Вычислительная экономика
| Часть серии о |
| Экономика |
|---|
Вычислительная экономика — это междисциплинарная исследовательская дисциплина, которая сочетает в себе методы вычислительной науки и экономики для решения сложных экономических проблем. [1] Этот предмет включает в себя компьютерное моделирование экономических систем . Некоторые из этих областей уникальны, в то время как другие создали области экономики, позволив надежно анализировать данные и решать проблемы, которые было бы трудно исследовать без компьютеров и связанных с ними численных методов . [2]
Вычислительные методы применяются в различных областях экономических исследований, включая, помимо прочего:
Эконометрика : непараметрические подходы, полупараметрические подходы и машинное обучение .
Моделирование динамических систем: оптимизация, динамическое стохастическое моделирование общего равновесия и агентное моделирование . [3]
История [ править ]
Вычислительная экономика развивалась одновременно с математизацией этой области. В начале 20 века такие пионеры, как Ян Тинберген и Рагнар Фриш, продвинули компьютеризацию экономики и развитие эконометрики. В результате достижений в области эконометрики регрессионные модели , проверка гипотез и другие методы вычислительной статистики получили широкое распространение в экономических исследованиях. На теоретическом фронте сложные макроэкономические модели, в том числе модель реального делового цикла (RBC) и модели динамического стохастического общего равновесия (DSGE), стимулировали разработку и применение методов численного решения, которые в значительной степени полагаются на вычисления. В 21 веке развитие вычислительных алгоритмов создало новые средства взаимодействия вычислительных методов с экономическими исследованиями. Инновационные подходы, такие как модели машинного обучения и агентное моделирование, активно исследуются в различных областях экономических исследований, предлагая экономистам расширенный инструментарий, который часто отличается по своему характеру от традиционных методов.
Приложения [ править ]
Агентное моделирование [ править ]
Вычислительная экономика использует компьютерное экономическое моделирование для решения аналитически и статистически сформулированных экономических проблем. С этой целью исследовательской программой является агентно-ориентированная вычислительная экономика (ACE), вычислительное исследование экономических процессов, включая целые экономики , как динамические системы взаимодействующих агентов . [4] По сути, это экономическая адаптация парадигмы адаптивных систем сложных . [5] Здесь под «агентом» подразумеваются «вычислительные объекты, смоделированные как взаимодействующие в соответствии с правилами», а не реальные люди. [3] Агенты могут представлять социальные, биологические и/или физические сущности. Теоретическое предположение о математической оптимизации агентов, находящихся в равновесии , заменяется менее ограничительным постулатом об агентах с ограниченной рациональностью , адаптирующихся к рыночным силам. [6] включая теоретико-игровые контексты. [7] Начиная с начальных условий, определенных разработчиком модели, модель ACE развивается во времени, движимая исключительно взаимодействием агентов. Научная цель метода — проверить теоретические выводы на реальных данных таким образом, чтобы эмпирически подтвержденные теории накапливались с течением времени. [8]
Машинное обучение экономике вычислительной в
Модели машинного обучения представляют собой метод разрешения огромных, сложных и неструктурированных наборов данных. Различные методы машинного обучения, такие как метод ядра и случайный лес, были разработаны и используются при сборе данных и статистическом анализе. Эти модели обеспечивают превосходную классификацию, возможности прогнозирования и гибкость по сравнению с традиционными статистическими моделями, такими как метод STAR . Другие методы, такие как причинное машинное обучение и причинное дерево , предоставляют явные преимущества, включая проверку умозаключений.
Есть заметные преимущества и недостатки использования инструментов машинного обучения в экономических исследованиях. В экономике модель выбирается и анализируется сразу. Экономическое исследование выберет модель, основанную на принципе, затем протестирует/анализирует модель на данных с последующей перекрестной проверкой с другими моделями. С другой стороны, модели машинного обучения имеют встроенные эффекты «настройки». Поскольку модель проводит эмпирический анализ, она одновременно проверяет, оценивает и сравнивает различные модели. Этот процесс может дать более надежные оценки, чем традиционные.
