Changez de thème
Changez de thème

Quantum Monte Carlo for Economics: Stress Testing and Macroeconomic Deep Learning

Disponible en format(s) : PDF

Les simulations de Monte-Carlo sont utilisées de façon générale en économie, par exemple pour résoudre des modèles économiques et pour élargir des échantillons d’ensembles de données de petite taille. Cependant, la méthode Monte-Carlo présente un taux de convergence lent, ce qui occasionne souvent un goulot d’étranglement sur le plan des calculs et limite son utilité. Parallèlement, l’évolution des progrès en informatique quantique pourrait bientôt éliminer cet effet d’entonnoir grâce à l’algorithme quantique de Monte-Carlo, qui accélère le temps de traitement requis en comparaison avec la méthode Monte-Carlo classique.

Dans la présente étude, nous appliquons l’algorithme quantique de Monte-Carlo à des problèmes économiques pour la toute première fois; nous sommes parmi les pionniers qui utilisent l’informatique quantique dans le domaine des recherches économiques de façon générale. Nous comparons la méthode Monte-Carlo classique à l’algorithme quantique de Monte-Carlo dans le cadre des problèmes économiques types et nous initions les économistes à l’informatique quantique. Nous mettons l’accent sur deux problèmes : a) un test de résistance durant lequel les banques subissent des chocs de crédit et procèdent à des ventes en catastrophe; b) la résolution d’un modèle d’équilibre général dynamique et stochastique au moyen de l’apprentissage profond. En ce qui a trait au test de résistance, nous utilisons l’algorithme quantique de Monte-Carlo pour estimer les pertes attendues en capital à l’échelle du système bancaire au lendemain de périodes de tensions financières. Du côté de la solution d’apprentissage profond du modèle macroéconomique néoclassique, l’algorithme quantique de Monte-Carlo nous permet d’estimer le comportement d’une grande économie dans un contexte de chocs de productivité aléatoires.

Nous avons rédigé notre étude de telle manière qu’un économiste sans aucune connaissance de l’informatique quantique puisse progressivement appliquer l’algorithme quantique de Monte-Carlo à des questions qui l’intéressent. Nous proposons aussi quelques améliorations à cet algorithme et nous fournissons le code pour l’exécuter et mener les analyses comparatives connexes.

DOI : https://doi.org/10.34989/swp-2022-29