Эффективность работы алгоритма A2C применительно к классическим моделям теории экономического роста
(Стр. 68-77)
Подробнее об авторах
Моисеенко Александр Максимович
аспирант, кафедра системного анализа; Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
Российская академия народного хозяйства и государственной собственности при Президенте Российской Федерации
г. Москва, Российская Федерация Гринева Наталья Владимировна кандидат экономических наук, доцент; доцент, кафедра анализа данных и машинного обучения; Финансовый университет при Правительстве Российской Федерации; г. Москва, Российская Федерация
Российская академия народного хозяйства и государственной собственности при Президенте Российской Федерации
г. Москва, Российская Федерация Гринева Наталья Владимировна кандидат экономических наук, доцент; доцент, кафедра анализа данных и машинного обучения; Финансовый университет при Правительстве Российской Федерации; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Актуальность исследования состоит в выявлении точности оценки, полученной алгоритмом A2C, а также в необходимости верификации обучения с подкреплением при работе с оптимизацией экономических процессов. Целью исследования является анализ эффективности алгоритма A2C, вместе со спецификой его реализации, на решении оптимизационных экономических задач. В качестве задач рассматривались максимизация потребления в модели Солоу, Ромера и Шумпетерианской модели эндогенного экономического роста, и максимизация подушевого дохода в последних двух, по норме потребления (в последних двух – сбережения) и доле ученых в экономике, соответственно. Результаты показали, что для детерминированных моделей (модель Солоу, модель Ромера) дисперсия оценки параметра минимальна и среднее отличается от значения, полученного аналитически, не более, чем тысячной частью при достаточно высоком количестве временных периодов в модели. Тем не менее, в стохастических моделях (Шумпетерианская модель), во-первых, для соответствия оценки значению, полученному аналитически, требуется высокое количество временных периодов в модели, а во-вторых, оценка, полученная таким образом, хоть и смещена не более, чем на тысячную долю, но обладает высокой дисперсией.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Моисеенко А.М., Гринева Н.В. Эффективность работы алгоритма A2C применительно к классическим моделям теории экономического роста // Computational Nanotechnology. 2024. Т. 11. № 1. С. 68-77. DOI: 10.33693/2313-223X-2024-11-1-68-77. EDN: DVOVHU
Список литературы:
Aghion P., Howitt P. A model of growth through creative destruction. 1990.
Atashbar T., Aruhan Shi R. AI and macroeconomic modeling: Deep reinforcement learning in an RBC model. 2023.
Kakade S.M. A natural policy gradient. In: Advances in neural information processing systems. 2001. Vol. 14.
Mnih V. et al. Asynchronous methods for deep reinforcement learning. In: International Conference on Machine Learning. PMLR, 2016. Pp. 1928–1937.
Peters J., Schaal S. Reinforcement learning of motor skills with policy gradients // Neural Networks. 2008. Vol. 21. No. 4. Pp. 682–697.
Romer P.M. Endogenous technological change // Journal of Political Economy. 1990. Vol. 98. No. 5. Part 2. Pp. S71–S102.
Solow R.M. A contribution to the theory of economic growth // The Quarterly Journal of Economics. 1956. Vol. 70. No. 1. Pp. 65–94.
Zheng S. et al. The ai economist: Improving equality and productivity with AI-driven tax policies // arXiv preprint arXiv:2004.13332. 2020.
Диденко Д.В., Гринева Н.В. Факторы роста экономики позднего СССР в пространственной перспективе // Экономическая политика. 2022. Т. 17. №2. С. 88–119. EDN: MBEJDX. DOI: 10.18288/1994-5124-2022-2-88-119.
Гринева Н.В. Оценка интеллектуального капитала при переходе к цифровой экономике // Проблемы экономики и юридической практики. 2022. Т. 18. № 2. C. 219–227. EDN: CGWWNJ.
Krinichansky K., Grineva N. Dynamic approach to the analysis of financial structure: Overcoming the bank-based vs market-based dichotomy. In: 16th International Conference Management of large-scale system development (MLSD). 2023. No. 16. EDN: RSHSND. DOI: 10.1109/MLSD58227.2023.10303933.
Atashbar T., Aruhan Shi R. AI and macroeconomic modeling: Deep reinforcement learning in an RBC model. 2023.
Kakade S.M. A natural policy gradient. In: Advances in neural information processing systems. 2001. Vol. 14.
Mnih V. et al. Asynchronous methods for deep reinforcement learning. In: International Conference on Machine Learning. PMLR, 2016. Pp. 1928–1937.
Peters J., Schaal S. Reinforcement learning of motor skills with policy gradients // Neural Networks. 2008. Vol. 21. No. 4. Pp. 682–697.
Romer P.M. Endogenous technological change // Journal of Political Economy. 1990. Vol. 98. No. 5. Part 2. Pp. S71–S102.
Solow R.M. A contribution to the theory of economic growth // The Quarterly Journal of Economics. 1956. Vol. 70. No. 1. Pp. 65–94.
Zheng S. et al. The ai economist: Improving equality and productivity with AI-driven tax policies // arXiv preprint arXiv:2004.13332. 2020.
Диденко Д.В., Гринева Н.В. Факторы роста экономики позднего СССР в пространственной перспективе // Экономическая политика. 2022. Т. 17. №2. С. 88–119. EDN: MBEJDX. DOI: 10.18288/1994-5124-2022-2-88-119.
Гринева Н.В. Оценка интеллектуального капитала при переходе к цифровой экономике // Проблемы экономики и юридической практики. 2022. Т. 18. № 2. C. 219–227. EDN: CGWWNJ.
Krinichansky K., Grineva N. Dynamic approach to the analysis of financial structure: Overcoming the bank-based vs market-based dichotomy. In: 16th International Conference Management of large-scale system development (MLSD). 2023. No. 16. EDN: RSHSND. DOI: 10.1109/MLSD58227.2023.10303933.
Ключевые слова:
обучение с подкреплением, макроэкономическое моделирование, модель Солоу, модель Ромера, Шумпетерианская модель эндогенного экономического роста, оптимизация макроэкономических процессов, теория экономического роста.
Статьи по теме
