Sequenzielle Lösung für DSGE-Modelle mit neuronalen Netzen
Ein neues sequenzielles Deep-Learning-Verfahren löst dynamische stochastische allgemeine Gleichgewichtsmodelle (DSGE). Es überwindet die Grenzen lokaler Methoden bei großen Schocks und Nichtlinearitäten durch den Einsatz tiefer neuronaler Netze.
Neuer Algorithmus für globale Genauigkeit
Das Papier entwickelt einen sequenziellen Deep-Learning-Algorithmus zur Lösung dynamischer stochastischer allgemeiner Gleichgewichtsmodelle (DSGE).
Dieser trainiert ein tiefes neuronales Netz, um die Politikfunktionen des Modells in vier Phasen zu approximieren: Verankerung im Steady State, Exploration um den Steady State, Simulation auf dem ergodischen Set und Monte-Carlo-Integration stochastischer Erwartungen.
Das Training erfordert keine vorab berechnete Startapproximation; das Netz initialisiert sich aus dem analytisch bekannten Steady State und konstruiert seine Trainingsdaten endogen.
Eine systematische Untersuchung zeigt, dass flache, moderat breite Netze mit einer mittleren Steady-State-Strafe die beste Genauigkeit bei geringsten Rechenkosten liefern.
Die Methode wird auf ein Zwei-Länder-Modell angewendet und zeigt, dass große Zollschocks Nichtlinearitäten erzeugen, die lokale Methoden nicht reproduzieren können.
Zirkularität im Training gelöst
Makroökonomische Modelle sind zentrale Werkzeuge, deren Lösung jedoch technisch anspruchsvoll ist.
Gängige Methoden nutzen lokale Approximationen um einen Steady State.
Diese sind schnell, verlieren aber an Genauigkeit bei großen Schocks oder stark nichtlinearen Regeln, wie sie bei Zinsuntergrenzen oder Finanzkrisen auftreten.
Das Papier überwindet diese Grenzen durch eine neue Sequenzierung mit tiefen neuronalen Netzen.
Eine zentrale Herausforderung ist die Zirkularität: Trainingsdaten und zu lernende Lösung sind voneinander abhängig.
Das neue Verfahren löst dies, indem das Netz seine Trainingsdaten progressiv selbst konstruiert, beginnend vom Steady State und diese mit verbesserter Approximation verfeinert.
Dies macht die Methode autark und eliminiert die Notwendigkeit eines Hilfsmodells oder anfänglicher Schätzungen, was eine erhebliche praktische Hürde für Forscher beseitigt.
Realitätsnäher dank KI
Diese Studie ist ein wichtiger Schritt, um makroökonomische Modelle robuster und realitätsnäher zu machen, insbesondere bei extremen Schocks.
Die Fähigkeit, Nichtlinearitäten präzise abzubilden, ist entscheidend für die Analyse aktueller Herausforderungen wie Handelskonflikte oder Energiepreisschocks.
Damit liefert die EZB einen wertvollen Beitrag zur Weiterentwicklung der Modellierungswerkzeuge für Zentralbanken und Akademiker.