Jag har just lagt upp min översiktsartikel "Deep Learning for Solving Economic Models" på min hemsida: Om en eller två veckor kommer den också att cirkulera som ett working paper på NBER och CEPR. Ändå ville jag låta folk veta redan nu, eftersom jag är ganska nöjd med resultatet, till stor del tack vare några fantastiska tidiga feedback jag fick. Som jag ofta har argumenterat för förändrar den pågående revolutionen inom djupinlärning hur vi löser dynamiska ekonomiska jämviktsmodeller. Att lösa en modell handlar i grund och botten om att approximera okända målfunktioner (t.ex. värdefunktionen för agenter, en beslutsregel eller en funktion för bästa svar). Djupinlärning gör ofta ett fantastiskt jobb med den uppgiften. I artikeln betonar jag att denna framgång inte är "magisk", utan snarare den direkta konsekvensen av djupinlärningens förmåga att upptäcka bättre representationer av de relevanta variablerna i en modell (till exempel tillståndsvariablerna). Lagren i ett neuralt nätverk omvandlar indatavariablerna till informationseffektiva representationer som lättare kan approximeras. Tom Sargent älskar att säga att det är en konst att hitta staten. Djupinlärning försöker automatisera den konsten så mycket som möjligt. Det är därför vi i många fall nu kan lösa högdimensionella problem som var beräkningsmässigt omöjliga för bara några år sedan. Dessutom tillåter strukturen av djupa nätverk som är utformade för att lösa dessa modeller, till stor del linjära bortsett från den icke-linjäritet som är inkapslad i aktiveringsfunktionen, massiv parallellisering. Undersökningsdokumentet är utformat för att börja från grunden. Min tilltänkta målgrupp är en förstaårsstudent som bara har mycket grundläggande kunskaper om lösningsmetoder, eller till och med en motiverad seniorstudent. Jag skulle verkligen uppskatta feedback. Kan du följa argumenten genom hela boken? Finns det steg som fortfarande är oklara? Jag har undervisat kurser baserade på detta material vid Penn, Bank of Spain, Cambridge, ECB, Harvard, Johns Hopkins, Northwestern, Oxford, Princeton, UC Santa Barbara och Stanford, men jag letar alltid efter nya ögon för att föreslå förbättringar. Alla presentationer, med länkar till koden, finns här: under "Maskininlärning för ekonomer". Så småningom kanske jag använder den här översiktsrapporten och bildspelen som kärnan något längre, men först måste jag rensa mitt skrivbord från alltför många pågående projekt.