Эффективность работы алгоритма A2C применительно к классическим моделям теории экономического роста
- Авторы: Моисеенко А.М.1, Гринева Н.В.2
-
Учреждения:
- Российская академия народного хозяйства и государственной собственности при Президенте Российской Федерации
- Финансовый университет при Правительстве Российской Федерации
- Выпуск: Том 11, № 1 (2024)
- Страницы: 68-77
- Раздел: СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКА
- URL: https://journals.eco-vector.com/2313-223X/article/view/631145
- DOI: https://doi.org/10.33693/2313-223X-2024-11-1-68-77
- ID: 631145
Цитировать
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.
Полный текст
![Доступ закрыт](https://journals.eco-vector.com/lib/pkp/templates/images/icons/text_lock.png)
Об авторах
Александр Максимович Моисеенко
Российская академия народного хозяйства и государственной собственности при Президенте Российской Федерации
Автор, ответственный за переписку.
Email: alex7and7er@gmail.com
ORCID iD: 0009-0001-0380-1693
аспирант, кафедра системного анализа
Россия, МоскваНаталья Владимировна Гринева
Финансовый университет при Правительстве Российской Федерации
Email: ngrineva@fa.ru
ORCID iD: 0000-0001-7647-5967
кандидат экономических наук, доцент, доцент, кафедра анализа данных и машинного обучения
Россия, МоскваСписок 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.
Дополнительные файлы
![](/img/style/loading.gif)