本文提出有限差分神经算子,用于求解带有个体风险与总量风险的连续时间重叠世代模型。该方法将高维分布压缩为有限维表示,由神经网络输出低维状态空间上的价值函数有限差分网格,从而兼顾高维分布处理效率、边界条件控制与价值函数形状约束。 在包含总量风险以及同时包含总量和个体风险的两类模型中,训练损失均降至约10^-6,并较好刻画了借贷约束附近的个体动态与稳定但显著的财富分布波动。
标题:《Mastering Stochastic OLG Models in Continuous Time》
作者:Yves Achdou、Johannes Brumm、Lukas Frank。
发布日期:2026年8月12日。
发布状态:报告明确标注为“Preliminary and Incomplete”,即初稿且尚未完成,因此其中部分推导、校准、附录和误差分析仍存在空缺。
主题:连续时间、随机重叠世代模型(OLG)的求解方法,重点处理异质性个体风险与宏观总量风险同时存在时的高维均衡计算问题。
报告的核心贡献并不是提出新的经济政策结论,而是提出一种数值方法——有限差分神经算子(finite-difference neural operator)——用于求解带有分布状态变量的异质性经济模型。其基本思想是:把高维、甚至无限维的家庭分布压缩为有限维向量,将该向量输入神经网络;神经网络输出低维个体状态空间上的价值函数网格值,再使用有限差分方法计算导数和政策函数。
报告最终展示两个应用:第一,仅包含宏观风险、没有个体收入风险的连续时间OLG模型;第二,同时包含宏观风险和个体收入风险的完整模型。 作者声称,两类模型均能在Nvidia H200 GPU上于24小时以内完成训练,并达到较低的均衡残差。
报告没有传统金融研究报告中的股票评级、目标价或投资建议,因此“估值分析”并不适用。其评价标准主要是数值精度、边界约束处理能力、分布动态的稳定性以及计算耗时。
OLG模型天然包含年龄异质性;进一步加入劳动收入、资产和死亡风险后,不同家庭在同一年龄也会拥有不同的经济状态。 如果再加入生产率或折旧率等宏观冲击,家庭需要预测未来工资、利率和遗赠,而这些价格取决于整个家庭分布。换言之,个体决策的状态变量不再只是年龄、财富和劳动生产率,还包括整个经济中的分布对象。
这构成了两个层面的困难:
作者采用连续时间框架,是因为连续时间异质性模型可以通过Hamilton-Jacobi-Bellman(HJB)方程、Kolmogorov-Fokker-Planck(KFP)方程和master equation统一描述。HJB方程刻画家庭在给定价格和分布下的最优决策,KFP方程刻画家庭分布如何随时间演化,而master equation则把价值函数对分布变化的反馈纳入均衡条件。
方法将状态空间拆成两部分:低维状态变量 (X_1),例如年龄、财富、个体生产率和宏观状态;高维状态变量 (X_2),代表被压缩后的家庭分布。
算法包含两个模块:
因此,神经网络不直接输出任意状态点上的价值函数,而是输出低维网格上的价值函数,非网格点通过插值得到。这样做的优点是可以继续使用传统有限差分中的迎风格式、状态约束和边界条件。
图1解读:图1展示了从高维输入 (x_2) 到低维价值函数网格的过程。左侧的高维变量进入神经网络,网络输出 (M) 个网格值,随后这些网格值被放入低维状态空间中的函数 (G),并通过插值得到价值函数。该结构体现了报告的关键折衷:神经网络负责处理高维分布,有限差分网格负责处理年龄和财富方向上的局部导数与边界条件。
作者还通过学习价值函数关于财富的二阶导数而不是直接学习价值水平来强制凹性。神经网络输出经过指数变换后,使二阶导数保持为负,再通过求解三对角线性系统恢复价值函数。 这对应经济学中的标准性质:风险厌恶和凹效用通常意味着价值函数关于财富具有凹性,凹性也有助于保证储蓄政策的单调性和数值稳定性。
模型采用连续时间人口结构,每一时点都有新一代在最低年龄出生,家庭随年龄增长,并以年龄相关的Poisson死亡率死亡,最大年龄为95岁。 总人口分布由外生人口测度和内生的财富、劳动生产率分布共同决定。报告区分了:
