Finanzas, economía y política: rutas del papel al código

En esta página

Las 60 herramientas · Como contribuir

Estas son rutas de construcción investigadas por agentes. La línea de ejecución informa el trabajo acotado realmente realizado; la sección de comparación define lo que queda antes de reclamar un resultado publicado. La revisión científica humana está pendiente.

cuantificable#

QuantLib — ¿Puede una llamada europea calculada por una biblioteca y Monte Carlo concordar con la ecuación de precios original?

Ruta: Adaptación del modelo en papel. Ejecución: No correr. Confianza de la fuente: alto.

Papel para quantlib#

Fischer Black; Myron Scholes (1973). The Pricing of Options and Corporate Liabilities. 10.1086/260062.

Tipo de publicación: Ver registro de metadatos primario; no clasificado aquí.. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: metadatos del editor verificados en vivo; artículo restringido suministrado por el usuario previamente inspeccionado; sin redistribución de PDF.

Objetivo en el periódico: Supuestos pág. 640; Ec. 13p. 644. Ec. 13 es el objetivo, utilizando insumos explícitamente sintéticos en lugar de observaciones históricas.

Código y entradas para quantlib#

Artefacto o fuente ascendente. Implementación oficial actual y comparación de motores numéricos, no el código de autor de Black/Scholes. La adaptación Python OSRI existente implementa la ecuación.

Fuente inspeccionada: si. Árbitro: maestro. Comprometerse: 9ba30347b4ea179a5f4daec446cd221d21b8721f.

Archivos: Examples/EquityOption/EquityOption.cpp

Términos: Cláusula BSD-3

Entorno y computación: Entorno de laboratorio Python 3.12 existente: QuantLib 1.44 y dependencias numéricas fijadas; alternativamente, compile el ejemplo de C++ ascendente en una compilación de CMake separada. UPC; segundos a minutos para el caso de enseñanza.

Entradas: La adaptación OSRI existente utiliza spot sintético = 100, strike = 100, tasa = 0,05, volatilidad = 0,2, vencimiento = 1 año, 50000 rutas y semilla 42. El ejemplo ascendente de C++ tiene diferentes entradas de opciones de venta.

Acceso a datos: Insumos sintéticos; sin suscripción a datos de mercado.

Construir y comparar quantlib#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. # Existing lab command, not a new execution in this research pass
  2. python simulation-lab/examples/option_monte_carlo.py --help
  3. # Follow the existing CPU walkthrough with its pinned requirements and explicit output directory. Do not mix the C++ example parameters with the Python target.

Resultados esperados: Opciones nativas CSV, parámetros JSON, error estándar de Monte Carlo e intervalo de confianza.

Comparación con el artículo: Calcular la ecuación. 13 de forma independiente; compare el valor analítico de QuantLib con la fórmula de doble precisión y evalúe el error de Monte Carlo utilizando su error estándar informado. El valor analítico de ejecución existente era 10,450583572185565; compararlo verifica el ejemplo de ecuación sintética, no una tabla empírica publicada.

Resultado de la ejecución: Inspección en origen únicamente; No hay nueva ejecución para esta ruta.

Pruebas de ejecución: Ninguno registrado.

Bloqueadores: Ningún artefacto de código fuente original de 1973; el ejemplo existente es una adaptación moderna.

Próxima acción: Mantener la prueba de fórmula actual, agregar una cuadrícula sobre madurez/dinero/volatilidad y convergencia versus recuento de ruta antes de proponer un estudio de método numérico.

Brechas: La adaptación de ecuaciones ya se ejecutó en una versión de laboratorio anterior; sin reproducción de resultados en papel nuevo.

Fuentes de quantlib#

permanece#

ABIDES — ¿Cómo altera una orden de compra grande un libro de órdenes simulado y la trayectoria de precios posterior?

Ruta: Adaptación del modelo en papel. Ejecución: No correr. Confianza de la fuente: alto.

Papel para permanencias#

David Byrd; Maria Hybinette; Tucker Hybinette Balch (2019). ABIDES: Hacia una simulación de mercado de alta fidelidad para la investigación de IA. arXiv:1904.12066v1; versión de conferencia DOI 10.1145/3384441.3395986.

