Ik heb zojuist mijn enquêtepaper "Deep Learning voor het Oplossen van Economische Modellen" op mijn webpagina geplaatst: Over een of twee weken zal het ook circuleren als een werkdocument bij de NBER en CEPR. Toch wilde ik mensen al laten weten, aangezien ik behoorlijk blij ben met het resultaat, grotendeels dankzij een aantal fantastische vroege feedback die ik heb gekregen. Zoals ik vaak heb betoogd, transformeert de voortdurende revolutie in deep learning de manier waarop we dynamische evenwichtsmodellen oplossen. In wezen komt het oplossen van een model neer op het benaderen van onbekende doel functies (zoals de waarde functie van agenten, een beslissingsregel of een beste respons functie). Deep learning doet vaak een fantastische job bij die taak. In het paper benadruk ik dat dit succes geen "magie" is, maar eerder het directe gevolg van het vermogen van deep learning om betere representaties van de relevante variabelen van een model te ontdekken (bijvoorbeeld de staat variabelen). De lagen van een neuraal netwerk transformeren de invoervariabelen in informatief efficiënte representaties die gemakkelijker te benaderen zijn. Tom Sargent zegt graag dat het vinden van de staat een kunst is. Deep learning probeert die kunst zoveel mogelijk te automatiseren. Dit is waarom we in veel gevallen nu hoge-dimensionale problemen kunnen oplossen die slechts een paar jaar geleden computationeel onhaalbaar waren. Bovendien staat de structuur van diepe netwerken die zijn ontworpen voor het oplossen van deze modellen, grotendeels lineair afgezien van de niet-lineariteit die is vastgelegd in de activatiefunctie, massale parallelisatie toe. De enquêtepaper is ontworpen om vanaf de basis te beginnen. Mijn beoogde publiek is een eerstejaars graduate student met alleen een zeer basiskennis van oplossingsmethoden, of zelfs een gemotiveerde senior undergraduate. Ik zou zeer dankbaar zijn voor feedback. Kun je de argumenten volgen? Zijn er stappen die onduidelijk blijven? Ik heb cursussen gegeven op basis van dit materiaal aan Penn, de Bank van Spanje, Cambridge, de ECB, Harvard, Johns Hopkins, Northwestern, Oxford, Princeton, UC Santa Barbara en Stanford, maar ik ben altijd op zoek naar frisse ogen om verbeteringen voor te stellen. Alle slide decks, met links naar de code, zijn hier beschikbaar: onder "Machine Learning voor Economen." Uiteindelijk kan ik deze enquêtepaper en de slide decks gebruiken als de kern voor iets langere, maar eerst moet ik mijn bureau opruimen van te veel lopende projecten.