Je viens de publier mon article de synthèse "Apprentissage Profond pour Résoudre des Modèles Économiques" sur ma page web : Dans une ou deux semaines, il circulera également en tant que document de travail au NBER et au CEPR. Néanmoins, je voulais déjà informer les gens, car je suis assez satisfait du résultat, en grande partie grâce à des retours précoces fantastiques que j'ai reçus. Comme je l'ai souvent soutenu, la révolution en cours dans l'apprentissage profond transforme notre manière de résoudre des modèles économiques d'équilibre dynamique. Au cœur de cette démarche, résoudre un modèle revient à approximer des fonctions cibles inconnues (telles que la fonction de valeur des agents, une règle de décision ou une fonction de meilleure réponse). L'apprentissage profond réussit souvent très bien cette tâche. Dans l'article, je souligne que ce succès n'est pas "magique", mais plutôt la conséquence directe de la capacité de l'apprentissage profond à découvrir de meilleures représentations des variables pertinentes d'un modèle (par exemple, les variables d'état). Les couches d'un réseau de neurones transforment les variables d'entrée en représentations informativement efficaces qui peuvent être plus facilement approximées. Tom Sargent aime dire que trouver l'état est un art. L'apprentissage profond essaie d'automatiser cet art autant que possible. C'est pourquoi, dans de nombreux cas, nous pouvons désormais résoudre des problèmes de haute dimension qui étaient computationnellement infaisables il y a seulement quelques années. De plus, la structure des réseaux profonds conçus pour résoudre ces modèles, largement linéaire à part la non-linéarité encapsulée dans la fonction d'activation, permet une massive parallélisation. L'article de synthèse est conçu pour partir de zéro. Mon public cible est un étudiant de première année de master avec seulement des connaissances très basiques des méthodes de solution, ou même un étudiant de licence motivé. J'apprécierais beaucoup des retours. Pouvez-vous suivre les arguments tout au long ? Y a-t-il des étapes qui restent floues ? J'ai enseigné des cours basés sur ce matériel à Penn, à la Banque d'Espagne, à Cambridge, à la BCE, à Harvard, à Johns Hopkins, à Northwestern, à Oxford, à Princeton, à UC Santa Barbara et à Stanford, mais je suis toujours à la recherche de nouveaux regards pour suggérer des améliorations. Tous les diaporamas, avec des liens vers le code, sont disponibles ici : sous "Apprentissage Machine pour Économistes." Finalement, je pourrais utiliser cet article de synthèse et les diaporamas comme base pour quelque chose de plus long, mais d'abord, je dois débarrasser mon bureau de trop de projets en cours.