Введение

Компьютерная экономика – это междисциплинарная область исследований, объединяющая методы вычислительной науки и экономики для решения сложных экономических задач. Она включает в себя вычислительное моделирование экономических систем. Некоторые из этих направлений являются уникальными, а другие расширяют традиционные области экономики, обеспечивая надежный анализ данных и решение задач, которые было бы сложно исследовать без компьютеров и соответствующих численных методов. Вычислительные методы применяются в различных областях экономических исследований, в том числе, но не ограничиваясь:

Эконометрика: непараметрические подходы, полупараметрические подходы и машинное обучение. Моделирование динамических систем: оптимизация, динамическое стохастическое моделирование общего равновесия и агент-ориентированное моделирование.

История

Вычислительная экономика развивалась параллельно с математизацией этой области. В начале XX века пионеры, такие как Ян Тинберген и Рагнар Фриш, продвинули компьютеризацию экономики и развитие эконометрики. Благодаря достижениям 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 экономического цикла (RBC) и динамические стохастические модели общего равновесия (DSGE), стимулировали разработку и применение численных методов решения, которые в значительной степени опираются на вычисления. В XXI веке развитие вычислительных алгоритмов открыло новые возможности для взаимодействия вычислительных методов с экономическими исследованиями. Инновационные подходы, такие как модели машинного обучения и агент-ориентированное моделирование, активно изучаются в различных областях экономических исследований, предоставляя экономистам расширенный инструментарий, который часто существенно отличается от традиционных методов.

Моделирование на основе агентов

Вычислительная экономика использует компьютерное экономическое моделирование для решения экономических проблем, сформулированных аналитически и статистически. Исследовательская программа в этой области – экономика на основе агентов (ACE), вычислительное изучение экономических процессов, включая целые экономики, как динамические системы взаимодействующих агентов. Таким образом, это экономическая адаптация парадигмы сложных адаптивных систем. Здесь под "агентом" подразумеваются "вычислительные объекты, моделируемые как взаимодействующие по заданным правилам", а не реальные люди, в том числе в контексте теории игр. Начиная с начальных условий, заданных исследователем, модель ACE развивается во времени, движимая исключительно взаимодействием агентов. Научная цель данного метода – проверка теоретических выводов на соответствие реальным данным, позволяющая эмпирически подтвержденным теориям накапливаться и развиваться со временем.

Машинное обучение в вычислительной экономике

Модели машинного обучения представляют собой метод для анализа больших, сложных, неструктурированных наборов данных. Различные методы машинного обучения, такие как метод ядра и случайный лес, были разработаны и используются в интеллектуальном анализе данных и статистическом анализе. Эти модели обеспечивают превосходную классификацию, прогностические возможности и гибкость по сравнению с традиционными статистическими моделями, например, методом STAR. Другие методы, такие как причинно-следственное машинное обучение и причинное дерево, предоставляют отдельные преимущества, включая проверку выводов. Существуют значительные преимущества и недостатки использования инструментов машинного обучения в экономических исследованиях. В экономике модель выбирается и анализируется одновременно. Экономические исследования обычно выбирают модель, основываясь на принципах, затем тестируют/анализируют модель с использованием данных и, наконец, проводят перекрестную проверку с другими моделями. С другой стороны, модели машинного обучения имеют встроенные эффекты "настройки". В процессе эмпирического анализа модель одновременно проводит перекрестную проверку, оценивает и сравнивает различные модели. Этот процесс может привести к более надежным оценкам, чем традиционные методы. Традиционная экономика частично нормализует данные, опираясь на существующие принципы, в то время как машинное обучение предлагает более позитивный/эмпирический подход к построению моделей. Хотя машинное обучение превосходит в классификации, прогнозировании и оценке качества соответствия, многим моделям не хватает возможности статистического вывода, которая представляет больший интерес для экономических исследователей. Ограничения моделей машинного обучения означают, что экономистам, использующим машинное обучение, необходимо разрабатывать стратегии для обеспечения надежного статистического причинно-следственного вывода, который является ключевым направлением современных эмпирических исследований. Например, экономисты могут стремиться идентифицировать вмешивающиеся факторы, доверительные интервалы и другие параметры, которые недостаточно четко определены в алгоритмах машинного обучения. Машинное обучение может эффективно способствовать разработке более сложных гетерогенных экономических моделей. Традиционно гетерогенные модели требовали значительных вычислительных ресурсов. Поскольку гетерогенность может проявляться в различиях во вкусах, убеждениях, способностях, навыках или ограничениях, оптимизация гетерогенной модели значительно сложнее, чем гомогенного подхода (представительного агента). Развитие обучения с подкреплением и глубокого обучения может существенно снизить сложность гетерогенного анализа, создавая модели, которые лучше отражают поведение агентов в экономике. Внедрение и использование нейронных сетей и глубокого обучения в области вычислительной экономики может сократить избыточную работу по очистке и анализу данных, значительно снизив время и стоимость масштабного анализа данных и позволяя исследователям собирать и анализировать данные в больших объемах. Это будет стимулировать экономических исследователей к изучению новых методов моделирования. Кроме того, снижение акцента на анализе данных позволит исследователям больше сосредоточиться на таких вопросах, как причинно-следственный вывод, вмешивающиеся переменные и реалистичность модели. При правильном подходе модели машинного обучения могут ускорить процесс разработки точных и применимых экономических теорий посредством масштабного эмпирического анализа данных и вычислений.

Модель динамического стохастического общего равновесия (DSGE)

Динамические методы моделирования часто применяются в макроэкономических исследованиях для имитации экономических колебаний и оценки влияния изменений в политике. DSGE – это один из классов динамических моделей, интенсивно использующих вычислительные методы и решения. Модели DSGE опираются на микроэкономические принципы для отражения характеристик реальной экономики в условиях межвременной неопределенности. В силу своей внутренней сложности, модели DSGE, как правило, не имеют аналитического решения и обычно реализуются численно с использованием компьютерного программного обеспечения. Важным преимуществом моделей DSGE является возможность гибкой оценки динамического выбора экономических агентов. Однако многие исследователи критикуют модели DSGE за их зависимость от упрощающих предположений, которые часто далеки от реальности.

Вычислительные инструменты и языки программирования

Использование вычислительных инструментов в экономических исследованиях давно стало нормой и основой. Вычислительные инструменты для экономики включают в себя разнообразное компьютерное программное обеспечение, облегчающее выполнение различных матричных операций (например, инвертирование матрицы) и решение систем линейных и нелинейных уравнений. Для анализа данных и моделирования в экономических исследованиях используются различные языки программирования. К типичным языкам программирования, применяемым в вычислительной экономике, относятся C++, MATLAB, Julia, Python, R и Stata. Среди них C++ как компилируемый язык обеспечивает наивысшую скорость работы, а Python как интерпретируемый – наименьшую. MATLAB, Julia и R достигают баланса между производительностью и простотой интерпретации. Stata, как одно из первых программных обеспечений для статистического анализа, был наиболее распространенным вариантом языка программирования. Экономисты оценили Stata как одну из самых популярных программ для статистического анализа благодаря его широким возможностям, точности, гибкости и воспроизводимости результатов.

Журналы

Следующие журналы специализируются на вычислительной экономике: ACM Transactions on Economics and Computation, Computational Economics, Journal of Economic Dynamics and Control и Journal of Economic Interaction and Coordination.