Традиционная экономика частично нормализует данные на основе существующих принципов, в то время как машинное обучение представляет собой более позитивный/эмпирический подход к подбору модели. Хотя машинное обучение превосходно справляется с классификацией, прогнозированием и оценкой согласия, многим моделям не хватает возможностей для статистических выводов, которые представляют больший интерес для исследователей-экономистов. Ограничения моделей машинного обучения означают, что экономистам, использующим машинное обучение, необходимо будет разработать стратегии для надежных статистических причинно-следственных выводов , что является основным направлением современных эмпирических исследований. Например, исследователи-экономисты могут надеяться выявить искажающие факторы , доверительные интервалы и другие параметры, которые недостаточно четко определены в алгоритмах машинного обучения. [9]
Машинное обучение может эффективно способствовать разработке более сложных гетерогенных экономических моделей. Традиционно гетерогенные модели требовали обширной вычислительной работы. Поскольку гетерогенность может выражаться в различиях во вкусах, убеждениях, способностях, навыках или ограничениях, оптимизация гетерогенной модели намного более утомительна, чем гомогенный подход (репрезентативный агент). [10] Развитие усиленного обучения и глубокого обучения может значительно снизить сложность гетерогенного анализа, создавая модели, которые лучше отражают поведение агентов в экономике. [11]
Внедрение и внедрение нейронных сетей , глубокое обучение в области вычислительной экономики могут сократить избыточную работу по очистке и анализу данных, значительно сокращая время и стоимость крупномасштабного анализа данных и позволяя исследователям собирать и анализировать данные в большом объеме. шкала. [12] Это побудит исследователей-экономистов к изучению новых методов моделирования. Кроме того, уменьшение внимания к анализу данных позволит исследователям больше сосредоточиться на таких предметах, как причинно-следственные связи, вмешивающиеся переменные и реалистичность модели. Под надлежащим руководством модели машинного обучения могут ускорить процесс разработки точной и применимой экономики посредством крупномасштабного анализа эмпирических данных и вычислений. [13]
динамического стохастического общего равновесия ( DSGE Модель )
Методы динамического моделирования часто применяются в макроэкономических исследованиях для моделирования экономических колебаний и проверки последствий изменений в политике. Один из классов динамических моделей DSGE, в значительной степени основанный на вычислительных методах и решениях. Модели DSGE используют экономические принципы, основанные на микроэкономике, для отражения характеристик реальной мировой экономики в среде с межвременной неопределенностью. Учитывая присущую им сложность, модели DSGE, как правило, аналитически трудноразрешимы и обычно реализуются численно с использованием компьютерного программного обеспечения. Одним из основных преимуществ моделей DSGE является то, что они облегчают гибкую оценку динамического выбора агентов. Однако многие ученые критиковали модели DSGE за то, что они полагаются на предположения в сокращенной форме, которые в значительной степени нереалистичны.
Вычислительные инструменты и языки программирования [ править ]
Использование вычислительных инструментов в экономических исследованиях уже давно стало нормой и основой. Вычислительные инструменты для экономики включают в себя разнообразное компьютерное программное обеспечение, которое облегчает выполнение различных матричных операций (например, обращение матрицы) и решение систем линейных и нелинейных уравнений. Различные языки программирования используются в экономических исследованиях с целью анализа и моделирования данных. Типичные языки программирования, используемые в исследованиях в области вычислительной экономики, включают C++ , MATLAB , Julia , Python , R и Stata .
Среди этих языков программирования C++ как компилируемый язык работает быстрее всего, а Python как интерпретируемый язык — самый медленный. MATLAB, Julia и R достигают баланса между производительностью и интерпретируемостью. Будучи одним из первых программ статистического анализа, Stata была наиболее распространенным вариантом языка программирования. Экономисты назвали Stata одной из самых популярных программ статистического анализа благодаря ее широте, точности, гибкости и повторяемости.
