Generative economic modeling

报告概述

本报告提出并系统性检验了一种名为“生成式经济建模”的新范式，用于求解以往难以处理的高维动态一般均衡模型。报告首先定义了完整的模型框架，并说明如何通过构造一组具备完备性与重叠性的简化子模型来覆盖所有状态与冲击，再以传统数值方法求解各子模型，将其模拟数据合并后用于训练神经网络，从而生成完整模型的近似政策函数。为了验证这一方法的可靠性，报告先在一个具有解析解的资产定价模型中建立基准，随后扩展到包含强非线性调整成本的实际商业周期模型和含异质性家庭的RBC模型，通过比较近似误差与欧拉方程误差来评估精度。最后，报告将方法应用于一个带有偶发性金融摩擦和多重聚合冲击的HANK模型，并考察了金融冲击的非线性传导与聚合风险加剧下的预防性储蓄效应。对经济模型研究者而言，这份报告提供了一套可复现、可扩展的混合求解思路，能够在不牺牲传统方法稳健性的前提下，把深度学习引入高维非线性宏观建模。

报告的核心结论

报告回答的关键问题

报告中的代表性数据

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

• 报告完整推导了生成式经济建模的数学框架，包括状态转移方程、政策函数、子模型构造条件（完备性与重叠性）、数据合并与神经网络训练步骤，并给出了子模型数量的组合数公式。这一部分为希望复现或扩展该方法的读者提供了详细蓝图。
• 在可解析的资产定价模型中，报告展示了如何将完整模型拆分为三个两冲击子模型，并利用解析解生成训练数据。欧拉方程误差、近似误差和模型矩的对比图表说明生成式方法能够从子模型数据中重建完整模型的资产定价行为，是理解方法有效性的理想起点。
• 针对实际商业周期（RBC）模型，报告提供了三种变体的完整求解与误差分析：可解析求解的基准模型、具有状态依赖资本调整成本的非线性模型，以及包含异质性家庭与借贷约束的Krusell-Smith型模型。每个变体都报告了资本、消费、投资等变量的近似误差分布，便于读者评估方法在不同复杂程度下的表现。
• 报告详细描述了用于求解含金融摩擦的HANK模型的算法，包括如何将子模型求解得到的数据用于训练神经网络、如何扩展Krusell-Smith方法处理多重冲击，以及如何计算市场出清时的通胀率。这部分还给出了训练过程中的损失曲线与欧拉方程误差直方图，展示求解的收敛性与稳定性。
• 报告通过广义脉冲响应函数分析了金融摩擦冲击的大小（5%与7.5%）对宏观经济变量的影响，并比较了包含四种冲击与仅包含两种冲击的模型设定。结果揭示了金融冲击的非线性传导以及聚合风险通过预防性储蓄对冲击响应的抑制作用，为理解金融危机提供了新证据。
• 报告系统说明了欧拉方程误差作为外部验证指标的理论依据与计算方法，并将其用于所有数值实验中。附录中包含了不同内生变量（消费、投资、政策函数）的近似误差分布，以及与完整模型和不完整模型的对比图表，方便读者独立核验方法精度。
• 报告附录提供了所有模型的参数校准表，包括家庭偏好、生产函数、政府规则和冲击过程等，覆盖解析RBC、非线性RBC、异质性RBC和金融HANK模型。这些参数与文中提到的代码和算法相结合，使读者能够复现报告中的全部结果。
• 报告介绍了神经网络架构与训练细节，包括五层128神经元结构、CELU激活函数、AdamW优化器、余弦退火学习率以及训练/验证集划分，并报告了各模型训练损失收敛值。这些信息对于在实际研究中应用生成式经济建模具有直接的参考价值。
• 报告最后综述了深度学习求解经济模型的相关文献，并与直接深度学习方法、传统全局解法进行了对比，指出了未来可能的应用方向，如用RANK和线性化HANK模型训练非线性HANK、用于模型估计以及构建多模型通用初始解等。