Tipo de publicación: Ver registro de metadatos primario; no clasificado aquí.. Metadatos primarios. Verificación de metadatos: confirmada. Acceso a texto completo: HTML abierto inspeccionado; Crossref confirma el récord de la conferencia ABIDES de 2020. El objetivo detallado aquí es explícitamente la preimpresión de 2019.

Objetivo en el periódico: Sección 6, Figuras 6-7: evento de impacto controlado por la codicia y rutas alineadas entre el evento y el estudio; Sección 5 La Figura 4 utiliza operaciones históricas de IBM/MSFT.

Código y entradas para cumplimientos.#

Artefacto o fuente ascendente. Repositorio vinculado explícitamente por la preimpresión. El impact.py actual utiliza un oráculo de reversión de la media generado, a diferencia del oráculo de datos históricos descrito en la preimpresión.

Fuente inspeccionada: si. Árbitro: maestro. Comprometerse: c4bf157678928934417aba6073eb0651aeaf6d15.

Archivos: config/impacto.py; config/rmsc03.py; requisitos.txt; LÉAME.md

Términos: Cláusula BSD-3

Entorno y computación: Entorno histórico aislado de Python; Inspeccione los requisitos antiguos de NumPy/pandas/SciPy antes de resolver las dependencias. No lo instale en el entorno de CPU moderno. UPC; evento de muchos agentes simulation; realice una evaluación comparativa antes de programar los lotes de semillas.

Entradas: Para una adaptación sintética, config/impact.py, la misma semilla aleatoria en control y tratamiento, parámetro de avaricia documentado. La reproducción exacta del papel también requiere ticks históricos originales y revisión de la configuración.

Acceso a datos: El oráculo sintético no necesita tics; Los días comerciales históricos originales pueden requerir acceso a ticks con licencia.

Construir y comparar permanencias#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. # Proposed command from inspected CLI; clone and checkout the pinned artifact first
  2. python -u abides.py -c impact -s 1234 -g 0.3 -l impact_g03
  3. python -u abides.py -c impact -s 1234 -g 1.9 -l impact_g19
  4. # Repeat paired control/treatment experiments over independently selected seeds; inspect -i semantics (it disables impact).

Resultados esperados: Registros de intercambio/libro de pedidos, series alineadas de comercio/precio medio, curvas de impacto en el precio por semilla.

Comparación con el artículo: Predeclarar la hora del evento y la métrica de cambio de precio firmada; compare el impacto del tratamiento-control a lo largo del tiempo con la Figura 6/7 después de recuperar la configuración histórica y los insumos. La ejecución actual del oráculo sintético es una adaptación; Los valores de la curva del papel y la tolerancia aún no se han extraído.

Resultado de la ejecución: Inspección en origen únicamente; No hay nueva ejecución para esta ruta.

Pruebas de ejecución: Ninguno registrado.

Bloqueadores: La configuración actual utiliza diferentes agentes en segundo plano/Oracle.; La configuración histórica del papel y los datos de ticks no se recuperaron.; Entorno histórico no ejecutado.

Próxima acción: Recuperar la confirmación/configuración de la era del papel y las entradas de ticks legales; Comience con experimentos de impacto sintético emparejados mientras etiqueta explícitamente la adaptación.

Brechas: Un tutorial RMSC03 ejecutable por sí solo no reproduciría estas figuras en papel.

Fuentes de permanencias#

finrl#

FinRL — ¿Un conjunto de PPO, A2C y DDPG mejora el desempeño de las operaciones bursátiles ajustadas al riesgo con respecto a las líneas de base del documento?

Ruta: Adaptación del modelo en papel. Ejecución: No correr. Confianza de la fuente: medio.

papel para finrl#

Hongyang Yang; Xiao-Yang Liu; Shan Zhong; Anwar Walid (2020). Aprendizaje por refuerzo profundo para el comercio de acciones automatizado: una estrategia conjunta. 10.1145/3383455.3422540.

Tipo de publicación: Ver registro de metadatos primario; no clasificado aquí.. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: Crossref título/autores/año consultado; Texto del artículo del autor alojado en la universidad disponible.

Objetivo en el periódico: Pruebas retrospectivas empíricas de conjunto versus agente individual y DJIA/varianza mínima; El objetivo es la comparación del rendimiento del papel, con números de tablas/figuras y tolerancias numéricas aún por extraer del texto completo.

