Вычислительная экономика

Материал из Циклопедии
Перейти к навигации Перейти к поиску

Вычислительная экономика (англ. Computational economics) ― междисциплинарная исследовательская дисциплина.

Включает в себя информатику, экономику и науку управления (англ. Management science)[1], охватывает компьютерное моделирование экономических систем. Некоторые из этих областей уникальны, в то время как другие создали области экономики, позволяя надежно анализировать данные и решать проблемы, которые было бы трудно исследовать без компьютеров и связанных с ними численных методов[2].

Вычислительные методы используются в различных областях экономических исследований, включая, но не ограничиваясь: эконометрика (непараметрические подходы, полупараметрические подходы и машинное обучение), динамическое моделирование систем (оптимизация, динамическое стохастическое моделирование общего равновесия и агентное моделирование)[3].

История[править]

Вычислительная экономика развивалась одновременно с математизацией поля. В начале ХХ века пионеры, такие как Ян Тинберген и Рагнар Фриш, продвинули компьютеризацию экономики и рост эконометрики. В результате достижений в эконометрике регрессионные модели, проверка гипотез и другие вычислительные статистические методы получили широкое распространение в экономических исследованиях. На теоретическом фронте сложные макроэкономические модели, включая модель реального делового цикла (RBC) и модели динамического стохастического общего равновесия (DSGE), способствовали разработке и применению методов численного решения, которые в значительной степени зависят от вычислений. В XXI веке развитие вычислительных алгоритмов создало новые средства для вычислительных методов взаимодействия с экономическими исследованиями. Инновационные подходы, такие как модели машинного обучения и агентное моделирование, активно изучаются в различных областях экономических исследований, предлагая экономистам расширенный инструментарий, который часто отличается по характеру от традиционных методов.

Агентное моделирование[править]

 → Агентное моделирование

Вычислительная экономика использует компьютерное экономическое моделирование для решения аналитически и статистически сформулированных экономических задач. Исследовательской программой, с этой целью, является агентная вычислительная экономика (ACE), вычислительное исследование экономических процессов, включая целые экономики, как динамические системы взаимодействующих агентов[4]. Как таковая, это экономическая адаптация парадигмы сложных адаптивных систем[5]. Здесь «агент» относится к «вычислительным объектам, смоделированным как взаимодействующие в соответствии с правилами», а не к реальным людям[3]. Агенты могут представлять социальные, биологические и/или физические объекты. Теоретическое предположение о математической оптимизации агентами в равновесии заменяется менее ограничительным постулатом агентов с ограниченной рациональностью, приспосабливающихся к рыночным силам[6], включая теоретико-игровые контексты[7]. Начиная с начальных условий, определенных разработчиком моделей, модель ACE развивается вперед во времени, управляемом исключительно взаимодействиями агентов. Научная цель метода состоит в том, чтобы проверить теоретические результаты с реальными данными таким образом, чтобы эмпирически подтвержденные теории накапливались с течением времени[8].

Машинное обучение в вычислительной[править]

Модели машинного обучения представляют собой метод разрешения обширных, сложных, неструктурированных наборов данных. Различные методы машинного обучения, такие как метод ядра и случайный лес, были разработаны и использованы в интеллектуальном анализе данных и статистическом анализе. Эти модели обеспечивают превосходную классификацию, прогностические возможности, гибкость по сравнению с традиционными статистическими моделями, такими как метод STAR. Другие методы, такие как причинное машинное обучение и причинное дерево, обеспечивают явные преимущества, включая тестирование выводов.

Существуют заметные преимущества и недостатки использования инструментов машинного обучения в экономических исследованиях. В экономике модель выбирается и анализируется сразу. Экономическое исследование будет выбирать модель, основанную на принципе, затем тестировать / анализировать модель с данными, а затем перекрестную проверку с другими моделями. С другой стороны, модели машинного обучения имеют встроенные эффекты «настройки». Поскольку модель проводит эмпирический анализ, она перекрестно проверяет, оценивает и сравнивает различные модели одновременно. Этот процесс может дать более надежные оценки, чем традиционные.

