26 мая на экономическом факультете МГУ им М.В. Ломоносова состоялась защита выпускной квалификационной работы Пронькина Алексея Викторовича «Применение агент-ориентированных моделей в оценке кредитно-денежной политики», цель которой заключалась в оценке влияния различных правил проведения кредитно-денежной политики на основные макроэкономические показатели с помощью агент-ориентированной модели экономики, построенной в рамках парадигмы EURACE@UNIBI с использованием суперкомпьютерных технологий. Жюри конкурса выпускных квалификационных работ отметило высокий уровень работы и оценило ее в качестве одной из лучших на факультете.

Об агент-ориентированном подходе как о серьезной альтернативе мейнстримовому моделированию для целей оценки кредитно-денежной политики стали говорить после начала острой фазы кризиса в 2008 году. Оказалось, что стандарт для Центральных банков – динамические стохастические модели общего равновесия (DSGE) не смогли предсказать, что из-за банкротства одного крупного банка в США вся система может перейти в крайне неустойчивое состояние. Позже выяснилось, что предкризисные модели не смогли также верно оценить последствия начала кризиса. Увеличил внимание к данной проблеме и Европейский долговой кризис.

Значимость достигнутых результатов исследования состоит в том, что удалось в целом оценить некоторые правила проведения денежно-кредитной политики и возможности их моделирования с помощью общей агент-ориентированной модели, которая имитирует социально-экономическое пространство некоторого государства или союза (изначально разрабатывалось для еврозоны). Разработаны новые специфичные методы проверки статистических гипотез для данных, получаемых с помощью агент-ориентированных моделей. Кроме того, были получены важнейшие результаты в развитии подхода к симуляции экономических моделей для суперкомпьютерных систем с кластерами графических процессоров. Апробирована парадигма программирования, с помощью который можно значительно повысить эффективность масштабных экономических агент-ориентированных моделей в связке графических процессоров и центрального процессора (GPU+CPU).

Из архитектуры CPU и GPU следует несколько свойств:

• CPU лучше подходит для ресурсоемких вычислений, когда необходимо применить затратный алгоритм (например, алгоритм сжатия данных), т.к. архитектура CPU имеет меньше ядер, но их частота и возможность обрабатывать операции с числами намного выше, чем у ядер GPU;
• GPU лучше подходит для однотипных, масштабируемых операций, где необходим быстрый доступ к памяти. Современные графические процессоры сильно оптимизированы под различные матричные вычисления;
• Также архитектура GPU очень похожа на архитектуру Х-конечных автоматов с памятью, поэтому можно ожидать прирост в производительности от симуляции агентов на GPU.

В дипломе предлагается следующее разделение агентов для CPU и GPU:

• Агентов со сложными поведенческими правилами, такие как Правительство, Центральный Банк и орган статистики выгодно симулировать на CPU. Причём для органа статистики можно использовать парадигму Map-Reduce [Dean, Ghemawat, 2008], когда происходит предобработка данных на месте (в данном случае GPU будут эффективны из-за оптимизации матричных вычислений), а конечная агрегация происходит на CPU;
• Агентов, которые обладают свойствами массовости и привязкой к географическому пространству, эффективнее будет симулировать на GPU. Это даст возможность использовать преимущества матричных вычислений при моделировании поведенческих правил (машинное обучение, обучение с подкреплением, деревья с отсечениями по Монте-Карло).