Código y entradas para finrl#

Artefacto o fuente ascendente. Cuaderno mantenido por el autor nombrado explícitamente para el experimento ICAIF 2020, pero actualizado posteriormente. El repositorio en papel exacto vinculado por un registro arXiv posterior devuelve HTTP 404.

Fuente inspeccionada: si. Árbitro: maestro. Comprometerse: 286fef6c828a02a2ccf807c05b292d8cb28f8e95.

Archivos: examples/FinRL_Ensemble_StockTrading_ICAIF_2020.ipynb

Términos: MIT; derechos de reutilización de datos de mercado separados

Entorno y computación: Entorno FinRL/Stable-Baselines3/PyTorch/Jupyter anclado aislado. Notebook instala FinRL desde Git HEAD mutable; reemplácela con una versión inmutable probada antes de la ejecución. CPU posible para pequeños diagnósticos; Probables horas de entrenamiento completo en conjunto, GPU opcional.

Entradas: Componentes del DJIA, OHLCV e indicadores ajustados, costos de transacción, fechas de división, umbral de turbulencia, presupuestos de capacitación y semillas. La computadora portátil inspeccionada actualmente usa el tren 2010-01-01..2021-10-01 y la prueba 2021-10-01..2023-03-01, por lo que no es el 2020 evaluation original.

Acceso a datos: Notebook llama a YahooDownloader; congelar los datos históricos exactos y confirmar los términos del proveedor y el tratamiento del precio ajustado. No se necesitan operaciones en vivo.

Construir y comparar finrl#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. # Proposed preparation: clone FinRL-Meta and checkout the recorded commit
  2. # Inspect every notebook cell; pin FinRL dependency and archive lawful input data before training
  3. jupyter nbconvert --execute --to notebook --ExecutePreprocessor.timeout=-1 examples/FinRL_Ensemble_StockTrading_ICAIF_2020.ipynb --output ensemble.executed.ipynb

Resultados esperados: Cuaderno ejecutado, modelos, CSV de valor de cuenta, seguimiento de selección de conjuntos y tablas de estadísticas de backtest.

Comparación con el artículo: Recrea el universo evaluation original y sus divisiones; compare el rendimiento anual, la reducción y las estadísticas de Sharpe sobre semillas repetidas. Predeclarar tolerancia/comparación distributiva. Las fechas y dependencias actuales del cuaderno requieren cambios y deben describirse como una adaptación hasta que coincidan.

Resultado de la ejecución: Inspección en origen únicamente; No hay nueva ejecución para esta ruta.

Pruebas de ejecución: Ninguno registrado.

Bloqueadores: URL exacta del repositorio original actualmente 404.; Las divisiones de datos de los cuadernos son más nuevas que el papel.; Instalaciones de dependencia mutable y semillas aleatorias que no están completamente fijadas.

Próxima acción: Recupere los datos y cuadernos archivados de la era del papel y luego ejecute una prueba retrospectiva congelada con semillas repetidas; Mientras tanto, utilice el cuaderno de autor como andamio de construcción.

Brechas: No describa las devoluciones de cuadernos contemporáneos como resultados reproducidos de ICAIF-2020.

Fuentes para finrl#

motor#

Open Source Risk Engine — ¿Cómo cambia la compensación central la exposición sistémica y el riesgo crediticio de contraparte?

Ruta: Candidato a resultado en papel. Ejecución: Intentó; obstruido. Confianza de la fuente: alto.

papel para motor#

Nikolái Nowaczyk; Sharyn O'Halloran (2024). Computing the impact of central clearing on systemic risk. 10.3389/frai.2024.1138611.

Tipo de publicación: Ver registro de metadatos primario; no clasificado aquí.. Metadatos primarios. Verificación de metadatos: confirmada. Acceso a texto completo: abra HTML completo inspeccionado, incluidos métodos, validación, resultados y notas a pie de página de origen.

Objetivo en el periódico: Secciones 7.3 a 7.6 Cálculos de riesgo de ORE y visualización de cuadernos; Sección 8.4 Figura 15: 50% de la exposición concentrada en CCP; Figura 14 Impactos relativos del PTM. Notas a pie de página 13, 16–17, código de enlace y entradas de ORE v1.8.4.0.

