JMAB 2.0: A Critical Update for the Macroeconomic Agent-based Model JMAB
Questo articolo identifica le criticità fondamentali nel modello macroeconomico basato su agenti JMAB, propone correzioni specifiche per affrontare errori di specificazione e problemi di convergenza, e introduce una versione aggiornata denominata JMAB 2.0 che produce output più plausibili e stabili per un'analisi politica robusta.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Gli economisti lottano da tempo per costruire modelli che possano prevedere come si comporterà l'economia quando le cose vanno male. Per decenni, gli strumenti standard sono stati come mappe di un oceano calmo, presupponendo che i mercati trovino sempre un equilibrio e che le persone agiscano con una logica perfetta. Ma quando la crisi finanziaria ha colpito nel 2008, queste mappe non sono state in grado di mostrare la tempesta. In risposta, è emersa un nuovo approccio che tratta l'economia non come una singola macchina fluida, ma come una folla frenetica di individui e aziende, ognuno dei quali prende le proprie decisioni sulla base di informazioni limitate. Questo metodo, noto come modellazione basata su agenti (agent-based modeling), simula come queste scelte individuali interagiscono per creare il quadro generale di boom e recessioni. Uno dei tentativi più famosi di costruire un tale modello è stato un programma per computer chiamato JMAB, progettato per essere uno strumento flessibile per testare le regole bancarie e comprendere come il credito fluisce attraverso la società. È stato costruito per essere un benchmark affidabile, uno standard rispetto al quale altri ricercatori potessero misurare il proprio lavoro.
Tuttavia, un esame più attento di questo popolare programma ha rivelato che i suoi ingranaggi interni stridevano tra loro. Simon Hess, un economista dell'Università di Rostock, ha scoperto che, sebbene il modello originale potesse produrre alcuni schemi dall'aspetto realistico, era fondamentalmente difettoso in modi che rendevano le sue previsioni a lungo termine inaffidabili. Il modello era destinato a essere un laboratorio stabile per testare le politiche, ma invece era incline a crashare o a scivolare in comportamenti irrealistici. Ad esempio, il modo in cui le aziende simulate ipotizzavano le loro vendite future era incompatibile con il modo in cui fissavano i prezzi, causando un aumento incontrollato dei loro margini di profitto finché la simulazione non si interrompeva. Allo stesso modo, le regole che regolavano il modo in cui le banche decidevano a chi prestare denaro ignoravano il costo effettivo del finanziamento di tali prestiti, portando a decisioni di credito che nessuna banca reale prenderebbe. Questi errori significavano che il modello generava risultati che sembravano fatti economici, ma che erano in realtà solo artefatti del proprio codice difettoso.
Per risolvere il problema, Hess non si è limitato a tappare i buchi; ha ricostruito il motore, creando una versione aggiornata chiamata JMAB 2.0. Il cuore del problema risiedeva nel modo in cui gli agenti simulati imparavano dal proprio passato. Nel modello originale, le aziende utilizzavano un semplice metodo di media per ipotizzare le loro vendite future, ma questo metodo falliva quando le vendite erano irregolari, causando alle aziende di sottostimare costantemente il proprio successo e di alzare troppo i prezzi. Nella nuova versione, le aziende utilizzano un approccio più intelligente, basato su regole, che corregge i propri errori man mano che procedono, mantenendo le proprie aspettative allineate alla realtà. Il modello ha inoltre rinnovato il modo in cui le imprese decidono di investire in nuovi equipaggiamenti. Inveve di un ciclo di feedback che causava investimenti oscillanti selvaggiamente tra zero e l'infinito, il nuovo sistema utilizza un aggiustamento costante e passo dopo passo che mantiene l'economia stabile nel tempo.
Il settore bancario ha ricevuto l'aggiornamento più significativo, poiché le regole originali per il prestito erano pericolosamente scollegate dalla realtà. Nel vecchio modello, le banche approvavano prestiti anche quando l'interesse guadagnato era inferiore al costo del denaro preso in prestito, una situazione che avrebbe mandato in bancarotta qualsiasi vera istituzione finanziaria. Il nuovo modello costringe le banche a calcolare il costo reale dei loro fondi prima di approvare un prestito, assicurando che prestino denaro solo quando ha senso finanziario. Ha anche introdotto un mercato in cui le banche possono prestarsi denaro in eccesso l'una all'altra, una caratteristica che aiuta a gestire l'efficienza della liquidità e impedisce ai tassi di interesse sui depositi di comportarsi in modo erratico. Inoltre, il modo in cui il modello gestisce il fallimento di un'azienda o di una banca è stato corretto per garantire che, quando un'entità collassa, i suoi asset siano distribuiti equamente e i suoi debiti siano estinti, invece di lasciarla intrappolata in un ciclo di fallimento.
Quando il modello aggiornato è stato eseguito, i risultati sono stati marcatamente diversi. La volatilità caotica che affliggeva la versione originale è scomparsa, sostituita da un ritmo economico più stabile e plausibile. Il settore bancario non mostrava più lacune implausibili nel credito o tassi di interesse erratici. Invece, il modello ha prodotto uno stato stazionario che poteva essere mantenuto per lunghi periodi, rendendolo uno strumento molto più affidabile per i decisori politici. Lo studio dimostra che, affinché queste complesse simulazioni al computer siano utili, ogni meccanismo interno deve essere logicamente coerente con gli altri. Correggendo le imprecisioni nel modo in cui gli agenti formano le aspettative e in cui le banche gestiscono il rischio, la nuova versione fornisce una solida base per comprendere come le regolamentazioni finanziarie potrebbero svilupparsi nel mondo reale, liberi dalle distorsioni del codice originale.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.