Acabei de publicar o meu artigo de pesquisa "Deep Learning para Resolver Modelos Económicos" na minha página: Dentro de uma ou duas semanas, ele também circulará como um artigo de trabalho no NBER e CEPR. No entanto, queria já informar as pessoas, uma vez que estou bastante satisfeito com o resultado, em grande parte graças a alguns feedbacks fantásticos que recebi. Como já argumentei muitas vezes, a revolução em curso no deep learning está a transformar a forma como resolvemos modelos económicos de equilíbrio dinâmico. No seu cerne, resolver um modelo equivale a aproximar funções-alvo desconhecidas (como a função de valor dos agentes, uma regra de decisão ou uma função de melhor resposta). O deep learning frequentemente faz um trabalho fantástico nessa tarefa. No artigo, enfatizo que esse sucesso não é "mágico", mas sim a consequência direta da capacidade do deep learning 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 deep learning 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 há apenas alguns anos. Além disso, a estrutura das redes profundas projetadas para resolver esses modelos, em grande parte lineares, exceto pela não-linearidade encapsulada na função de ativação, permite uma paralelização massiva. O artigo de pesquisa é projetado para começar do zero. Meu público-alvo pretendido é um estudante de pós-graduação do primeiro ano com apenas um conhecimento muito básico de métodos de solução, ou até mesmo um estudante de graduação sênior motivado. Agradeceria muito o feedback. Você consegue acompanhar os argumentos ao longo do texto? Existem etapas que permanecem pouco claras? Já ensinei 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 UC Santa Barbara e em Stanford, mas estou sempre à procura de novos olhares para sugerir melhorias. Todos os slides, com links para o código, estão disponíveis aqui: sob "Machine Learning para Economistas." Eventualmente, posso usar este artigo de pesquisa e os slides como a base para algo mais longo, mas primeiro, preciso limpar minha mesa de muitos projetos em andamento.