A számítógépes vagy algoritmikus közgazdaságtan egy olyan interdiszciplináris terület, amely a számítástechnikát és a közgazdaságtant ötvözi a a nagy számítási igényű közgazdasági problémák hatékony megoldása érdekében. Ezen területek közül néhány teljesen egyedülálló, míg mások már meglévő közgazdasági részterületeket fejlesztettek tovább azáltal, hogy lehetővé tették a robusztus adatelemzést, valamint olyan problémák megoldását, amelyek kutatása számítógépek és a kapcsolódó numerikus módszerek nélkül nehéz lenne.
A számítógépes közgazdaságtan jelentős eredményei közé tartozik a keresési és párosítási elmélet, a játékelmélet, a lineáris programozás elmélete, az algoritmikus mechanizmustervezés és az igazságos osztási algoritmusok.
Történelem A számítógépes közgazdaságtan a terület matematizálódásával párhuzamosan fejlődött. A 20. század elején olyan úttörők, mint Jan Tinbergen és Ragnar Frisch, elősegítették a közgazdaságtan számítógépesítését és az ökonometria térnyerését. Az ökonometria fejlődésének eredményeként a regressziós modellek, a hipotézisvizsgálat és más számítógépes statisztikai módszerek széles körben elterjedtté váltak a gazdaságkutatásokban.Elméleti síkon a komplex makrogazdasági modellek - beleértve a reálkonjunktúra-modell (RBC) és a dinamikus sztochasztikus általános egyensúlyi (DSGE) modelleket -, hajtóerőt jelentettek az olyan numerikus megoldási módszerek fejlesztésében és alkalmazásában, amelyek nagymértékben támaszkodnak a számítástechnikára. A 21. században a számítási algoritmusok fejlődése új utat nyitott meg a számítógépes módszerek és a gazdasági kutatások interakciójában. Az olyan innovatív megközelítéseket, mint a gépi tanulási modellek és az ágensalapú modellezés, aktívan kutatják a gazdaságtan különböző területein, és olyan kibővített eszköztárat kínálnak a közgazdászok számára, amely karakterében gyakran eltér a hagyományos módszerektől.
Alkalmazások
Ágens alapú modellezés A számítógépes közgazdaságtan számítógépes gazdasági modellezést alkalmaz az analitikusan és statisztikailag megfogalmazott közgazdasági problémák megoldására. E célből az egyik kutatási program az ágensalapú számítógépes közgazdaságtan (ACE), amely a gazdasági folyamatok - beleértve a teljes gazdaságokat is -, számítógépes vizsgálata egymással interakcióban álló ágensek dinamikus rendszereként.• 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]. . • 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 & and chapter-preview links. • Thomas J. Sargent, 1994. Bounded Rationality in Macroeconomics, Oxford. Description and chapter-preview 1st-page links. Mint ilyen, a komplex adaptív rendszerek paradigmájának gazdasági adaptációja. Itt az „ágens” kifejezés „szabályok szerint interakcióba lépőként modellezett számítógépes objektumokra” utal, nem pedig valódi emberekre. Az ágensek társadalmi, biológiai és/vagy fizikai entitásokat képviselhetnek. Az egyensúlyban lévő ágensek matematikai optimalizációjára vonatkozó elméleti feltételezését felváltja a korlátozott racionalitással rendelkező ágensek piaci erőkhöz való alkalmazkodásának kevésbé korlátozó posztulátuma, beleértve a játékelméleti kontextusokat is. A modellező által meghatározott kezdeti feltételekből kiindulva az ACE modell idővel fejlődik előre, kizárólag az ágensek interakciói által vezérelve. A módszer tudományos célja az elméleti eredmények valós adatokkal való tesztelése olyan módon, amely lehetővé teszi az empirikusan alátámasztott elméletek időbeli felhalmozódását.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]. .
Gépi tanulás a számítási közgazdaságtanban A gépi tanulási modellek hatékony módszert kínálnak a hatalmas, összetett, strukturálatlan adathalmazok megoldására. Különböző gépi tanulási eljárásokat, például a kernel módszert és a véletlen erdő algoritmus, széles körben kifejlesztettek és alkalmaznak az adatbányászatban és a statisztikai elemzésben. Ezek a modellek kiválóbb osztályozást, jobb előrejelzési képességeket és nagyobb rugalmasságot biztosítanak a hagyományos statisztikai modellekhez - például a STAR módszerhez - képest. Más eljárások, mint például az kauzális gépi tanulás és az oksági fa, szintén egyértelmű előnyöket kínálnak, beleértve a statisztikai következtetés tesztelését.
A gépi tanulási eszközök gazdaságkutatásban történő alkalmazásának jelentős előnyei és hátrányai egyaránt vannak. A hagyományos közgazdaságtanban egy modellt egyszerre választanak ki és elemeznek: a gazdaságkutatás során elméleti alapelvek mentén kiválasztanak egy modellt, azt adatokkal tesztelik és elemzik, végül pedig más modellekkel keresztvalidálja. Ezzel szemben a gépi tanulási modellek beépített „finomhangoló” hatásokkal rendelkeznek. Miközben a modell elvégzi az empirikus elemzést, ezzel egyidejűleg keresztvalidálást hajt végre, becsléseket végez és összehasonlítja a különböző modelleket. Ez a folyamat robusztusabb becsléseket eredményezhet, mint a hagyományosak.
