JMAB 2.0: A Critical Update for the Macroeconomic Agent-based Model JMAB
Cet article identifie des lacunes critiques dans l'influent modèle macroéconomique à base d'agents JMAB, propose des corrections spécifiques pour remédier aux erreurs de spécification et aux problèmes de convergence, et introduit une version mise à jour, JMAB 2.0, qui produit des résultats plus plausibles et stables pour une analyse de politiques robuste.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les économistes luttent depuis longtemps pour construire des modèles capables de prédire le comportement de l'économie lorsque les choses tournent mal. Pendant des décennies, les outils standards étaient comme des cartes d'un océan calme, supposant que les marchés trouvent toujours un équilibre et que les individus agissent avec une logique parfaite. Mais quand la crise financière de 2008 a frappé, ces cartes n'ont pas su montrer la tempête. En réponse, une nouvelle approche est apparue, qui traite l'économie non pas comme une machine unique et fluide, mais comme une foule animée de personnes et d'entreprises individuelles, chacune prenant ses propres décisions sur la base d'informations limitées. Cette méthode, connue sous le nom de modélisation à base d'agents, simule la manière dont ces choix individuels interagissent pour créer le tableau global des cycles d'expansion et de récession. L'une des tentatives les plus célèbres pour construire un tel modèle fut un programme informatique appelé JMAB, conçu pour être un outil flexible afin de tester les règles bancaires et de comprendre comment le crédit circule dans la société. Il a été construit pour être une référence fiable, un standard par rapport auquel d'autres chercheurs pourraient mesurer leurs propres travaux.
Cependant, un examen plus attentif de ce programme populaire a révélé que ses rouages internes grinçaient les uns contre les autres. Simon Hess, un économiste de l'Université de Rostock, a découvert que si le modèle original pouvait produire certains schémas réalistes, il était fondamentalement défectueux de manières qui rendaient ses prédictions à long terme peu fiables. Le modèle était destiné à être un laboratoire stable pour tester des politiques, mais au lieu de cela, il était sujet à des plantages ou à des dérives vers des comportages irréalistes. Par exemple, la façon dont les entreprises simulées devinaient leurs ventes futures était incompatible avec la manière dont elles fixaient leurs prix, ce qui faisait grimper leurs marges bénéficiaires de manière incontrôlée jusqu'à ce que la simulation se brise. De même, les règles régissant la décision des banques d'accorder ou non des prêts ignoraient le coût réel du financement de ces prêts, entraînant des décisions de crédit qu'aucune véritable banque ne prendrait. Ces erreurs signifiaient que le modèle générait des résultats qui ressemblaient à des faits économiques, mais qui n'étaient en réalité que des artefacts de son propre code défectueux.
Pour corriger cela, Hess ne s'est pas contenté de colmater les brèches ; il a reconstruit le moteur, créant une version mise à jour appelée JMAB 2.0. Le cœur du problème résidait dans la manière dont les agents simulés apprenaient de leur passé. Dans le modèle original, les entreprises utilisaient une méthode de moyenne simple pour deviner leurs ventes futures, mais cette méthode échouait lorsque les ventes étaient irrégulières, causant aux entreprises de sous-estimer systématiquement leur succès et de fixer leurs prix trop haut. Dans la nouvelle version, les entreprises utilisent une approche plus intelligente, basée sur des règles, qui corrige leurs erreurs au fur et à mesure, maintenant leurs attentes alignées sur la réalité. Le modèle a également revu la manière dont les entreprises décident d'investir dans de nouveaux équipements. Au lieu d'une boucle de rétroaction qui faisait osciller l'investissement violemment entre zéro et l'infini, le nouveau système utilise un ajustement progressif et constant qui maintient l'économie stable au fil du temps.
Le secteur bancaire a reçu la révision la plus significative, car les règles originales de prêt étaient dangereusement déconnectées de la réalité. Dans l'ancien modèle, les banques approuvaient des prêts même lorsque les intérêts qu'elles percevaient étaient inférieurs au coût de l'argent emprunté, une situation qui ferait la faillite de toute institution financière réelle. Le nouveau modèle force les banques à calculer le coût réel de leurs fonds avant d'approuver un prêt, garantissant qu'elles ne prêtent que lorsque cela est financièrement judicieux. Il a également introduit un marché où les banques peuvent se prêter de l'argent excédentaire entre elles, une caractéristique qui les aide à gérer leur liquidité plus efficacement et empêche les taux d'intérêt sur les dépôts de se comporter de manière erratique. De plus, la manière dont le modèle gère la faillite d'une entreprise ou d'une banque a été corrigée pour garantir que, lorsqu'une entité s'effondre, ses actifs soient distribués équitablement et ses dettes soient apurées, plutôt que de la laisser coincée dans une boucle de faillite.
Lorsque le modèle mis à jour a été lancé, les résultats ont été nettement différents. La volatilité chaotique qui affligeait la version originale a disparu, remplacée par un rythme économique plus stable et plausible. Le secteur bancaire ne présentait plus de lacunes de crédit invraisemblables ou de taux d'intérêt erratiques. Au lieu de cela, le modèle a produit un état stationnaire qui pouvait être maintenu sur de longues périodes, ce qui en fait un outil beaucoup plus digne de confiance pour les décideurs politiques. L'étude démontre que pour que ces simulations informatiques complexes soient utiles, chaque mécanisme interne doit être logiquement cohérent avec les autres. En corrigeant les erreurs de spécification dans la façon dont les agents forment leurs attentes et dont les banques gèrent les risques, la nouvelle version fournit une base solide pour comprendre comment les réglementations financières pourraient se traduire dans le monde réel, libérée des distorsions du code original.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.