本文提出了一种基于神经网络的非线性异质代理模型估计方法,该方法能够有效解决非线性、异质代理和聚合不确定性模型,并利用模拟数据和实际数据进行了验证。研究发现,该方法能够准确估计非线性异质代理新凯恩斯模型(HANK)模型的参数,并揭示了零利率下限(ZLB)约束和个体收入风险之间的相互作用是总产出波动率的关键来源。具体而言,本文首先介绍了神经网络的基本原理,并解释了如何利用神经网络高效地刻画模型的政策函数,同时将模型参数视为伪状态变量,从而避免重复求解模型。其次,本文提出了神经网络粒子滤波器,以减少对蒙特卡洛滤波器的依赖,并提高似然函数评估的准确性。最后,本文通过三个概念验证了该方法的有效性,并利用美国数据估计了非线性HANK模型,发现个体收入风险对宏观数据波动率有显著影响,且ZLB约束的存在加剧了这种影响。