我们展示了如何使用场合可编程的门阵列(FPGA)及其协会的高级合成(HLS)编译器来求解具有不完整市场的异质代理模型,并且汇总了不确定性(Krusell和Smith(Krusell和Smith(1998)))。我们记录了一个单个FPGA传递的加速度与在常规群集中使用69个CPU内核提供的加速度相当。解决模型的1200版的时间从8小时下降到7分钟,说明了结构估计的巨大潜力。我们描述了如何实现多个加速机会(二线,数据级并行性和数据精度),并以为传统的顺序专业人员编写的C/C ++代码的最小修改,然后我们在Amazon Web服务中易于使用FPGA。我们量化了这些加速度的加速和成本。我们的论文是迈向新的,电气工程经济学的第一步,重点是设计经济学的综合加速器,以解决具有挑战性的定量模型。复制代码可在GitHub上获得。
5与某些常见的误解相反,深度学习并不主要是降低维度。一个经典的例子是Cover的定理,它通过显示如何在高维空间中嵌入低维数据的方式来激发了内核方法的使用,这使得更容易找到分类的超平面以进行分类(Cover,1965年)。6个经济学家已经在Krusell and Smith(1998)的方法中使用了类似的想法,该方法选择了一个或少数瞬间的异质剂分布的时刻来跟踪分布的演变,或者在遗忘的平衡解决方案概念中,该概念解决了对其他参与者的最佳响应(Weintraub et ev/div。2008,Benkard等。 2015,Weintraub等。 2010)。 深度学习使代表空间有可能学习和近似,而不是经济学家“设计”。2008,Benkard等。2015,Weintraub等。 2010)。 深度学习使代表空间有可能学习和近似,而不是经济学家“设计”。2015,Weintraub等。2010)。深度学习使代表空间有可能学习和近似,而不是经济学家“设计”。
5与某些常见的误解相反,深度学习并不主要是降低维度。一个经典的例子是Cover的定理,它通过显示如何在高维空间中嵌入低维数据的方式来激发了内核方法的使用,这使得更容易找到分类的超平面以进行分类(Cover,1965年)。6个经济学家已经在Krusell and Smith(1998)的方法中使用了类似的想法,该方法选择了一个或少数瞬间的异质剂分布的时刻来跟踪分布的演变,或者在遗忘的平衡解决方案概念中,该概念解决了对其他参与者的最佳响应(Weintraub et ev/div。2008,Benkard等。 2015,Weintraub等。 2010)。 深度学习使代表空间有可能学习和近似,而不是经济学家“设计”。2008,Benkard等。2015,Weintraub等。 2010)。 深度学习使代表空间有可能学习和近似,而不是经济学家“设计”。2015,Weintraub等。2010)。深度学习使代表空间有可能学习和近似,而不是经济学家“设计”。
3 布斯坦等人。 (2013)、Corcoran 和 Evans (2010)、Scervini (2012)、Karabarbounis (2011)、Kerr (2014)、Shelton (2007)、Gründler 和 Köollner (2017)、Borge 和 Rattsø (2004)、Milanovic (2000)、Alesina 和 Rodrik (1994)、 Chernick (2005) 和 Schwabish (2008) 4 Moffitt 等人。 (1998)、Gouveia 和 Masia (1998)、Ramcharan (2010) 5 Rodrig`ıuez (1999)。 6 如 Krusell 和 Rios-Rull (1997)、Azzimonti (2011)、Corbae 等人所述。 (2009)、Bachmann 和 Bai(2013)、Pecoraro(2017)以及 Aiyagari 和 Peled(1995)。7 参见 Alesina 和 Ferrara(2005)、Alesina 和 Giuliano(2009)、Corneo 和 Gr¨uner(2002)以及 Lee 和 Roemer(2006)等。8 Roemer(1998)和 Roemer(2003)。9 参见 Karabarbounis(2011)、Campante(2011)、Bierbrauer 等人(2022)等。
