딥HAM 이질적 에이전트 모델 전역 해법

초록

딥HAM은 딥러닝을 활용해 이질적 에이전트 모델의 상태분포를 최적 일반화 모멘트로 요약하고, 가치·정책 함수를 신경망으로 근사한다. 직접 시뮬레이션 경로에서 목표함수를 최적화함으로써 전역적인 해를 제공하며, 차원 저주를 회피하고 해석 가능한 분포표현을 제공한다. 또한 경쟁 균형과 제약 효율성 문제를 동일한 프레임워크로 풀어 정책 분석에 활용할 수 있다.

상세 분석

본 논문은 이질적 에이전트(HA) 모델에 내재된 두 가지 핵심 난제를 동시에 해결하는 새로운 전역 해법인 DeepHAM을 제안한다. 첫 번째 난제는 개별 에이전트의 가치·정책 함수가 개인 상태뿐 아니라 전체 에이전트들의 상태분포에 의존한다는 점이다. 기존 방법은 이 분포를 제한된 모멘트(예: 평균)로 근사하거나, 선형화·국소 퍼트베이션에 의존해 비선형·비국소 효과를 포착하지 못한다. DeepHAM은 ‘일반화 모멘트’를 도입한다. 일반화 모멘트는 신경망으로 자동 학습되는 함수 형태이며, 분포의 핵심 정보를 압축적으로 요약한다. 이는 전통적인 모멘트와 달리 사전 정의된 형태가 없으며, 최적화 과정에서 데이터‑드리븐으로 결정된다. 따라서 차원 축소와 동시에 해석 가능성을 유지한다.

두 번째 난제는 고차원 가치·정책 함수를 효율적으로 근사하고, 이를 전역적으로 수렴시키는 알고리즘 설계이다. 논문은 딥 뉴럴 네트워크를 가치·정책 함수의 파라미터화에 사용하고, 시뮬레이션된 경로를 통해 직접 목표함수(베일만 잔차와 제약조건 위반도 포함)를 최소화한다. 이 접근은 파생값(예: 가치 함수의 미분) 추정에 의존하지 않으므로, 기존 연구에서 요구되는 복잡한 자동 미분 체인이나 고차원 그라디언트 계산의 오류를 회피한다. 또한 스토캐스틱 경사 하강법(SGD) 기반 최적화는 대규모 시뮬레이션에도 확장 가능하며, GPU 가속을 통해 계산 시간을 크게 단축한다.

실증 부분에서는 Krusell‑Smith 모델을 기준으로 DeepHAM의 성능을 검증한다. 첫 번째 일반화 모멘트(평균)만 사용해도 기존 KS 방법 대비 벨만 오류를 37.5% 감소시켰으며, 두 번째 일반화 모멘트를 추가하면 54.2%까지 감소한다. 이는 모멘트 수가 적음에도 불구하고 분포 정보를 충분히 포착한다는 증거이다. 또한, 다중 내생 상태·다중 충격을 포함한 복잡한 HA 모델에서도 차원 저주 없이 안정적으로 수렴한다는 점을 시뮬레이션 결과로 보여준다.

특히 흥미로운 점은 제약 효율성(Constrained Efficiency) 문제를 동일한 프레임워크로 해결한다는 것이다. 기존 문헌에서는 이 문제를 풀기 위해 별도의 라그랑주 승수법이나 복잡한 최적화 구조가 필요했지만, DeepHAM은 일반화 모멘트를 포함한 상태표현만으로 경쟁 균형과 제약 효율성 균형을 동시에 추정한다. 이를 통해 이질적 에이전트 환경에서 최적 통화·재정 정책을 직접 분석할 수 있는 새로운 길을 연다.

전반적으로 DeepHAM은 (1) 차원 저주를 회피하는 효율성, (2) 전역적인 정확도와 비선형 효과 포착, (3) 일반화 모멘트를 통한 해석 가능성, (4) 경쟁 균형과 제약 효율성 문제를 통합적으로 해결한다는 네 가지 핵심 장점을 제공한다. 이러한 특성은 향후 이질적 에이전트 모델을 이용한 거시정책 연구, 자산가격 모델링, 그리고 실증적 캘리브레이션에 큰 파급 효과를 기대하게 만든다.