Традиционная экономика частично нормализует данные на основе существующих принципов, в то время как машинное обучение представляет собой более позитивный / эмпирический подход к подгонке моделей. Хотя машинное обучение преуспевает в классификации, предсказании и оценке пригодности, многим моделям не хватает способности к статистическому выводу, который представляет больший интерес для экономических исследователей. Ограничения моделей машинного обучения означают, что экономистам, использующим машинное обучение, необходимо будет разработать стратегии для надежного статистического причинно-следственного вывода, основного направления современных эмпирических исследований. Например, экономические исследователи могут надеяться выявить путаницу, доверительные интервалы и другие параметры, которые не очень хорошо определены в алгоритмах машинного обучения[9].

Машинное обучение может эффективно способствовать разработке более сложных гетерогенных экономических моделей. Традиционно гетерогенные модели требовали обширной вычислительной работы. Поскольку гетерогенность может быть разницей во вкусах, убеждениях, способностях, навыках или ограничениях, оптимизация гетерогенной модели намного более утомительна, чем однородный подход (репрезентативный агент)[10]. Развитие усиленного обучения и глубокого обучения может значительно снизить сложность гетерогенного анализа, создавая модели, которые лучше отражают поведение агентов в экономике[11].

Внедрение и внедрение нейронных сетей, глубокого обучения в области вычислительной экономики может сократить избыточную работу по очистке данных и анализу данных, значительно сократив время и стоимость крупномасштабной аналитики данных и позволив исследователям собирать, анализировать данные в больших масштабах[12]. Это побудило бы экономических исследователей исследовать новые методы моделирования. Кроме того, снижение внимания к анализу данных позволит исследователям больше сосредоточиться на таких вопросах, как причинно-следственный вывод, смешанные переменные и реализм модели. При надлежащем руководстве модели машинного обучения могут ускорить процесс разработки точной, применимой экономики посредством крупномасштабного эмпирического анализа и вычислений данных[13].

Динамические стохастические модели общего равновесия[править]

 → Динамические стохастические модели общего равновесия

Методы динамического моделирования часто используются в макроэкономических исследованиях для моделирования экономических колебаний и проверки последствий изменений в политике. DSGE является одним из классов динамических моделей, в значительной степени опирающихся на вычислительные методы и решения. Модели DSGE используют микро-основанные экономические принципы для отражения характеристик реальной мировой экономики в среде с межвременной неопределенностью. Учитывая присущую им сложность, модели DSGE в целом аналитически неразрешимы и обычно реализуются численно с использованием компьютерного программного обеспечения. Одним из основных преимуществ моделей DSGE является то, что они облегчают оценку динамического выбора агентов с гибкостью. Тем не менее, многие ученые критикуют модели DSGE за их зависимость от предположений с уменьшенной формой, которые в значительной степени нереалистичны.

Вычислительные инструменты и языки программирования[править]

Использование вычислительных инструментов в экономических исследованиях было нормой и основой в течение длительного времени. Вычислительные инструменты для экономики включают в себя различные компьютерные программы, которые облегчают выполнение различных матричных операций (например, инверсию матрицы) и решение систем линейных и нелинейных уравнений. Различные языки программирования используются в экономических исследованиях с целью анализа и моделирования данных. Ниже приведен типичный список языков программирования, используемых в исследованиях вычислительной экономики:

C++, MATLAB, Julia (язык программирования),, Python (язык программирования), R (язык программирования), Stata

Среди этих языков программирования C++ как скомпилированный язык работает быстрее всего, в то время как Python как интерпретируемый язык является самым медленным. MATLAB, Julia и R достигают баланса между производительностью и интерпретируемостью. Как раннее программное обеспечение для статистической аналитики, Stata был наиболее традиционным вариантом языка программирования. Экономисты приняли Stata как одну из самых популярных программ статистической аналитики из-за ее широты, точности, гибкости и повторяемости.