6在第6节中,我们提出了一种使用序列空间Jacobians更新猜测的方法。但是,使用此方法获得线性脉冲响应将是重生,因为我们可以直接从雅各布人那里求解这些响应。7我们与所有汇总线性化方法共享该模型不会产生风险溢价的缺点,投资组合选择是不确定的,并且最佳的Ramsey策略是错误的。对于这些应用程序,更高阶段或全局解决方案方法更合适(例如,请参见Fernández-Villaverde,Rubio-Ramírez和Schorfheide 2016。)8在原始的Krusell和Smith(1998)模型中,过渡概率取决于骨料状态,即,P采用p(e,e',z t)形式。我们的方法也可以应用于这种情况(请参阅附录A中的一般公式)。
明确纳入有限供应的关键自然资源。特别是,我们提出了一种匹配自然资源一些关键事实的方法:(i)使用量长期增加(但在某些情况下,在某个时间点达到峰值,这可能是由于有限性造成的);(ii)短期内价格波动非常大;(iii)长期来看成本份额变动相对稳定,而份额在较高频率下变化很大。虽然我们认为我们的观点适用于大多数有限供应的自然资源,但我们的定量应用是化石能源,特别是石油。本文提出的核心模型建立在我们最近的工作之上:Has-sler、Krusell 和 Olovsson (2021)。本文构建了一个定向节能技术变革模型,旨在了解长期能源份额。在该模型中,Cobb-Douglas 复合材料与化石燃料之间的替代弹性在短期内接近于零(即 Leontief)。然而,由于技术在中长期内生,资本/劳动力与能源增强技术变革的组合会随着需求而变化:随着化石能源变得越来越稀缺,能源增强技术变革也会随之增加。因此,与短期不同,长期成本份额在应对冲击方面相当稳定。在本文中,我们从几个重要方向扩展了 Hassler、Krusell 和 Olovsson (2021) 中的模型,以分析自然资源使用和自然资源价格的历史演变。首先,我们在这里更狭隘地关注石油(而不是更普遍的化石燃料),因此,本分析的一个关键方面是石油价格的内生性,尤其是考虑到传统石油的供应相当有限。其次,我们在模型中引入了一种额外的、可再生的能源,最终可以取代石油(和其他化石能源)。这使我们能够分析从以化石燃料为主的经济向主要使用可持续能源的世界经济的转变。第三,我们考虑的是世界经济,而不是更狭隘地关注美国。总体而言,尽管我们之前的论文确实利用价格和数量的变动来理解对化石能源的需求,但它没有探索可能非单调的中期过渡动态,而这正是我们在这里的唯一关注点。这里的一个核心结论是,我们的环境自然会产生长期
∗挪威BI挪威商学院,NYDALSVEIEN 37,N-0484 OSLO,挪威。电话。:+47 412 74 290;电子邮件地址:karin.kinnerud@bi.no。本文的早期版本以前是标题为“货币政策和抵押市场”的标题。我感谢Per Krusell和Kurt Mitman的建议和讨论。我要感谢Adrien Auclert,Timo Boppart,Tobias Broer,Mitch Downey,Richard Foltyn,Richard Foltyn,John Hassler,Markus Karlman,Kasper Kragh Balke,John Kramer,Kieran Larkin,Roine Vestman,Roine Vestman,Roine Vestman,Roine Versman,Gianluca vialate,Gianluca vialate,Magnus ubante和MagnusÅhl,以及许多SEMINAR的参与者。我还要感谢编辑Morten Ravn的建设性反馈和两个有用的匿名裁判。所有错误都是我自己的。计算是根据SNIC通过Uppsala多学科高级计算科学(UPPMAX)提供的资源进行的,该中心是SNIC 2019/8-311。
其他事实 (A/A*) 数据编码员:Tove Ahlbom、Pelle Ahlin、Ana Andrade Good God、Anastasiia Andreeva、Eric Bader、Paul Bederke、Lukas Bernhard、Julia Bianco、Adam Bilinski、Solveig Bjørkholt、Olena Burutina、苏菲·卡塞尔 / 杰姆·达利 / 菲利克斯·德温格 / 安娜·法拉利 / 莉迪亚芬泽尔、克里斯蒂安·弗雷德里克森、艾奥努特·古索伊、多米尼克·赫恩多夫、苏尼·赫勒加德、贝尔纳多·伊索拉、塔利布·贾巴尔、尼蒂亚·贾德贾、哈康·杰恩斯莱特滕、斯蒂芬妮·凯撒、伊娃·卡尔斯多蒂尔、伯克·卡瓦索格鲁、帕琳娜·科尔瓦尼、托马斯·克劳奇、约书亚·克鲁斯勒、马丁·拉格利德、弗雷德里克·拉格利德、马丁伦德斯泰特、维尔德·鲁南·朱夫、克劳迪娅·迈尔、斯万特杰·马滕、阿尼莎·莫利达、娜塔莉亚·娜西卡、马克·帕特森、什里娅·皮莱、利维亚·拉达斯基、塔齐安娜·拉霍齐娜、海莉·拉苏金、乔纳斯·肖曼、贾尼娜·施莱克、托夫·塞尔内斯、凯瑟琳娜·西伯斯、康斯坦丁诺斯、安德鲁·斯肯斯坦丁诺斯,贾尼卡斯潘纳格尔、雨果·泰、托尔加·谭、马库斯·坦能伯格、菲利普·托涅斯、朱利安·沃斯和艾米丽·沃尔什。
