Publication du Cahier d’études n° 184 : Deep learning solutions of DSGE models: a technical report

Auteurs: Pierre BECK, Pablo GARCIA SANCHEZ, Alban MOURA, Julien PASCAL et Olivier PIERRARD 

Les banques centrales ont rapidement adopté les méthodes basées sur l'intelligence artificielle pour mener aussi bien des analyses statistiques que des tâches de supervision (Banque des règlements internationaux, 2024). Récemment, il a été établi que les techniques du deep learning (DL, apprentissage profond), inspirées par la structure des réseaux neuronaux, permettent de résoudre les modèles économiques à agents hétérogènes avec risque agrégé, les modèles de cycle de vie et les modèles multi-pays souvent utilisés par les banques centrales. 

Toutes les techniques de DL reposent sur deux idées simples mais puissantes. Premièrement, il est possible d'approximer des fonctions très complexes par une combinaison de nombreuses fonctions simples. Deuxièmement, la qualité de cette approximation peut être évaluée et améliorée par des méthodes de simulation Monte Carlo. Ces deux idées permettent aux techniques de DL de s'attaquer à des problèmes très difficiles, de la reconnaissance visuelle à la compréhension de la parole. 

Dans le domaine de la résolution de modèles économiques, deux obstacles principaux limitent le recours aux techniques de DL. Le premier est la terminologie souvent abstraite et parfois confuse associée aux techniques de DL, qui crée une aura intimidante pour les non-initiés. Le second obstacle est la difficulté liée aux multiples décisions de spécification à prendre avant de pouvoir appliquer les techniques de DL. 

Dans ce rapport, notre objectif est de contribuer à surmonter ces deux obstacles. Nous commençons par fournir un aperçu des techniques de DL et de leur applicabilité à la résolution de modèles économiques. Nous soulignons notamment les différentes décisions que l'utilisateur de la méthode doit prendre et donnons quelques indications susceptibles de guider son choix. Ensuite, nous considérons une application de base : la résolution du modèle de croissance stochastique, l'environnement de référence de la théorie macroéconomique moderne. Nous montrons comment chaque choix de l’utilisateur affecte la qualité de la solution DL, ce qui nous permet d’illustrer certains principes généraux susceptibles d'aider à choisir la meilleure configuration. 

Le contenu de cette étude ne doit pas être perçu comme étant représentatif des opinions de la Banque centrale du Luxembourg ou de l’Eurosystème. Les opinions exprimées reflètent celles des auteurs et non pas nécessairement la position de la Banque centrale, de ses dirigeants ou de l’Eurosystème.

 

Ce cahier d’études est disponible sur le site internet de la BCL : www.bcl.lu

• Accueil
• Imprimer la page