Журналы [ править ]
Следующие журналы специализируются на вычислительной экономике: ACM Transactions on Economics and Computation , [14] Вычислительная экономика , [1] Журнал прикладной эконометрики , [15] Журнал экономической динамики и контроля [16] и Журнал экономического взаимодействия и координации . [17]
Ссылки [ править ]
- ^ Перейти обратно: а б Вычислительная экономика . « Об этом журнале» и «Цели и сфера применения ».
- ^ • Ханс М. Амман, Дэвид А. Кендрик и Джон Раст, изд., 1996. Справочник по вычислительной экономике , т. 1, Elsevier. Описание. Архивировано 15 июля 2011 г. на Wayback Machine , ссылки на предварительный просмотр глав . Архивировано 6 апреля 2020 г. в Wayback Machine • Кеннет Л. Джадд , 1998. Численные методы в экономике , MIT Press. Ссылки на описание. Архивировано 11 февраля 2012 г. на Wayback Machine и предварительный просмотр глав .
- ^ Перейти обратно: а б Скотт Э. Пейдж, 2008. «Агентные модели», Новый экономический словарь Пэлгрейва , 2-е издание. Абстрактный .
- ^ • Скотт Э. Пейдж, 2008. «Агентные модели», Новый экономический словарь Пэлгрейва , 2-е издание. Абстрактный . • Ли Тесфацион, 2006. «Агентная вычислительная экономика: конструктивный подход к экономической теории», гл. 16, Справочник по вычислительной экономике , т. 2, [стр. 831-880]. дои : 10.1016/S1574-0021(05)02016-2 . • Кеннет Л. Джадд, 2006. «Вычислительно-интенсивный анализ в экономике», Справочник по вычислительной экономике , т. 2, гл. 17, стр. 881–893 . Предварительная публикация в формате PDF . • Л. Тесфацион и К. Джадд, изд., 2006. Справочник по вычислительной экономике , т. 2, Агентная вычислительная экономика , Elsevier. Описание. Архивировано 6 марта 2012 г. на Wayback Machine и ссылки на предварительный просмотр глав . • Томас Дж. Сарджент , 1994. Ограниченная рациональность в макроэкономике , Оксфорд. Описание и ссылки на первую страницу предварительного просмотра главы .
- ^ • У. Брайан Артур , 1994. «Индуктивное рассуждение и ограниченная рациональность», American Economic Review , 84 (2), стр. 406–411. Архивировано 21 мая 2013 г. в Wayback Machine . • Ли Тесфацион , 2003. «Агентная вычислительная экономика: моделирование экономики как сложных адаптивных систем», Information Sciences , 149(4), стр. 262–268. Архивировано 26 апреля 2012 г., в Wayback Machine . • _____, 2002. «Агентная вычислительная экономика: рост экономики снизу вверх», « Искусственная жизнь» , 8(1), стр.55-82. Аннотация и предварительная публикация в формате PDF. Архивировано 14 мая 2013 г. в Wayback Machine .
- ^ • У. Брайан Артур, 1994. «Индуктивное рассуждение и ограниченная рациональность», American Economic Review , 84 (2), стр. 406–411. Архивировано 21 мая 2013 г. в Wayback Machine . • Джон Х. Холланд и Джон Х. Миллер (1991). «Искусственные адаптивные агенты в экономической теории», American Economic Review , 81 (2), стр. 365–370. Архивировано 5 января 2011 г. в Wayback Machine . • Томас К. Шеллинг , 1978 [2006]. Микромотивы и макроповедение , Нортон. Описание. Архивировано 2 ноября 2017 г. на Wayback Machine , предварительный просмотр . • Томас Дж. Сарджент , 1994. Ограниченная рациональность в макроэкономике , Оксфорд. Описание и ссылки на первую страницу предварительного просмотра главы .