A hagyományos közgazdaságtan az adatokat részben a meglévő elméleti alapelvek szerint normalizálja, míg a gépi tanulás egy pozitívabb és empirikusabb megközelítést mutat be a modellillesztés során. Bár a gépi tanulás kiválóan teljesít az osztályozás, az előrejelzés és az illeszkedés jóságának értékelésében, sok modellből hiányzik a statisztikai következtetések levonásának képessége, ami közgazdasági kutatók számára kiemelten fontos. A gépi tanulási modellek ezen korlátai azt jelentik, hogy a gépi tanulást alkalmazó közgazdászoknak stratégiákat kellene kidolgozniuk a robusztus, statisztikai ok-okozati következtetésekhez, ami a modern empirikus kutatások központi eleme. Például a közgazdasági kutatók reménykedhetnek abban, hogy azonosítani tudják a zavaró tényezőket, a konfidenciaintervallumokat és más paramétereket, amelyek nincsenek pontosan meghatározva a gépi tanulási algoritmusokban.
A gépi tanulás hatékonyan lehetővé teheti a összetettebb heterogén gazdasági modellek kidolgozását. Hagyományosan a heterogén modellek jelentős számítási munkát igényeltek. Mivel a heterogenitás megnyilvánulhat ízlések, hiedelmek, képességek, készségek vagy korlátok közötti különbségekben, egy heterogén modell optimalizálása sokkal nehézkesebb, mint a homogén megközelítés (reprezentatív ágens alkalmazása). A megerősített tanulás (reinforced learning) és a mélytanulás (deep learning) fejlesztése jelentősen csökkentheti a heterogén elemzések összetettségét, ezáltal olyan modelleket hozva létre, amelyek jobban tükrözik a szereplők tényleges viselkedését a gazdaságban.
A neurális hálózatok és a mélytanulás alkalmazása és implementálása a számítási közgazdaságtan területén csökkentheti az adattisztítás és az adatelemzés redundáns munkáját, jelentősen mérsékelve a nagyléptékű adatelemzés idejét és költségeit, valamit lehetővé téve a kutatók számára az adatok hatalmas méretű gyűjtését és elemzését. Ez arra ösztönözné a közgazdasági kutatókat, hogy új modellezési módszerek fedezzenek fel. Emellett az adatelemzésre helyezett kisebb hangsúly lehetővé tenné a kutatók számára, hogy jobban összpontosítsanak olyan témákra, mint az ok-okozati következtetés, a zavaró változók és a modell realitása. Megfelelő irányítás mellett a gépi tanulási modellek felgyorsíthatják a pontos, alkalmazható közgazdaságtan fejlesztésének folyamatát nagyléptékű empirikus adatelemzés és számítás révén.
Dinamikus sztochasztikus általános egyensúlyi (DSGE) modell A dinamikus modellezési módszereket gyakran alkalmazzák a makrogazdasági kutatásokban a gazdasági ingadozások szimulálására és a szakpolitikai intézkedések hatásainak tesztelésére. A DSGE a dinamikus modellek olyan osztálya, amely nagymértékben támaszkodik a számítástechnikai eljárásokra és megoldásokra. A DSGE modellek mikroökonómiai alapelveket alkalmaznak a valós világgazdaság jellemzőinek megragadására, egy intertemporális bizonytalanságú környezetben. Eredendő összetettségük miatt a DSGE modellek általában analitikusan nehezen kivitelezhetők, és általában numerikusan, számítógépes szoftverek segítségével valósítják meg őket. A DSGE modellek egyik fő előnye, hogy rugalmasan becsülik meg a szereplők dinamikus döntéseit. Számos tudós azonban kritizálta a DSGE modelleket, amiért redukált formájú feltételezésekre támaszkodnak, amelyek nagyrészt irreálisak.
Számítási eszközök és programozási nyelvek A számítási eszközök használata a közgazdasági kutatásokban régóta megszokott és alapvető fontosságú. A közgazdaságtani számítástechnikai eszközök közé tartoznak a különféle számítógépes szoftverek, amelyek megkönnyítik a különféle mátrixműveletek végrehajtását (pl. mátrixinverzió) és lineáris, valamint nemlineáris egyenletrendszerek megoldását. A közgazdasági kutatásokban különféle programozási nyelveket alkalmaznak adatelemzés és modellezés céljából. A számítási közgazdasági kutatásokban használt tipikus programozási nyelvek közé tartozik a C++, a MATLAB, a Julia, a Python, az R és a Stata.
Ezen programozási nyelvek közül a C++, mint fordított nyelv, a leggyorsabb, míg a Python, mint interpretált nyelv, a leglassabb. A MATLAB, a Julia és az R egyensúlyt teremtenek a teljesítmény és az interpretálhatóság (könnyű értelmezhetőség) között. Korai statisztikai elemzőszoftverként a Stata volt a legelterjedtebb programozási opció. A közgazdászok a Statát széles körű funkcionalitása, pontossága, rugalmassága és megismételhetősége miatt fogadták el az egyik legnépszerűbb statisztikai elemzőprogramként.
Folyóiratok A következő folyóiratok specializálódtak a számítási közgazdaságtanra: ACM Transactions on Economics and Computation, Computational Economics, Journal of Applied Econometrics, Journal of Economic Dynamics and ControlJournal 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. és Journal of Economic Interaction and Coordination.
Jegyzetek
Fordítás
Kategória:Alkalmazott matematika Kategória:Közgazdaságtan