BIS-Studie: KI-gestützte Modelle meistern Komplexität der Ökonomie

KI-Modelle überwinden Komplexitätsgrenzen

In einem neuen BIS Working Paper präsentieren Hanno Kase (EZB), Matthias Rottner (BIS) und Fabio Stohler (Uni Bonn) eine innovative Methode: 'Generative Economic Modeling'.

Ihr Ansatz kombiniert neuronale Netze mit konventionellen Lösungstechniken, um die Komplexität ökonomischer Modelle zu bewältigen.

Statt das vollständige Modell direkt zu trainieren, werden neuronale Netze auf vereinfachten 'Submodellen' geschult, die jeweils nur einen Teil der Dynamik abbilden.

Dies umgeht den 'Fluch der Dimensionalität'.

Die aus den Submodellen generierten Daten trainieren ein neuronales Netz, das das Verhalten des vollständigen Modells approximiert.

Die Methode wird erfolgreich in Asset-Pricing-, realen Konjunktur- und komplexen HANK-Modellen validiert, wobei sie geringe Euler-Gleichungsfehler aufweist.

Dies ermöglicht die Analyse von Modellen mit nichtlinearen Dynamiken, heterogenen Akteuren und multiplen Schocks, die zuvor als numerisch unlösbar galten.

Die Autoren zeigen beispielsweise, wie aggregiertes Risiko das Vorsichtsmotiv verstärkt und Finanzschocks nichtlinear wirken, was neue Einblicke in die Transmission von Schocks liefert.

KI-Durchbruch für Zentralbank-Modellierer

Die Integration von Künstlicher Intelligenz und Machine Learning in die ökonomische Modellierung ist eine zentrale Herausforderung für Zentralbanken und Forschungsinstitute.

Bisher stießen komplexe Modelle, insbesondere solche mit heterogenen Akteuren und nichtlinearen Dynamiken wie HANK-Modelle, schnell an die Grenzen der Rechenbarkeit.

Dieses Working Paper ist bemerkenswert, da es einen robusten und praktikablen Weg aufzeigt, wie Deep Learning genutzt werden kann, ohne die bekannten Schwierigkeiten der direkten Anwendung zu erben.

Es überwindet den 'Fluch der Dimensionalität' und ermöglicht die Analyse von Szenarien, die bisher als unlösbar galten, was für die geldpolitische Analyse von großer Bedeutung ist.

Methodischer Durchbruch für komplexe Modelle

Dieses Working Paper stellt einen bedeutenden methodischen Fortschritt dar, der das Potenzial hat, die quantitative ökonomische Modellierung grundlegend zu verändern.

Es bietet eine elegante Lösung für das seit Langem bestehende Problem des 'Fluchs der Dimensionalität' in komplexen Modellen.

Obwohl es keine direkten geldpolitischen Signale enthält, ist die Fähigkeit, zuvor unlösbare Modelle zu analysieren, von immenser Bedeutung für die zukünftige Forschung und die Entwicklung präziserer politischer Empfehlungen.

Es ist Pflichtlektüre für alle, die an der Schnittstelle von Ökonomie und KI arbeiten.