工具，如神经网络，实现了高维非线性问题的全局求解。论文的实验设计详尽，但并未提及是否有开源代码。

最近的相关研究包括使用深度学习方法解决经济学问题的研究，如Guo等人的《Deep learning for real-time stock price forecasting: A survey》和Wang等人的《Deep learning in finance applications: A survey》。