Я только что опубликовал свою обзорную статью «Глубокое обучение для решения экономических моделей» на своей веб-странице: В течение одной-двух недель она также будет распространяться как рабочая статья в NBER и CEPR. Тем не менее, я хотел бы уже сообщить людям об этом, так как я довольно доволен результатом, во многом благодаря замечательной ранней обратной связи, которую я получил. Как я часто утверждал, продолжающаяся революция в глубоком обучении трансформирует то, как мы решаем динамические модели равновесия в экономике. В своей сути решение модели сводится к приближению неизвестных целевых функций (таких как функция полезности агентов, правило принятия решений или функция наилучшего ответа). Глубокое обучение часто прекрасно справляется с этой задачей. В статье я подчеркиваю, что этот успех не является «магией», а скорее прямым следствием способности глубокого обучения открывать лучшие представления соответствующих переменных модели (например, переменных состояния). Слои нейронной сети преобразуют входные переменные в информационно эффективные представления, которые можно легче аппроксимировать. Том Сарджент любит говорить, что нахождение состояния — это искусство. Глубокое обучение пытается автоматизировать это искусство насколько возможно. Вот почему в многих случаях мы теперь можем решать высокоразмерные задачи, которые были вычислительно непосильными всего несколько лет назад. Более того, структура глубоких сетей, разработанных для решения этих моделей, в основном линейна, за исключением нелинейности, заключенной в функции активации, позволяет массовую параллелизацию. Обзорная статья предназначена для того, чтобы начинать с нуля. Моя целевая аудитория — это студент первого года магистратуры с очень базовыми знаниями методов решения или даже мотивированный старший бакалавр. Я был бы очень признателен за обратную связь. Можете ли вы следовать за аргументами на протяжении всего текста? Есть ли шаги, которые остаются неясными? Я преподавал курсы на основе этого материала в Пенсильвании, Банке Испании, Кембридже, ЕЦБ, Гарварде, Джонса Хопкинса, Нортвестерне, Оксфорде, Принстоне, UC Санта-Барбара и Стэнфорде, но я всегда ищу свежие взгляды, чтобы предложить улучшения. Все слайды, с ссылками на код, доступны здесь: в разделе «Машинное обучение для экономистов». В конечном итоге я могу использовать эту обзорную статью и слайды как основу для чего-то более длинного, но сначала мне нужно освободить свой стол от слишком многих текущих проектов.