这一“按年龄分解”的处理很重要,因为年龄的运动是确定性的,家庭会沿年龄方向不断向前移动,而财富和生产率则通过决策和随机冲击发生变化。
家庭拥有财富 (x),面临不允许负债的借款约束 (x\geq0),可以消费或储蓄。劳动收入由工资、个体劳动生产率和年龄劳动效率共同决定,65岁退休。 偏好包含CRRA消费效用以及De Nardi式非同质遗赠动机,其中风险厌恶参数为1.5。
社会保障采用现收现付制度:工作年龄家庭缴纳工资收入的12%,用于支付退休人口的福利,退休福利取决于缴费总额与受益人口规模。 该设定使人口结构、工资、就业和财富分布能够共同影响养老金支付。
遗赠机制通过父母生育年龄分布 (p(a))连接不同代际。死亡家庭留下的遗赠先按年龄收集,再平均分配给子女;报告强调遗赠分配满足“总量守恒”,即没有遗赠凭空产生或消失。
宏观风险由有限状态连续时间Markov链表示,生产率和折旧率随宏观状态变化。 个体风险来自劳动生产率的有限状态Markov链,且不同家庭的个体生产率过程在代内独立,并与死亡时间和宏观冲击独立。
企业采用Cobb-Douglas生产函数,利润最大化的一阶条件决定工资和利率,因此价格会通过总资本、总劳动和宏观生产率反馈至家庭决策。 这正是分布状态必须进入家庭价值函数的原因。
没有个体风险时,同一代人在事后完全相同,因此给定年龄的财富分布退化为一个点,可以用“代际财富函数” (g(a))表示。 这将原本的无限维测度问题简化为一维年龄函数问题,是报告两个应用中较容易的情形,但仍保留了宏观风险导致的理性预期和分布反馈难题。
模型的低维状态包括年龄、财富和宏观状态,高维输入则是代际财富函数的有限维近似。作者用26个参数的非均匀线性样条逼近 (g(a)),并将财富上界截断为30。 有限差分网格在年龄维度使用151个点,在财富维度使用155个点,并在接近借款约束的区域使用更密网格;宏观冲击有4个状态。
图2解读:图2展示了代际财富函数经过样条投影后形成参数向量 (\gamma),再由神经网络映射成年龄—财富—宏观状态网格上的价值函数。由于宏观状态有4种组合,输出实际上是多层网格。财富网格在零财富附近加密,说明作者将借款约束视为数值重点,而不是简单依赖神经网络自行学习。
宏观冲击取生产率0.95和1.05、折旧率0.08和0.12的组合,共4个状态;生产率冲击平均约每10年发生一次,折旧率冲击平均约每3年发生一次。 这意味着折旧率冲击比生产率冲击更频繁,可能是模型短期波动的重要来源。
图3左图显示训练损失在三个阶段逐步下降,纵轴采用对数刻度,最终达到约 (10^{-6}) 的数量级。三个明显下降台阶对应训练数据从人工构造数据、人工数据与模拟数据混合,到完全模拟数据的转换。 这表明训练策略并非一次性随机优化,而是先使用较容易的确定性环境获得初始解,再逐步转向随机均衡环境。
图3右图展示不同年龄的代际财富函数范围,包括均值、5%和95%分位数以及极值。财富在年轻阶段接近零,约45岁达到峰值,随后快速下降,并在最高年龄附近回到零。 作者将其解释为:由于劳动收入曲线和遗赠接受时点的影响,储蓄主要发生在工作生涯较晚阶段;年轻家庭受借款约束约束;老年家庭几乎耗尽全部财富,因此校准后的遗赠动机不足以压过消费动机。
该图的重要含义是,模型并非只产生静态的平均财富路径,而是在宏观冲击下产生一个有界的财富函数集合。作者报告平均残差为0.0008,99.9%分位残差为0.0045,且在零财富附近没有系统性误差,零财富处的储蓄政策满足非负性,除离散化误差外基本符合借款约束。
加入个体劳动收入风险后,同一年龄家庭不再拥有相同财富,因此不能再用单一财富函数表示分布,必须处理完整的 (\mu(a,x,\varepsilon))。 作者首先在年龄、财富和个体生产率网格上表示密度,再进一步进行降维。
完整有限差分网格包括:
财富上界扩大到55,以容纳个体风险带来的更宽财富分布。
降维方法具有明确的经济和数值约束:
