Acabo de publicar mi artículo de revisión "Deep Learning for Solving Economic Models" en mi página web: En una o dos semanas, también circulará como un documento de trabajo en el NBER y CEPR. Aún así, quería informar a la gente ya, ya que estoy bastante contento con el resultado, en gran parte gracias a algunos comentarios iniciales fantásticos que recibí. Como he argumentado a menudo, la revolución en curso en el aprendizaje profundo está transformando la forma en que resolvemos modelos económicos de equilibrio dinámico. En su esencia, resolver un modelo equivale a aproximar funciones objetivo desconocidas (como la función de valor de los agentes, una regla de decisión o una función de mejor respuesta). El aprendizaje profundo a menudo hace un trabajo fantástico en esa tarea. En el artículo, enfatizo que este éxito no es "magia", sino más bien la consecuencia directa de la capacidad del aprendizaje profundo para descubrir mejores representaciones de las variables relevantes de un modelo (por ejemplo, las variables de estado). Las capas de una red neuronal transforman las variables de entrada en representaciones informativamente eficientes que pueden ser más fácilmente aproximadas. Tom Sargent suele decir que encontrar el estado es un arte. El aprendizaje profundo intenta automatizar ese arte tanto como sea posible. Por eso, en muchos casos, ahora podemos resolver problemas de alta dimensión que eran computacionalmente inviables hace solo unos años. Además, la estructura de las redes profundas diseñadas para resolver estos modelos, en gran parte lineales aparte de la no linealidad encapsulada en la función de activación, permite una paralelización masiva. El artículo de revisión está diseñado para comenzar desde cero. Mi público objetivo es un estudiante de primer año de posgrado con solo un conocimiento muy básico de los métodos de solución, o incluso un estudiante de pregrado motivado. Agradecería mucho los comentarios. ¿Puedes seguir los argumentos a lo largo del texto? ¿Hay pasos que sigan siendo poco claros? He enseñado cursos basados en este material en Penn, el Banco de España, Cambridge, el BCE, Harvard, Johns Hopkins, Northwestern, Oxford, Princeton, UC Santa Barbara y Stanford, pero siempre estoy buscando nuevas perspectivas para sugerir mejoras. Todos los conjuntos de diapositivas, con enlaces al código, están disponibles aquí: bajo "Machine Learning for Economists." Eventualmente, podría usar este artículo de revisión y los conjuntos de diapositivas como base para algo más extenso, pero primero necesito despejar mi escritorio de demasiados proyectos en curso.