Вычислительная экономика — это междисциплинарная исследовательская дисциплина, которая объединяет методы вычислительной науки и экономики для решения сложных экономических проблем. [1] Этот предмет охватывает вычислительное моделирование экономических систем . Некоторые из этих областей уникальны, в то время как другие создали области экономики, позволяя проводить надежную аналитику данных 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 рост эконометрики. В результате достижений в эконометрике, регрессионные модели , проверка гипотез и другие вычислительные статистические методы получили широкое распространение в экономических исследованиях. На теоретическом фронте сложные макроэкономические модели, включая модель реального делового цикла (RBC) и динамические стохастические модели общего равновесия (DSGE), подтолкнули разработку и применение численных методов решения, которые в значительной степени опираются на вычисления. В 21-м веке развитие вычислительных алгоритмов создало новые средства для взаимодействия вычислительных методов с экономическими исследованиями. Инновационные подходы, такие как модели машинного обучения и агентное моделирование, активно изучались в различных областях экономических исследований, предлагая экономистам расширенный инструментарий, который часто отличается по своему характеру от традиционных методов.
Вычислительная экономика использует компьютерное экономическое моделирование для решения аналитически и статистически сформулированных экономических проблем. Исследовательская программа для этой цели — это агентная вычислительная экономика (ACE), вычислительное исследование экономических процессов, включая целые экономики , как динамические системы взаимодействующих агентов . [4] Как таковая, это экономическая адаптация парадигмы сложных адаптивных систем . [5] Здесь «агент» относится к «вычислительным объектам, смоделированным как взаимодействующие в соответствии с правилами», а не к реальным людям. [3] Агенты могут представлять социальные, биологические и/или физические сущности. Теоретическое предположение о математической оптимизации агентами в равновесии заменяется менее ограничительным постулатом агентов с ограниченной рациональностью, адаптирующихся к рыночным силам, [6] включая игровые теоретико- контексты. [7] Начиная с начальных условий, определенных разработчиком модели, модель ACE развивается вперед во времени, движимая исключительно взаимодействиями агентов. Научная цель метода — проверить теоретические выводы на основе реальных данных способами, которые позволяют эмпирически подтвержденным теориям накапливаться с течением времени. [8]
Модели машинного обучения представляют собой метод разрешения обширных, сложных, неструктурированных наборов данных. Различные методы машинного обучения, такие как метод ядра и случайный лес, были разработаны и использованы в добыче данных и статистическом анализе. Эти модели обеспечивают превосходную классификацию, предсказательные возможности, гибкость по сравнению с традиционными статистическими моделями, такими как метод STAR . Другие методы, такие как причинное машинное обучение и причинное дерево , обеспечивают явные преимущества, включая тестирование выводов.
Существуют заметные преимущества и недостатки использования инструментов машинного обучения в экономических исследованиях. В экономике модель выбирается и анализируется сразу. Экономическое исследование выбирает модель на основе принципа, затем тестирует/анализирует модель с данными, а затем проводит перекрестную проверку с другими моделями. С другой стороны, модели машинного обучения имеют встроенные эффекты «настройки». Поскольку модель проводит эмпирический анализ, она одновременно проводит перекрестную проверку, 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 подгонке модели. Хотя машинное обучение преуспевает в классификации, прогнозировании и оценке качества подгонки, многим моделям не хватает возможностей для статистического вывода, который представляет больший интерес для экономических исследователей. Ограничения моделей машинного обучения означают, что экономистам, использующим машинное обучение, необходимо будет разработать стратегии для надежного статистического причинно-следственного вывода , основного направления современных эмпирических исследований. Например, исследователи экономики могут надеяться определить факторы, искажающие данные , 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 быть обусловлена различиями 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 реализация нейронных сетей , глубокого обучения в области вычислительной экономики может сократить избыточную работу по очистке и анализу данных, значительно сократив время и стоимость крупномасштабной аналитики данных и позволив исследователям собирать, анализировать данные в больших масштабах. [12] Это побудит исследователей-экономистов исследовать новые методы моделирования. Кроме того, уменьшение акцента на анализе данных позволит исследователям больше сосредоточиться на таких предметных вопросах, как причинно-следственные связи, искажающие переменные и реалистичность модели. Под надлежащим руководством модели машинного обучения могут ускорить процесс разработки точной, применимой экономики посредством крупномасштабного анализа эмпирических данных и вычислений. [13]
Методы динамического моделирования часто применяются в макроэкономических исследованиях для имитации экономических колебаний и проверки эффектов изменений политики. DSGE — один из классов динамических моделей, в значительной степени опирающийся на вычислительные методы и решения. Модели DSGE используют микроэкономические принципы для захвата характеристик реальной мировой экономики в среде с межвременной неопределенностью. Учитывая их присущую сложность, модели DSGE в целом аналитически не поддаются обработке и обычно реализуются численно с использованием компьютерного программного обеспечения. Одним из основных преимуществ моделей DSGE является то, что они облегчают оценку динамического выбора агентов с гибкостью. Однако многие ученые критиковали модели DSGE за их зависимость от предположений в сокращенной форме, которые в значительной степени нереалистичны.
Использование вычислительных инструментов в экономических исследованиях долгое время было 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 для анализа данных и моделирования. Типичные языки программирования, используемые в исследованиях 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 — медленнее всего. MATLAB, Julia и R достигают баланса между производительностью и интерпретируемостью. Как раннее программное обеспечение для статистической аналитики, Stata была наиболее традиционным вариантом языка программирования. Экономисты приняли Stata как одну из самых популярных программ статистической аналитики из-за ее широты, 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 Coordination . [17]
{{cite book}}: CS1 maint: multiple names: authors list (link){{cite journal}}: Цитировать журнал требует |journal=( помощь )