∗ Acemoglu:麻省理工学院和加拿大高等研究院,daron@mit.edu。Aghion:哈佛大学斯德哥尔摩经济学院和加拿大高等研究院,paghion@fas.harvard.edu。Bursztyn:加州大学洛杉矶分校,leonardo.bursztyn@anderson.ucla.edu。Hemous:哈佛大学,hemous@fas.harvard.edu。我们感谢 Robert Barro、Emmanuel Farhi、Elhanan Helpman、Dirk Krueger、Per Krusell、David Laibson、Ariel Pakes、Torsten Persson、Nicholas Stern、Nancy Stokey、Martin Weitzman 和三位匿名审稿人提出的宝贵建议。我们还受益于哈佛大学、麻省理工学院、斯坦福大学、伯克利大学、斯德哥尔摩 IIES、苏黎世、美国国家经济研究局暑期学院、中西部宏观会议、加拿大高级研究院、计量经济学会拉丁美洲会议、TSE 和西蒙弗雷泽大学的研讨会和会议参与者的评论。Daron Acemoglu 和 Philippe Aghion 分别感谢图卢兹信息技术网络 (http://idei.fr/tnit/) 和 CIFAR 以及 CIFAR 和 Bruegel 提供的资金支持。 1 例如,请参阅 Peter A. Scott、Dáithí A. Stone 和 Myles R. Allen (2004) 关于人类活动对 2003 年欧洲热浪的影响、Kerry Emanuel (2005) 和 Christopher W. Landsea (2005) 关于过去几十年间热带气旋和大西洋飓风的影响和破坏力增强的文章,以及 Robert J. Nicholls 和 Jason A. Lowe (2006) 关于海平面上升的文章。 2 例如,请参阅 William D. Nordhaus (1994)、Christopher N. MacCracken、James A. Edmonds、Son H. Kim 和 Ronald D. Sands (1999)、Nordhaus 和 Joseph Boyer (2000)。
气候变化综合评估模型 (IAM) 分析经济生产、温室气体 (GHG) 排放和全球变暖之间的长期相互作用。由于其复杂性,IAM 通常被局外人视为“黑匣子”。本文在一般分析框架中分析了二氧化碳排放的驱动因素、它们对碳税的反应以及它们对技术进步和能源供应替代性的依赖。气候变化综合评估的分析方法至少可以追溯到 Heal (1984) 富有洞察力的非定量贡献。多篇论文使用线性二次模型对气候政策进行定量分析讨论(Hoel & Karp 2002、Newell & Pizer 2003、Karp & Zhang 2006、Karp & Zhang 2012、Valentini & Vitale 2019、Karydas & Xepapadeas 2019、Karp & Traeger 2021)。这些线性二次方法的缺点是它们对经济和气候系统的描述过于程式化。特别是,这些模型没有生产或能源部门。Golosov 等人 (2014) 开辟了新局面,通过修改 Brock & Mirman (1972) 随机增长模型的对数效用和完全折旧版本,加入了能源部门和生产对排放的脉冲响应。 Golosov 等人 (2014) 的框架引发了关于分析综合评估模型 (AIAM) 的文献越来越多,包括应用于多区域环境 (Hassler & Krusell 2012、Hassler 等人 2018、Hambel 等人 2018)、非常量贴现 (Gerlagh & Liski 2018 b、Iverson & Karp 2020)、代际博弈 (Karp 2017) 和政权更迭 (Gerlagh & Liski 2018 a)。Traeger (2021) 将分析 IAM 与完全复杂性气候系统相结合,并概括了经济生产的表示,Traeger (2018) 将不确定性纳入框架。1