川海智库

报告概述

本报告开发了一种基于深度学习的DSGE模型求解方法。核心创新在于一个四阶段顺序训练算法：从稳态锚定开始，逐步引入随机探索、模拟轨迹和蒙特卡洛期望积分，无需预计算解。研究系统比较了网络深度、宽度和稳态惩罚权重对精度与成本的影响，发现浅层、中等宽度的网络表现最优。报告将方法应用于两国开放经济模型，分析了不同规模关税冲击的非线性传导机制。

报告的核心结论

顺序训练算法可从稳态无预解开始

传统的神经网络求解DSGE模型通常需要线性化解作为起点。本报告提出四阶段顺序训练：稳态锚定、随机探索、模拟训练和蒙特卡洛期望积分，使网络从解析稳态出发自行构建训练数据，消除了对预计算解的依赖。

浅层、中等宽度网络精度最高

系统比较显示，2-3个隐藏层、每层32个神经元、稳态惩罚权重λss=1的配置在RBC模型测试中取得最低误差和最高计算效率。更深的网络(7层)常无法收敛，更宽的边际收益有限且前期训练成本高。

大关税冲击导致汇率响应符号反转

在两国模型中，1%关税冲击使本币升值约1.5%，但10%关税冲击导致本币贬值约12%，原因是收缩效应超过货币替代效应。二阶扰动方法仅放大升值而非反转，无法捕捉这一非线性。

深度学习可有效处理高维和非线性问题

与扰动法相比，深度神经网络通过全局逼近政策函数，能在高维状态空间和大冲击场景下保持精度，避免了投影法的维数灾难。

报告回答的关键问题

深度学习如何解决DSGE模型求解中的困境？

DSGE模型的求解常受困于维数灾难和非线性。深度学习通过神经网络的全局逼近能力，在随机采样点上最小化均衡条件残差，直接学习政策函数。报告提出的四阶段顺序训练方法进一步解决了训练数据与求解对象之间的循环依赖，无需预解。

大型关税冲击如何影响汇率和通胀？

大型关税冲击（如10%）会产生非线性传导：汇率从升值转为贬值，通胀从通缩转为通胀。这是因为大冲击下，国内消费收缩和货币宽松效应压倒进口替代效应，导致汇率贬值；同时关税直接推高成本使通胀上升。

哪些神经网络结构最适合DSGE模型？

报告推荐：2-3个隐藏层，每层32个神经元，使用tanh激活函数，稳态惩罚权重为1。该配置在RBC模型上获得最低期望损失（约9e-6），且训练成本适中。更深的网络（7层）难以收敛，更宽的网络性能提升有限但前期训练显著变慢。

高阶扰动法能否捕捉大型关税冲击的非线性？

二阶扰动法只能捕捉部分非线性：它放大了冲击的幅度响应，但无法改变方向。对于名义汇率，二阶解仍然显示升值而非贬值，完全遗漏了符号反转。因此，对于大型政策冲击，全局方法（如深度学习）是必要的。

报告中的代表性数据

9.43e-06

最优架构最终期望损失

训练结束后，2个隐藏层、32个神经元、稳态惩罚权重λss=1的神经网络在RBC模型Phase 4结束时的最终损失。该配置是精度与成本的平衡点。

-1.5%

1%关税冲击下的名义汇率变化

冲击当期，模型预测1%关税冲击使本币名义汇率升值约1.5%（负值表示升值），符合传统教科书结论。

+12%

10%关税冲击下的名义汇率变化

约第8季度峰值，10%关税冲击导致本币名义汇率大幅贬值约12%，符号反转表明大型冲击下的非线性传导。

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

  • 完整的算法伪代码：详细描述了四阶段训练流程，包括超参数设置、梯度裁剪和收敛判据。
  • 网络架构敏感性分析表：对比2、3、5、7层隐藏层，32、64、128神经元，以及0.5、1、5稳态惩罚权重下的最终损失和收敛情况。
  • RBC模型脉冲响应图：比较Dynare完美预见解、Phase 3无期望解与Phase 4完全期望解，展示预防性储蓄效应。
  • 两国开放经济模型完整方程与校准：包括家庭优化、企业定价、价格指数、关税过程和市场出清条件，参数β=0.99、α=0.33等。
  • 多规模关税冲击对比图：1%与10%冲击下消费、通胀、名义和实际汇率的脉冲响应，显示符号反转。
  • 深度学习与二阶扰动方法对比图：展示大减小的响应差距，以及二阶解无法捕捉的名义汇率方向错误。
  • 训练损失曲线：四个阶段分别在RBC和两国模型中的损失下降过程，体现优化稳定性。
  • 参考文献：覆盖深度学习求解、DSGE方法、国际宏观关税文献等数十篇。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告