Código y entradas para el motor.#

Artefacto o fuente ascendente. Cuaderno de autor vinculado en papel y resultados simulation precalculados. El árbol del repositorio contiene activos del panel, no el generador ascendente que invoca ORE. En el artículo se hace referencia por separado a ORE v1.8.4.0.

Fuente inspeccionada: si. Árbitro: maestro. Comprometerse: 677f5e7b639d4b8de18767a0f2b8db4844ceaf1a.

Archivos: paneles/central_clearing/simulation_cva/central_clearing_sim_cva.ipynb; paneles/central_clearing/simulation_cva/environment.yml; paneles/central_clearing/simulation_cva/df_risk_systemic.csv; paneles/central_clearing/simulation_cva/df_risk_cp.csv; paneles/central_clearing/simulation_cva/risk_graphs_nx.json

Términos: No se encontró ninguna licencia de repositorio; Inspeccione el permiso antes de redistribuir los activos del autor. ORE en sí Cláusula BSD-3.

Entorno y computación: El panel histórico utiliza Conda Python 3.7.5, pandas 0.23.4, networkx 2.2 específico de Windows; La migración a Linux necesita un nuevo entorno de grabación. El nuevo simulation también necesita ORE v1.8.4.0 y el generador que falta. Vuelva a trazar lo suficientemente pequeño para la CPU; Se debe perfilar el lote completo de cartera/red de ORE después de la recuperación del generador.

Entradas: CSV/gráficos de riesgo agrupados para volver a trazar una figura; carteras originales generadas, archivos de mercado/calibración, configuraciones de gráficos aleatorios y entradas ORE necesarias para una nueva ejecución.

Acceso a datos: El panel público incluye tablas de resultados sintéticos; Licencia de reutilización no especificada. Insumos de mercado de ORE agrupados a los que se hace referencia en el documento.

Construir y comparar motor.#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. # Proposed replot route, after constructing a compatible isolated environment
  2. cd dashboards/central_clearing/simulation_cva
  3. jupyter notebook central_clearing_sim_cva.ipynb
  4. # Fresh simulation cannot be specified completely from this repository: retrieve portfolio-generation and ORE orchestration code first.

Resultados esperados: Gráficos de exposición/CVA del panel y tablas de riesgo analizadas; Los CSV de exposición a ORE nuevos requieren una orquestación faltante.

Comparación con el artículo: No hay nuevas salidas numéricas ORE. Las proporciones anteriores de producción ahorrada del 50,339% al 50,927% todavía difieren de la declaración exacta del 50% en papel y siguen sin adjudicarse.

Resultado de la ejecución: El nuevo simulation no se puede ejecutar desde el artefacto de autor recuperado: no hay generador de cartera ni orquestación ORE en el código fuente/historial completo. El análisis de salida guardado anterior se conserva por separado y no se cuenta como una ejecución nueva.

Pruebas de ejecución: Intento de código de autor; Ejecutar registro

Bloqueadores: Faltan el generador de cartera del autor, la orquestación/configuraciones ORE y la especificación inicial original. Correspondencia/discrepancia entre versiones guardadas vinculadas en papel no resueltas.; No se ha encontrado ninguna licencia en el repositorio del panel.

Próxima acción: Recuperar el artefacto de configuración/generador del autor y las entradas versionadas de ORE v1.8.4.0; luego declara un objetivo numérico y una tolerancia antes de ejecutar.

Brechas: Faltan el generador de cartera del autor, la orquestación/configuraciones ORE y la especificación inicial original. Correspondencia/discrepancia entre versiones guardadas vinculadas en papel no resueltas.; No se ha encontrado ninguna licencia en el repositorio del panel.

Fuentes para el motor#

escuchar#

HARK / Econ-ARK — ¿Puede el código asociado al autor regenerar las cifras y tablas de ahorro de reservas de Carroll?

Ruta: Candidato a resultado en papel. Ejecución: Ejemplo ejecutado. Confianza de la fuente: alto.

papel para escuchar#

Christopher D. Carroll (1997). Buffer-Stock Saving and the Life Cycle/Permanent Income Hypothesis. 10.1162/003355397555109.