Журналы[править]

Следующие журналы специализируются на вычислительной экономике: ACM Transactions on Economics and Computation[14], Computational Economics[1], Journal of Applied Econometrics[15], Journal of Economic Dynamics and Control[16] и Journal of Economic Interaction and Coordination[17].

См. также[править]

Источники[править]

  1. 1,0 1,1 Computational Economics. ""About This Journal" and "Aims and Scope."
  2. Hans M. Amman, David A. Kendrick, and John Rust, ed., 1996. Handbook of Computational Economics, v. 1, Elsevier. Description Архивировано из первоисточника 2011-07-15. & chapter-preview links. Архивировано из первоисточника 2020-04-06.    • Kenneth L. Judd, 1998. Numerical Methods in Economics, MIT Press. Links to description Архивировано из первоисточника 2012-02-11. and chapter previews.
  3. 3,0 3,1 Scott E. Page, 2008. "agent-based models," The New Palgrave Dictionary of Economics, 2nd Edition. Abstract.
  4. • Scott E. Page, 2008. "agent-based models," The New Palgrave Dictionary of Economics, 2nd Edition. Abstract.    • Leigh Tesfatsion, 2006. "Agent-Based Computational Economics: A Constructive Approach to Economic Theory," ch. 16, Handbook of Computational Economics, v. 2, [pp. 831-880]. DOI:10.1016/S1574-0021(05)02016-2.    • Kenneth L. Judd, 2006. "Computationally Intensive Analyses in Economics," Handbook of Computational Economics, v. 2, ch. 17, pp. 881- 893. Pre-pub PDF.    • L. Tesfatsion and K. Judd, ed., 2006. Handbook of Computational Economics, v. 2, Agent-Based Computational Economics, Elsevier. Description Архивировано из первоисточника 2012-03-06. & and chapter-preview links.    • Thomas J. Sargent, 1994. Bounded Rationality in Macroeconomics, Oxford. Description and chapter-preview 1st-page links.
  5. W. Brian Arthur, 1994. "Inductive Reasoning and Bounded Rationality," American Economic Review, 84(2), pp. 406-411 Архивировано из первоисточника 2013-05-21..    • Leigh Tesfatsion, 2003. "Agent-based Computational Economics: Modeling Economies as Complex Adaptive Systems," Information Sciences, 149(4), pp. 262-268 Архивировано из первоисточника April 26, 2012..    • _____, 2002. "Agent-Based Computational Economics: Growing Economies from the Bottom Up," Artificial Life, 8(1), pp.55-82. Abstract and pre-pub PDF Архивировано из первоисточника 2013-05-14..
  6. • W. Brian Arthur, 1994. "Inductive Reasoning and Bounded Rationality," American Economic Review, 84(2), pp. 406-411 Архивировано из первоисточника 2013-05-21..    • John H. Holland and John H. Miller (1991). "Artificial Adaptive Agents in Economic Theory," American Economic Review, 81(2), pp. 365-370 Архивировано из первоисточника 2011-01-05..    • Thomas C. Schelling, 1978 [2006]. Micromotives and Macrobehavior, Norton. Description Архивировано из первоисточника 2017-11-02., preview.    • Thomas J. Sargent, 1994. Bounded Rationality in Macroeconomics, Oxford. Description and chapter-preview 1st-page links.
  7. Joseph Y. Halpern, 2008. "computer science and game theory," The New Palgrave Dictionary of Economics, 2nd Edition. Abstract.    • Yoav Shoham, 2008. "Computer Science and Game Theory," Communications of the ACM, 51(8), pp. 75-79 Архивировано из первоисточника 2012-04-26..    • Alvin E. Roth, 2002. "The Economist as Engineer: Game Theory, Experimentation, and Computation as Tools for Design Economics," Econometrica, 70(4), pp. 1341–1378 Архивировано из первоисточника 2004-04-14..
  8. Leigh Tesfatsion, 2006. "Agent-Based Computational Economics: A Constructive Approach to Economic Theory," ch. 16, Handbook of Computational Economics, v. 2, sect. 5, p. 865 [pp. 831-880]. DOI:10.1016/S1574-0021(05)02016-2.
  9. Athey, Susan (2019), «The Impact of Machine Learning on Economics», University of Chicago Press, сс. 507–552, ISBN 9780226613338, doi:10.7208/chicago/9780226613475.003.0021, <http://dx.doi.org/10.7208/chicago/9780226613475.003.0021>. Проверено 5 мая 2022. 
  10. Jesus Browning, Martin Carro Heterogeneity and microeconometrics modelling. — CAM, Centre for Applied Microeconometrics.
  11. (2021-04-23) «Reinforcement Learning in Economics and Finance» (en). Computational Economics. DOI:10.1007/s10614-021-10119-4. ISSN 1572-9974.
  12. (2021) «Deep Neural Networks for Estimation and Inference». Econometrica 89 (1): 181–213. DOI:10.3982/ecta16901. ISSN 0012-9682.
  13. (2021-07-27) «Deep learning for individual heterogeneity: an automatic inference framework». DOI:10.47004/wp.cem.2021.2921.
  14. ACM Teac.
  15. (2011) «Journal of Applied Econometrics». DOI:10.1002/(ISSN)1099-1255.
  16. Journal of Economic Dynamics and Control, including Aims & scope link.  For a much-cited overview and issue, see:   • Leigh Tesfatsion, 2001. "Introduction to the Special Issue on Agent-based Computational Economics," Journal of Economic Dynamics & Control, pp. 281-293.   • [Special issue], 2001. Journal of Economic Dynamics and Control, Agent-based Computational Economics (ACE). 25(3-4), pp. 281-654. Abstract/outline links[недоступная ссылка].
  17. Journal of Economic Interaction and Coordination. springer.com (2011). Проверено 31 октября 2011.

