私はちょうど、私の調査論文「経済モデルを解くためのディープラーニング」を私のウェブページに投稿しました。 1、2週間後には、NBERとCEPRでワーキングペーパーとしても配布される予定です。それでも、私は結果に非常に満足しているので、主に私が受け取った素晴らしい初期のフィードバックのおかげで、すでに人々に知らせたかったのです。 私がよく主張してきたように、ディープラーニングの現在進行中の革命は、動的均衡経済モデルの解法を変革しています。モデルを解くことは、本質的に、未知のターゲット関数(エージェントの価値関数、決定ルール、最良応答関数など)を近似することに相当します。ディープラーニングは、そのタスクで素晴らしい仕事をすることがよくあります。 この論文では、この成功は「魔法」ではなく、モデルの関連変数(状態変数など)のより良い表現を発見するディープラーニングの能力の直接的な結果であることを強調しています。ニューラルネットワークの層は、入力変数をより簡単に近似できる情報効率の高い表現に変換します。トム・サージェントは、州を見つけることは芸術であると言うのが大好きです。ディープラーニングは、その芸術を可能な限り自動化しようとします。 これが、多くの場合、ほんの数年前には計算的に実行不可能だった高次元問題を解くことができる理由です。 さらに、これらのモデルを解くために設計されたディープネットワークの構造は、活性化関数にカプセル化された非線形性を除いて、ほとんど線形であり、大規模な並列化を可能にします。 調査用紙はゼロから始めるように設計されています。私の対象読者は、解決方法について非常に基本的な知識しか持っていない大学院1年生、またはやる気のある学部生です。 フィードバックをいただければ幸いです。議論を最後まで理解できますか?不明なままのステップはありますか?私はペンシルベニア大学、スペイン銀行、ケンブリッジ、ECB、ハーバード大学、ジョンズ・ホプキンス大学、ノースウェスタン大学、オックスフォード大学、プリンストン大学、カリフォルニア大学サンタバーバラ校、スタンフォード大学でこの資料に基づいたコースを教えてきましたが、改善点を提案してくれる新鮮な目を常に探しています。 コードへのリンクを含むすべてのスライドデッキは、ここで入手できます。 「経済学者のための機械学習」の下。 最終的には、この調査用紙とスライドデッキをカーネルとして、より長いものとして使用するかもしれませんが、その前に、進行中のプロジェクトが多すぎるデスクを片付ける必要があります。