图4解读:图4显示完整模型中,二维或三维分布被压缩成参数向量 (\gamma),再进入神经网络,输出年龄、财富、个体生产率和宏观状态上的价值函数网格。图注标题写为“aggregate risk”,但图示和正文实际描述的是同时含有宏观与个体风险的模型,这一标题存在表述不一致,应予注意。
图5左图显示完整模型的损失同样下降至约 (10^{-6}) 数量级,但相较仅有宏观风险的图3,训练曲线在后期出现周期性波动,说明高维分布输入使优化更复杂。 训练直接从模拟数据开始,而不是经历前三阶段,这是因为初始价值函数所隐含的分布动态已经相对稳定。
图5右图展示按年龄划分的平均财富时间序列分布。平均财富从年轻时期逐步上升,在约45岁达到最高,随后下降;不同时间状态下的区间明显宽于无个体风险模型。 个体收入风险引入了预防性储蓄动机,因此年轻家庭平均持有更多财富,这是与经济直觉一致的比较静态结果。
完整模型训练约22小时,平均残差为0.0005,99.9%分位残差为0.0068。 平均残差低于宏观风险单独模型,但尾部残差略高,说明整体平均表现良好,但在少数状态点或分布组合上仍可能存在更明显的误差。
图6左图显示财富中位数随年龄先升后降,约45岁达到峰值,时间序列中位数、5%和95%分位数之间存在显著差异,表明宏观状态会改变整个横截面财富位置。 图6右图显示财富第99百分位的变化幅度更大,峰值约45岁时可达到40以上,而中位数约为20左右,说明个体风险显著扩展了财富右尾和财富不平等。
这两个图共同说明:个体风险不仅提高年轻人的平均预防性储蓄,也增强了高财富家庭与中位数家庭之间的差距。作者同时认为借款约束仍被较好地捕捉,且误差没有在约束边界附近系统性上升。
人口年龄区间为20至95岁,退休年龄为65岁,社会保障缴费率为12%;死亡率取自2015年美国人类死亡数据库,父母生育年龄分布设置为20至40岁之间的对称分布。 家庭偏好参数通过匹配3%的利率、60%的转移财富占比以及财富低于收入中位数6.25%的家庭比例进行内部校准。
生产函数资本份额为0.36,宏观生产率和折旧率分别采用两状态设定。 这些校准目标决定了模型的财富积累、遗赠和资产分布,但报告目前没有完整呈现表1和表2中的所有参数数值,且附录中若干校准内容仍标注为“TO BE COMPLETED”。
图7a中的人口密度随年龄上升后下降,晚年快速降低,反映死亡率随年龄增加;图7b的父母年龄密度主要集中于25至35岁,并在20至40岁范围内平滑进出;图7c的劳动效率在20岁后上升,约60岁附近达到高位,并在65岁退休时骤降为零。
这些外部剖面直接塑造了财富曲线:劳动收入在中年较高,遗赠接收集中于较年轻的成年阶段,而退休后劳动收入消失,因此财富积累与耗散呈现中年峰值。劳动曲线使用PSID 2015数据的小时工资率,并对20至65岁年龄段拟合二次多项式。
附录表3本应比较模型与联邦储备数据中的年龄—财富份额,但目前尚未完成,因此模型对财富分布的经验匹配仍缺乏完整证据。
报告识别或隐含的主要风险包括:
此外,报告对方法效果的表述较为积极,例如称结果达到“满意精度”,但尚未给出与传统完整有限差分方法、稀疏网格、Fourier neural operator或其他神经网络方法的统一基准比较,因此“优势”主要通过自身残差和训练耗时体现,而不是通过系统的相对性能实验验证。
总体而言,这是一篇以计算方法为核心的连续时间随机OLG研究。作者的关键创新是将高维分布输入神经网络,同时保留低维年龄和财富方向的有限差分结构,从而兼顾神经网络的高维处理能力与传统数值方法在边界条件、迎风离散和形状约束方面的优势。
两个应用均显示,模型在约24小时内可完成训练,损失达到 (10^{-6}) 数量级,且借款约束附近没有明显系统性误差。 经济结果方面,仅有宏观风险的模型产生中年财富积累、老年财富耗尽和年轻人借款约束;加入个体收入风险后,预防性储蓄提高,年轻人持有更多财富,财富分布右尾也明显扩张。
不过,由于报告仍是初步且未完成版本,完整理论推导、参数表、校准匹配、附加误差检验和稳健性分析尚不足以支持最终定稿层面的强结论。其当前最重要的价值在于提出并初步验证一种可扩展的数值框架,而不是提供成熟的政策评估或福利排序结论。
2608.11134.pdf