Résolution de modèles DSGE par apprentissage profond : théorie et applications à la génération de scénarios économie-climat

Solving DSGE models with deep learning : theory and applications to climate-economy scenarios

• Auteur / Autrice : Mahoutodji Mardoché Clabessi
• Direction : Peter Tankov, Gauthier Vermandel
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées
• Date : Inscription en doctorat le 27/04/2026
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard
• Partenaire(s) de recherche : Laboratoire : CREST - Centre de recherche en économie et statistique
• Partenaire(s) de recherche : Equipe de recherche : Pôle de Finance Assurance

Mots clés

Mots clés libres

Controle robuste

Apprentissage par renforcément

Modélisation stochastique

Dsge

Stress test financier

Risques modernes

Robust control

Deep RL

Stochastic modeling

Dsge

Financial stress testing

Modern risks

Résumé

Ce projet de doctorat CIFRE vise à développer un cadre mathématique unifié pour la génération de scénarios économie-climat intégrant le risque, l'ambiguïté et l'erreur de spécification de modèle, avec des applications directes aux stress tests financiers. Le cœur méthodologique du projet réside dans la construction d'une méthode de résolution scalable pour les modèles DSGE (dynamic stochastic general equilibrium) de haute dimension, en s'appuyant sur la robustesse à la Hansen-Sargent et l'apprentissage profond par renforcement (deep reinforcement learning). Plutôt que de supposer des distributions de probabilité connues pour les chocs économiques et climatiques, le cadre proposé prend explicitement en compte l'ambiguïté en autorisant des distorsions de probabilité, produisant ainsi des trajectoires climatiques et économiques robustes adaptées à la gestion des risques. La première application étend le modèle DSICE (dynamic stochastic integrated climate economy) à une économie à deux secteurs (« brun » et « vert ») et développe un cadre robuste de valorisation des actifs (asset-pricing). Dans ce cadre, l'incertitude climatique, l'ambiguïté des politiques carbone et l'ambiguïté liée aux risques de points de basculement déterminent conjointement les primes de risque et l'exposition aux actifs échoués (stranded assets). Cette application fournit des indicateurs macro-financiers cohérents avec une transition climatique stochastique et sensible à l'ambiguïté. La seconde application développe SRICE–Sector, un modèle d'équilibre général stochastique multirégional et multisectoriel intégrant la structure des réseaux de production. Ce cadre permet d'analyser la manière dont les chocs climatiques, technologiques et géopolitiques se propagent à travers les chaînes de valeur mondiales sous l'effet du risque et de l'ambiguïté. Il offre ainsi une base pour la construction de scénarios de transition robustes dotés d'une fine granularité sectorielle et régionale.

This CIFRE Ph.D. project aims to develop a unified mathematical framework for generating climate–economy scenarios that incorporate risk, ambiguity, and model misspecification, with direct applications to financial stress testing. The methodological core of the project is the construction of a scalable solution method for high-dimensional stochastic DSGE (dynamic stochastic general equilibrium) models, based on Hansen–Sargent robustness and modern deep reinforcement learning. Rather than assuming known probability distributions for economic and climate shocks, the proposed framework explicitly accounts for ambiguity by allowing for probability distortions, thereby producing robust climate and economic trajectories suitable for risk management. The first application extends the DSICE (dynamic stochastic integrated climate economy) model to a two-sector economy (``brown'' and ``green'') and develops a robust asset-pricing framework in which climate uncertainty, carbon-policy ambiguity, and tipping-risk ambiguity jointly determine risk premia and stranded-asset exposures. This application provides macro–financial indicators that are consistent with a stochastic and ambiguity-aware climate transition. The second application develops SRICE–Sector, a multi-regional and multi-sector stochastic general equilibrium model that embeds the structure of production networks. This framework enables the analysis of how climate, technological, and geopolitical shocks propagate through global value chains under both risk and ambiguity, and offers a basis for constructing robust transition scenarios with sectoral and regional granularity.