Au-delà de la linéarisation : Inférence automatisée pour les modèles d'espace d'état non linéaires – BLISS

Ce proposition aborde le besoin de méthodes d'inférence avancées en économie et en finance, en mettant l'accent sur les modèles dynamiques non linéaires. Les principaux domaines d'application comprennent la prévision de l'inflation, l'estimation de modèles DSGE non linéaires, la représentation des primes de risque en macro-finance et la modélisation en temps continu. Ces modèles relèvent de la catégorie des modèles d'espace d'état non linéaires (SSM).
Ce projet relève le défi de proposer une approche d'estimation bayésienne pour de tels SSM, en particulier dans des scénarios avec de grandes séries temporelles, des espaces d'états de grande dimension, des non-linéarités complexes et des observations très informatives, caractéristiques des applications d'intérêt. L'approche proposée implique le développement méthodologique et la mise en œuvre pratique. L'objectif est de créer des algorithmes d'inférence automatisés et efficaces, adaptables à divers SSM avec une intervention minimale de l'utilisateur.
La littérature actuelle, qui repose sur des méthodes pseudo, fait face à des défis dans l'estimation efficace des vraisemblances et des inefficiences dans les espaces de paramètres de grande dimension. Le projet s'appuie sur des routines de Monte Carlo séquentiel contrôlées mais vise à les améliorer en exploitant les avancées de l'apprentissage automatique. Des réseaux neuronaux profonds seront utilisés pour construire des méthodes de Monte Carlo séquentiel efficaces respectant la structure des SSM. Les réseaux neuronaux seront également utilisés pour fournir des déplacements efficaces sur les paramètres. L'utilisation d'outils modernes tels que la différenciation automatique et les connaissances issues de la littérature sur l'apprentissage par renforcement et l'inférence variationnelle est soulignée pour obtenir une méthodologie entièrement automatisée et efficace.
La méthodologie proposée sera appliquée aux applications substantielles en économie et en finance.