This thesis consists of three applications of contemporary high-performance com- puting to accelerate large-scale dynamic models in economics and finance. The first chapter is entitled “Scalable high-dimensional dynamic stochastic economic modeling” and presents a highly parallelizable and flexible computational method to solve high-dimensional stochastic dynamic economic models. By exploiting the generic iterative structure of this broad class of economic problems, we propose a parallelization scheme that favors hybrid massively parallel computer architectures. Numerical experiments on “Piz Daint” at the Swiss National Supercomputing Centre show that high-dimensional international real business cycle models can be efficiently solved in parallel up to 2,048 compute nodes. The second chapter is called “Rethinking large-scale economic modeling for efficiency: optimizations for GPU and Xeon Phi clusters” and proposes a massively parallelized and optimized frame- work to solve high-dimensional dynamic stochastic economic models on modern GPU- and KNL-based clusters. Numerical experiments show that our framework scales to at least 4,096 compute nodes. The third chapter, titled “GPU-Accelerated Dynamic Human Capital Models” develops a generic computational method for dynamic discrete-choice models. We align the generic numerical properties of the models un- der consideration with the recent advancements in GPU computing hardware in order to solve, simulate, and calibrate models of great complexity in relatively short times. Our tests show a speedup of at least three orders of magnitude over the previous state of the art.
--
Cette thèse consiste en trois applications du calcul haute performance contemporain pour accélérer les modèles dynamiques à grande échelle en économie et en finance. Le premier chapitre s’intitule “Scalable high-dimensional dynamic stochastic economic modeling” et présente une méthode de calcul flexible et hautement parallélisable pour résoudre des modèles économiques dynamiques stochastiques à haute dimension. Nous proposons un schéma de parallélisation qui favorise les architectures informatiques hybrides massivement parallèles. Des test numériques au Centre national suisse de supercalcul montrent que des modèles internationaux de cycle économique réel de haute dimension peuvent être résolus efficacement en parallèle jusqu’à 2,048 nœuds de calcul. Le deuxième chapitre s’intitule “Rethinking large-scale economic modeling for efficiency : optimizations for GPU and Xeon Phi clusters” et propose un cadre massivement parallélisé et optimisé pour résoudre des modèles économiques stochastiques dynamiques de haute dimension sur des clusters modernes basés sur GPU et KNL. Notre tests montrent que notre cadre s’adapte à au moins 4,096 nœuds de calcul. Le troisième chapitre, intitulé “GPU-Accelerated Dynamic Human Capital Models”, développe une méthode de calcul générique pour les modèles dynamiques à choix discret. Nous alignons les propriétés numériques génériques des modèles considérés avec les progrès récents du matériel de calcul GPU afin de résoudre, simuler et calibrer des modèles de grande complexité dans des délais relativement courts. Nos tests montrent une accélération d’au moins trois ordres de grandeur par rapport à l’état de l’art précédent.