論文の概要: Learning Macroeconomic Policies based on Microfoundations: A Stackelberg Mean Field Game Approach
- arxiv url: http://arxiv.org/abs/2403.12093v1
- Date: Thu, 14 Mar 2024 13:22:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 18:51:33.916337
- Title: Learning Macroeconomic Policies based on Microfoundations: A Stackelberg Mean Field Game Approach
- Title(参考訳): マイクロファウンデーションに基づくマクロ経済政策の学習:Stackelberg平均フィールドゲームアプローチ
- Authors: Qirui Mi, Zhiyu Zhao, Siyu Xia, Yan Song, Jun Wang, Haifeng Zhang,
- Abstract要約: 本稿は、textitStackelberg Mean Field Game (SMFG)に基づく最適マクロ経済政策問題をモデル化する。
また,実データに対する事前学習とモデルフリーなtextitStackelberg平均場強化学習(SMFRL)アルゴリズムを取り入れたSMFGの解を提案する。
実験の結果,SMFG法が他の経済政策よりも性能,効率・等価トレードオフ,SMFGの仮定分析において優れていることが示された。
- 参考スコア(独自算出の注目度): 13.92769744834052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective macroeconomic policies play a crucial role in promoting economic growth and social stability. This paper models the optimal macroeconomic policy problem based on the \textit{Stackelberg Mean Field Game} (SMFG), where the government acts as the leader in policy-making, and large-scale households dynamically respond as followers. This modeling method captures the asymmetric dynamic game between the government and large-scale households, and interpretably evaluates the effects of macroeconomic policies based on microfoundations, which is difficult for existing methods to achieve. We also propose a solution for SMFGs, incorporating pre-training on real data and a model-free \textit{Stackelberg mean-field reinforcement learning }(SMFRL) algorithm, which operates independently of prior environmental knowledge and transitions. Our experimental results showcase the superiority of the SMFG method over other economic policies in terms of performance, efficiency-equity tradeoff, and SMFG assumption analysis. This paper significantly contributes to the domain of AI for economics by providing a powerful tool for modeling and solving optimal macroeconomic policies.
- Abstract(参考訳): 効果的なマクロ経済政策は経済成長と社会安定を促進する上で重要な役割を担っている。
本稿では,政策立案のリーダーとして政府が行動する「textit{Stackelberg Mean Field Game} (SMFG) に基づく最適マクロ経済政策問題をモデル化する。
このモデリング手法は、政府と大規模世帯間の非対称なダイナミックゲームをキャプチャし、既存の手法では達成が難しいマイクロファウンデーションに基づくマクロ経済政策の効果を解釈的に評価する。
また,実データに事前学習を組み込んだSMFGの解法と,事前の環境知識や遷移から独立して動作するモデルフリーな \textit{Stackelberg mean-field reinforcement learning (SMFRL) アルゴリズムを提案する。
実験の結果,SMFG法が他の経済政策よりも性能,効率・等価トレードオフ,SMFGの仮定分析において優れていることが示された。
本稿では,最適マクロ経済政策をモデル化し,解決するための強力なツールを提供することで,経済学におけるAI分野に大きく貢献する。
関連論文リスト
- Simulating the economic impact of rationality through reinforcement learning and agent-based modelling [1.7546137756031712]
エージェントベースモデル(エージェントベースモデル、ABM)は、伝統的なフレームワークの制限を克服するために経済学で使用されるシミュレーションモデルである。
本稿では,パラダイム的マクロABMを経済文献から拡張し,R-MABM(Rational macro ABM)フレームワークを提案する。
RLエージェントは、市場競争のレベルと合理性に応じて最適な戦略で、利益を最大化するための3つの異なる戦略を自発的に学習する。
論文 参考訳(メタデータ) (2024-05-03T15:08:25Z) - Large Language Model-Empowered Agents for Simulating Macroeconomic
Activities [48.562881909568354]
大規模言語モデル(LLM)は、最近、自律的な人間のような特徴を提供することで有名になった。
我々は,人為的な意思決定と適応性を示すために,プロンプトエンジニアリング駆動型LLMエージェントを設計する。
我々の研究は、LLMとその人間的特性に基づいてマクロ経済学をシミュレートする有望な可能性を実証している。
論文 参考訳(メタデータ) (2023-10-16T14:19:40Z) - Finding Regularized Competitive Equilibria of Heterogeneous Agent
Macroeconomic Models with Reinforcement Learning [151.03738099494765]
労働市場に参入する世帯や企業を無限に数える異種エージェントマクロ経済モデルについて検討する。
本稿では,モデルの正規化競争均衡を求めるデータ駆動強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-24T17:16:27Z) - Weak Supervision in Analysis of News: Application to Economic Policy
Uncertainty [0.0]
我々の研究は、経済政策の不確実性(EPU)を測定するためのテキストデータ、特にニュース作品の可能性の研究に焦点を当てている。
経済政策の不確実性は、新しい政策と将来の経済基本の下で、決定の結果を予測できないと定義されている。
本研究は、経済政策の不確実性に関して、ニュース記事の分類を弱くする機械学習ベースのソリューションを提案する。
論文 参考訳(メタデータ) (2022-08-10T09:08:29Z) - On Effective Scheduling of Model-based Reinforcement Learning [53.027698625496015]
実データ比率を自動的にスケジュールするAutoMBPOというフレームワークを提案する。
本稿ではまず,政策訓練における実データの役割を理論的に分析し,実際のデータの比率を徐々に高めれば,より優れた性能が得られることを示唆する。
論文 参考訳(メタデータ) (2021-11-16T15:24:59Z) - Building a Foundation for Data-Driven, Interpretable, and Robust Policy
Design using the AI Economist [67.08543240320756]
AIエコノミストフレームワークは,2段階強化学習とデータ駆動型シミュレーションを用いて,効果的な,柔軟な,解釈可能なポリシー設計を可能にする。
RLを用いて訓練されたログリニア政策は、過去の結果と比較して、公衆衛生と経済の両面から社会福祉を著しく改善することがわかった。
論文 参考訳(メタデータ) (2021-08-06T01:30:41Z) - The AI Economist: Optimal Economic Policy Design via Two-level Deep
Reinforcement Learning [126.37520136341094]
機械学習に基づく経済シミュレーションは強力な政策・メカニズム設計の枠組みであることを示す。
AIエコノミスト(AI Economist)は、エージェントと共同適応するソーシャルプランナーの両方を訓練する2段階のディープRLフレームワークである。
単純な一段階の経済では、AIエコノミストは経済理論の最適税制を回復する。
論文 参考訳(メタデータ) (2021-08-05T17:42:35Z) - Solving Heterogeneous General Equilibrium Economic Models with Deep
Reinforcement Learning [0.0]
一般均衡マクロ経済モデルは、政策立案者が国の経済を理解するために使う中核ツールである。
私たちは強化学習の手法を使って、単純で異種で計算効率の良い方法でこれらのモデルを解く。
論文 参考訳(メタデータ) (2021-03-31T10:55:10Z) - Decentralized Reinforcement Learning: Global Decision-Making via Local
Economic Transactions [80.49176924360499]
我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。
我々は分散強化学習アルゴリズムのクラスを導出する。
我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
論文 参考訳(メタデータ) (2020-07-05T16:41:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。