Ho appena pubblicato il mio articolo di ricerca "Deep Learning per Risolvere Modelli Economici" sulla mia pagina web: Tra una o due settimane, circolerà anche come working paper presso il NBER e il CEPR. Tuttavia, volevo già far sapere alle persone, poiché sono piuttosto soddisfatto del risultato, grazie in gran parte a un fantastico feedback iniziale che ho ricevuto. Come ho spesso sostenuto, la rivoluzione in corso nel deep learning sta trasformando il modo in cui risolviamo i modelli economici di equilibrio dinamico. Alla base, risolvere un modello equivale ad approssimare funzioni obiettivo sconosciute (come la funzione valore degli agenti, una regola decisionale o una funzione di risposta ottimale). Il deep learning spesso svolge un lavoro fantastico in questo compito. Nell'articolo, sottolineo che questo successo non è "magia", ma piuttosto la diretta conseguenza della capacità del deep learning di scoprire rappresentazioni migliori delle variabili rilevanti di un modello (ad esempio, le variabili di stato). I livelli di una rete neurale trasformano le variabili di input in rappresentazioni informativamente efficienti che possono essere più facilmente approssimate. Tom Sargent ama dire che trovare lo stato è un'arte. Il deep learning cerca di automatizzare quest'arte il più possibile. Ecco perché, in molti casi, ora possiamo risolvere problemi ad alta dimensione che erano computazionalmente inattuabili solo pochi anni fa. Inoltre, la struttura delle reti profonde progettate per risolvere questi modelli, per lo più lineare a parte la non linearità racchiusa nella funzione di attivazione, consente una massiccia parallelizzazione. L'articolo di ricerca è progettato per partire da zero. Il mio pubblico di riferimento è uno studente di primo anno di laurea con solo una conoscenza molto basilare dei metodi di soluzione, o anche un motivato studente universitario del quarto anno. Apprezzerei molto un feedback. Puoi seguire gli argomenti? Ci sono passaggi che rimangono poco chiari? Ho insegnato corsi basati su questo materiale a Penn, alla Banca di Spagna, a Cambridge, alla BCE, a Harvard, a Johns Hopkins, a Northwestern, a Oxford, a Princeton, a UC Santa Barbara e a Stanford, ma sono sempre alla ricerca di occhi freschi per suggerire miglioramenti. Tutti i materiali delle slide, con i link al codice, sono disponibili qui: sotto "Machine Learning per Economisti." Alla fine, potrei utilizzare questo articolo di ricerca e i materiali delle slide come base per qualcosa di più lungo, ma prima devo liberare la mia scrivania da troppi progetti in corso.