Ensaios sobre Economia usando conjuntos de dados em rede e aprendizado de máquina

Abstract

Este trabalho compreende três artigos em Economia utilizando conjuntos de dados em rede e aprendizado de máquina. No primeiro artigo, conduzimos uma revisão de aplicações de aprendizado de máquina para resolver problemas complexos de rede. Cobrimos conceitos de aprendizado de máquina, incluindo aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço, juntamente com métodos como clustering, incorporação e PCA. Além disso, exploramos conceitos de construção de rede e centralidade, abrangendo previsão de nós e links. O artigo também discute abordagens de linguagem natural, incorporando teorias do Processamento de Linguagem Natural (PNL). O segundo artigo investiga o conceito de risco sistémico no domínio financeiro, investigando o seu potencial para desencadear contágio indireto. Um aspecto fundamental da pesquisa envolve a aplicação de um modelo utilizando uma rede de similaridade de notícias para prever probabilidades estacionárias como proxy da centralidade na rede e nas relações entre empresas, estabelecendo uma relação entre elas e identificando caminhos de contágio indireto. Ao examinar as interações e a propagação do contágio entre empresas com base em artigos de notícias, o estudo visa descobrir insights sobre a interconectividade e os efeitos em cascata no sistema financeiro e se existe impacto em outros setores. O artigo conclui com uma discussão sobre as aplicações potenciais da IA e do ML na compreensão e previsão do risco sistémico no cenário financeiro. O terceiro artigo é um exercício empírico sobre Modelagem de Gêmeos Digitais aplicada ao Mercado de Carbono Europeu (EU ETS). Utilizamos as transações de EU-ETS para discernir padrões de interconexão entre países. Para atingir isso, construímos redes complexas para delinear relacionamentos entre nações, representando os caminhos de contágio, simulamos com Gêmeos Digitais a entrada e saída de novos agentes e o estabelecimento de novas conexões baseadas em análise preditiva utilizando modelos de Aprendizado de Máquina.