Ссылки[править]

 
Микроэкономика
Макроэкономика
Эконометрика
Методология
Приложения (англ. Applied economics)
Школы (англ. Schools of economic thought) экономической мысли

Экономическая мысль Древнего Востока · Экономическая мысль Античности · Австрийская · Блумингтонская · Буддийская · Гарвардская · Джорджизм · Институционализм · Историческая · Катедер-социализм · Кейнсианство · Классическая · Конституционная · Лозаннская · Мальтузианство · Манчестерская · Маржинализм · Марксистская · Меркантилизм · Мир-системный анализ · Монетаризм · Мютюэлизм · Неокейнсианство · Неоклассическая · Неортодоксальная · Новая институциональная · Поведенческая · Экономика предложения · Теория рациональных ожиданий · Саламанкская · Стокгольмская · Физиократия · Чикагская · Экологическая · Экономическая мысль Средневековья (англ. History of economic thought#Economic thought in the Middle Ages (500–1500 AD)) · Анархическая (англ. Anarchist economics) · Экономический мейнстрим (англ. Mainstream economics) · Неомарксистская (англ. Neo-Marxian economics) · Новое кейнсианство · Посткейнсианство (англ. Post-Keynesian economics) · Социалистическая (англ. Socialist economics) · Термоэкономика (англ. Thermoeconomics) · Феминистическая (англ. Feminist economics) · Эволюционная (англ. Evolutionary economics)

См. также
Руниверсалис

Одним из источников, использованных при создании данной статьи, является статья из википроекта «Руниверсалис» («Руни», руни.рф) под названием «Вычислительная экономика», расположенная по адресу:

«https://руни.рф/index.php/Вычислительная_экономика»

Материал указанной статьи полностью или частично использован в Циклопедии по лицензии CC BY-SA.

Всем участникам Руниверсалиса предлагается прочитать «Обращение к участникам Руниверсалиса» основателя Циклопедии и «Почему Циклопедия?».