Acabei de postar meu artigo de pesquisa "Deep Learning for Solving Economic Models" em minha página da web: Em uma ou duas semanas, também circulará como documento de trabalho no NBER e no CEPR. Ainda assim, eu queria que as pessoas já soubessem, já que estou muito feliz com o resultado, em grande parte graças a alguns comentários iniciais fantásticos que recebi. Como já argumentei muitas vezes, a revolução em curso no aprendizado profundo está transformando a forma como resolvemos modelos econômicos de equilíbrio dinâmico. Em sua essência, resolver um modelo equivale a aproximar funções de destino desconhecidas (como a função de valor dos agentes, uma regra de decisão ou uma função de melhor resposta). O aprendizado profundo frequentemente faz um trabalho fantástico nessa tarefa. No artigo, enfatizo que esse sucesso não é "mágica", mas sim a consequência direta da capacidade do aprendizado profundo de descobrir melhores representações das variáveis relevantes de um modelo (por exemplo, as variáveis de estado). As camadas de uma rede neural transformam as variáveis de entrada em representações informacionalmente eficientes que podem ser mais facilmente aproximadas. Tom Sargent adora dizer que encontrar o estado é uma arte. O aprendizado profundo tenta automatizar essa arte o máximo possível. É por isso que, em muitos casos, agora podemos resolver problemas de alta dimensão que eram computacionalmente inviáveis apenas alguns anos atrás. Além disso, a estrutura de redes profundas projetadas para resolver esses modelos, em grande parte lineares além da não linearidade encapsulada na função de ativação, permite uma paralelização massiva. O artigo de pesquisa é projetado para começar do zero. Meu público-alvo é um estudante de pós-graduação do primeiro ano com apenas um conhecimento muito básico de métodos de solução, ou mesmo um aluno de graduação motivado. Eu apreciaria muito o feedback. Você pode acompanhar os argumentos por toda parte? Existem etapas que permanecem obscuras? Ministrei cursos baseados neste material na Penn, no Banco da Espanha, em Cambridge, no BCE, em Harvard, na Johns Hopkins, na Northwestern, em Oxford, em Princeton, na Universidade da Califórnia em Santa Bárbara e em Stanford, mas estou sempre em busca de novos olhos para sugerir melhorias. Todos os conjuntos de slides, com links para o código, estão disponíveis aqui: em "Aprendizado de máquina para economistas". Eventualmente, posso usar este documento de pesquisa e os conjuntos de slides como o núcleo para algo mais longo, mas primeiro, preciso limpar minha mesa de muitos projetos em andamento.