Taming the curse of dimensionality: quantitative economics with deep learning

Abstract

En el presente trabajo sostenemos que el aprendizaje profundo (deep learning) ofrece una vía prometedora para neutralizar la «maldición de la dimensionalidad» en la economía cuantitativa. Comenzamos explorando los desafíos únicos que plantea la resolución de modelos dinámicos de equilibrio, especialmente el bucle de retroalimentación entre las decisiones de los agentes individuales y las condiciones de consistencia agregada requeridas para el equilibrio. A continuación introducimos las redes neuronales profundas y mostramos su aplicación resolviendo el modelo de crecimiento neoclásico estocástico. Seguidamente, comparamos las redes neuronales profundas con los métodos de solución tradicionales presentes en la economía cuantitativa. Concluimos con una revisión de las aplicaciones de las redes neuronales en la economía cuantitativa y ofrecemos razones para un optimismo cauteloso.

We argue that deep learning provides a promising approach to addressing the curse of dimensionality in quantitative economics. We begin by exploring the unique challenges involved in solving dynamic equilibrium models, particularly the feedback loop between individual agents’ decisions and the aggregate consistency conditions required to achieve equilibrium. We then introduce deep neural networks and demonstrate their application by solving the stochastic neoclassical growth model. Next, we compare deep neural networks with traditional solution methods in quantitative economics. We conclude with a review of the applications of neural networks in quantitative economics and provide arguments for cautious optimism.