Macro-Epidemic Modelling: A Deep Learning Approach

Abstract

I develop a novel method for computing globally accurate solutions to recur- sive macro-epidemic models featuring aggregate uncertainty and a potentially large number of state variables. Compared to the previous literature which either restricts attention to perfect-foresight economies amendable to sequence- space representation or focuses on highly simplified, low dimensional models that could can be analyzed using standard dynamic programming and linear projection techniques, I develop a deep learning-based algorithm that can han- dle rich environments featuring both aggregate uncertainty and large numbers of state variables. In addition to solving for particular model equilibria, I show how the deep learning method could be extended to solve for a whole set of models, indexed by the parameters of government policy. By pre-computing the whole equilibrium set, my deep learning method greatly simplifies compu- tation of optimal policies, since it bypasses the need to re-solve the model for many different values of policy parameters. 1

V této práci prezentuji novou metodu pro výpočet globálně přesných řešení rekurzivních stochastických makro-epidemických modelů s potenciálně vysoko- dimenzionálním stavovým prostorem. V porovnání s existujícími studiemi, které buďto studují deterministické ekonomiky pomocí sekvenčních metod, nebo ana- lyzují stylizované modely řešitelné standardními metodami dynamického pro- gramování a lineární projekce, v této práci aplikuji algoritmus založený na hlubokém učení, který umožňuje analyzovat komplexní ekonomiky s agregátní nejistotou a velkým počtem stavových proměnných. Kromě řešení modelu vůči dané hodnotě parametrů prezentuji též rozšířený algoritmus, který umožňuje vyřešit celou množinu modelů indexovanou parametry reakční funkce vlády. Tento krok tak výrazně zjednodušuje výpočet optimální reakční funkce vlády, jelikož obchází nutnost opakovaného řešení modelu pro různé parametrizace vládní reakční funkce. 1