强化学习在经济学中的综述

本综述（复）介绍了强化学习方法以供经济学家使用。维度灾难限制了精确动态规划能够有效应用的范围，迫使我们依赖 suitably "小"问题，或将 "大"问题转化为更小问题的能力。在许多经典应用中，这种化简已足够，但日益增长的经济模型模型抵抗了这种化简。强化学习算法提供了动态编程的自然、基于样本的扩展，使高维状态、连续动作和战略互动的问题变得可计算。我审查了将经典规划与现代学习算法相连接的理论，并通过定价、库存控制、战略游戏和偏好探索中的仿真示例展示了其机制。我还检查了这些算法的实际漏洞，指出其脆弱性、样本效率低、对超参数的敏感性，以及在非表格设置下缺乏全局收敛性保证。尽管如此，强化学习的成功仍严格受制于这些限制，以及对准确模拟器的依赖。当引导经济结构时，强化学习提供了一个相当灵活的框架。它是一种不完美但有前景的计算经济学家工具箱的补充。一本随附的综述（Rust 和 Rawat，2026b）涵盖了从观察行为中推断偏好的逆问题。所有仿真代码均公开可用。