- ^ • Джозеф Ю. Халперн , 2008. «Информатика и теория игр», Новый экономический словарь Пэлгрейва , 2-е издание. Абстрактный . • Йоав Шохам, 2008. «Информатика и теория игр», Communications of the ACM , 51(8), стр. 75–79 . Архивировано 26 апреля 2012 г. в Wayback Machine . • Элвин Э. Рот , 2002. «Экономист как инженер: теория игр, экспериментирование и вычисления как инструменты для экономики проектирования», Econometrica , 70(4), стр. 1341–1378 . Архивировано 14 апреля 2004 г. в Wayback Machine. .
- ^ Ли Тесфацион, 2006. «Агентная вычислительная экономика: конструктивный подход к экономической теории», гл. 16, Справочник по вычислительной экономике , т. 2, разд. 5, с. 865 [стр. 831-880]. два : 10.1016/S1574-0021(05)02016-2 .
- ^ Эти, Сьюзен (2019), «Влияние машинного обучения на экономику» , Экономика искусственного интеллекта , University of Chicago Press, стр. 507–552, doi : 10.7208/chicago/9780226613475.003.0021 , ISBN 9780226613338 , S2CID 67460253 , получено 5 мая 2022 г.
- ^ Иисус, Браунинг, Мартин Карро (2006). Гетерогенность и микроэконометрическое моделирование . CAM, Центр прикладной микроэконометрики. OCLC 1225293761 .
{{cite book}}: CS1 maint: несколько имен: список авторов ( ссылка ) - ^ Шарпантье, Артур; Эли, Ромуальд; Ремлингер, Карл (23 апреля 2021 г.). «Усиление обучения в области экономики и финансов» . Вычислительная экономика . arXiv : 2003.10014 . дои : 10.1007/s10614-021-10119-4 . ISSN 1572-9974 . S2CID 214612371 .
- ^ Фаррелл, Макс Х.; Лян, Тэнъюань; Мисра, Санджог (2021). «Глубокие нейронные сети для оценки и вывода» . Эконометрика . 89 (1): 181–213. дои : 10.3982/ecta16901 . ISSN 0012-9682 . S2CID 203696381 .
- ^ «Глубокое обучение индивидуальной неоднородности: система автоматического вывода» . 27 июля 2021 г. дои : 10.47004/wp.cem.2021.2921 . S2CID 236428783 .
{{cite journal}}: Для цитирования журнала требуется|journal=( помощь ) - ^ «АКМ Тик» .
- ^ «Журнал прикладной эконометрики» . Интернет-библиотека Уайли . 2011. doi : 10.1002/(ISSN) 1099-1255 . Проверено 31 октября 2011 г.
- ^ Журнал экономической динамики и контроля , включая ссылку на цели и объем. Часто цитируемый обзор и проблему см.: • Leigh Tesfation, 2001. «Введение в специальный выпуск по агентной вычислительной экономике», Journal of Economic Dynamics & Control , стр. 281-293 . • [Специальный выпуск], 2001. Журнал экономической динамики и управления , Агентная вычислительная экономика (ACE). 25(3-4), стр. 281-654. на аннотацию/схему Ссылки [ постоянная мертвая ссылка ] .
- ^ «Журнал экономического взаимодействия и координации» . Springer.com . 2011 . Проверено 31 октября 2011 г.
Внешние ссылки [ править ]
- Общество вычислительной экономики
- Журнал экономической динамики и контроля. Архивировано 5 мая 2021 г. в Wayback Machine - публикует статьи по вычислительной экономике.
- Агентно-ориентированная вычислительная экономика - поддерживается Ли Тесфационом
- Использование агентных моделей в региональной науке - исследование агентных моделей для моделирования городской агломерации.
- Вычислительная экономика на Python - цикл лекций
- Вычислительные финансы и экономические агенты. Архивировано 15 декабря 2018 г. в Wayback Machine.
- Журнал экономического взаимодействия и координации - официальный журнал Ассоциации экономической науки с гетерогенно взаимодействующими агентами.
- Кафедра экономической политики Бамбергского университета (Германия)
- Репозиторий общедоступных вычислительных решений