Вычислительная экономика — это междисциплинарная исследовательская дисциплина, которая включает в себя сочетание методов 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]
Вычислительная экономика развивалась одновременно с математизацией этой области. В начале 20-го 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 набор инструментов, который по своему характеру часто отличается от традиционных методов.
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 существу, это экономическая адаптация парадигмы сложных адаптивных систем . [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 объекты. Теоретическое предположение о математической оптимизации агентов, находящихся в равновесии , заменяется менее ограничительным постулатом об агентах с ограниченной рациональностью , адаптирующихся к рыночным силам [6] , включая контекст теории игр . [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]
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 с данными, после чего следует перекрестная проверка 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 сократив время и стоимость крупномасштабного анализа данных и предоставив исследователям возможность собирать и анализировать данные в больших объемах. 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]
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.
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.
Следующие журналы специализируются на вычислительной экономике: ACM Transactions on Economics and Computation , [14] Computational Economics , [1] Journal of Applied Econometrics , [15] Journal of Economic Dynamics and Control [16] и Journal of Economic Interaction and координации . [17]
{{cite book}}
: CS1 maint: multiple names: authors list (link){{cite journal}}
: Требуется цитировать журнал |journal=
( помощь )