Using Adaptive Sparse Grids to Solve High-Dimensional Dynamic Models
用自适应稀疏网格求解高维动态模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦动态模型数值求解，虽含宏观应用，但未涉及所列时间序列、冲击识别或预测等细分方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用自适应稀疏网格求解高维动态模型
- 研究问题
- 如何计算高维随机动态模型的全局数值解，在状态维度增大、函数存在陡峭梯度或不可微点时控制网格规模与计算负担？
- 方法与思路
- 作者在时间迭代或价值函数迭代中使用自适应稀疏网格插值，仅在需要处新增网格点，并结合分布式与共享内存并行计算。
- 材料陈述的贡献
- 摘要称该方法兼具维度上的稀疏性与局部自适应性，并以含不可逆投资的国际真实经济周期模型和多产品菜单成本模型展示适用性。
- 阅读关注点
- 核对网格自适应准则、插值误差与收敛判据，并查看两类模型的精度、耗时、并行扩展性及基准比较如何报告。
- 阅读边界
- 所供摘要来自OpenAlex，未注明原文版本；摘要未提供误差界、加速幅度或统一收敛保证，不能据此判断对所有高维模型都有效。
原文摘要
We present a exible and scalable method for computing global solutions of high-dimensional stochastic dynamic models. Within a time iteration or value function iteration setup, we interpolate functions using an adaptive sparse grid algorithm. With increasing dimensions, sparse grids grow much more slowly than standard tensor product grids. Moreover, adaptivity adds a second layer of sparsity, as grid points are added only where they are most needed, for instance in regions with steep gradients or at non-differentiabilities. To further speed up the solution process, our implementation is fully hybrid parallel, combining distributed and shared memory parallelization paradigms, and thus permits an efficient use of high-performance computing architectures. To demonstrate the broad applicability of our method, we solve two very different types of dynamic models: first, high-dimensional international real business cycle models with capital adjustment costs and irreversible investment; second, multiproduct menu-cost models with temporary sales and economies of scope in price setting.