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.

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.