面向经济主体基模型校准中搜索方法组合的强化学习
机器学习
2023-12-08 v3 人工智能
多智能体系统
综合经济学
经济学
摘要
在经济与金融领域校准主体基模型（ABMs）通常涉及在极大参数空间中的无导数搜索。本文在一个知名宏观经济 ABM 基于真实数据的校准中对若干搜索方法进行基准测试，并进一步评估由不同方法组合而成的“混合策略”的性能。我们发现基于随机森林代理模型的方法尤其高效，且组合搜索方法通常能提升性能，因为任意单一方法的偏差得以缓解。基于这些观察，我们提出一种强化学习（RL）方案，在校准运行过程中自动实时选择并组合搜索方法。该 RL 智能体仅在某一特定方法持续表现良好时才持续使用它，而当该方法达到性能瓶颈时则探索新策略。所得的 RL 搜索方案优于所测试的任何其他方法或方法组合，且不依赖任何先验信息或试错过程。
引用
@article{arxiv.2302.11835,
title = {Reinforcement Learning for Combining Search Methods in the Calibration of Economic ABMs},
author = {Aldo Glielmo and Marco Favorito and Debmallya Chanda and Domenico Delli Gatti},
journal= {arXiv preprint arXiv:2302.11835},
year = {2023}
}
备注
9 pages and 5 figures, presented at the AAAI bridge program 'AI for Financial Institutions' (https://aaai23.bankit.art/), at the ICLR bridge program 'AI4ABM' (https://ai4abm.org/workshop_iclr2023/) and at ICAIF '23 (https://ai-finance.org/). Proceedings of the Fourth ACM International Conference on AI in Finance, (ICAIF 23), Association for Computing Machinery, New York, NY, USA