Tipo de publicación: Ver registro de metadatos primario; no clasificado aquí.. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: texto completo restringido proporcionado por el usuario y previamente inspeccionado; Se comprobó el registro de material Crossref en vivo y Econ-ARK.

Objetivo en el periódico: Las Figuras I, V, VI y VII y las Tablas I a II corresponden a los códigos de salida denominados Figura 1a/1b, Figura 5a/b/c, Figura 6/7 y tabla 1/2. Línea de base original, páginas 5 a 8, ya anotadas por el laboratorio.

Código y entradas para escuchar#

Artefacto o fuente ascendente. Econ-ARK identifica esto como una réplica de Carroll, Yusuf and Son. La fuente guarda explícitamente figuras/tablas asociadas al papel.

Fuente inspeccionada: si. Árbitro: maestro. Comprometerse: 0a278360b77eeac1df1e91374c168b3091365fbf.

Archivos: reproducir.sh; Código/Python/BufferStock-LifeCycle.py; carpeta/entorno.yml; Papel/Figuras; Papel/Tablas

Términos: Inspeccionar la licencia del repositorio y HARK Apache-2.0 por separado; Artículo restringido excluido.

Entorno y computación: Tiempo de ejecución histórico del portátil Econ-ARK; Documentos README econark/econ-ark-notebook:0.10.4; Los metadatos del script Python dicen 3.7.6. Modern HARK 0.17.2 ha cambiado las API. UPC; soluciones de función de política y ciclo de vida del hogar simulation, seguido de trazado.

Entradas: Crear perfiles de calibración y ciclo de vida a partir del script fijado; preservar los detalles de la distribución del shock, la probabilidad de desempleo, el factor de descuento y las variantes exactas de crecimiento.

Acceso a datos: Perfiles de código/entrada disponibles públicamente; El PDF original permanece restringido y no se redistribuye.

Construir y comparar escuchar#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. git clone https://github.com/econ-ark/BufferStock-LifeCycle.git
  2. cd BufferStock-LifeCycle
  3. git checkout 0a278360b77eeac1df1e91374c168b3091365fbf
  4. # Prepare its historical environment; inspected reproduce.sh runs the Python script using IPython
  5. bash reproduce.sh

Resultados esperados: Papel/Figuras/Figura1a.png, Figura1b.png, Figura5a.png, Figura5b.png, Figura5c.png, Figura6.png, Figura7.png; Papel/Tablas/table1.tex y table2.tex.

Comparación con el artículo: Se restauró la ejecución real del script; La riqueza neta objetivo de referencia se redondea a 0,31 en lugar de 0,32. Los métodos de implementación del autor difieren del artículo original. No hay reclamo de reproducción en papel.

Resultado de la ejecución: Siete figuras PNG y dos tablas LaTeX generadas a partir de una fuente exacta. La comparación estricta de los objetivos de referencia con el artículo original falló; SciPy Se retuvo la advertencia de falta de progreso.

Pruebas de ejecución: Intento de código de autor; Ejecutar registro

Bloqueadores: La comparación estricta de tablas impresas falla.; La discretización del autor/simulation y las convenciones de calibración difieren del artículo original.; SciPy advertencia de falta de progreso en otra parte del script completo; convergencia de todas las cantidades no establecidas.

Próxima acción: Auditar la configuración numérica/distribución de impactos y el residuo objetivo determinista; resuelva la discrepancia antes de declarar reproducido el resultado en papel.

Brechas: La comparación estricta de tablas impresas falla.; La discretización del autor/simulation y las convenciones de calibración difieren del artículo original.; SciPy advertencia de falta de progreso en otra parte del script completo; convergencia de todas las cantidades no establecidas.

Fuentes para escuchar#

cuantocon#

QuantEcon.py — ¿Cómo afecta el riesgo de ganancias idiosincrásicas no aseguradas al ahorro preventivo y al capital de equilibrio?

Ruta: Adaptación del modelo en papel. Ejecución: No correr. Confianza de la fuente: alto.

Papel para Quantecon#

S. Rao Aiyagari (1994). Riesgo idiosincrásico no asegurado y ahorro agregado. 10.2307/2118417.

Tipo de publicación: Ver registro de metadatos primario; no clasificado aquí.. Metadatos primarios. Verificación de metadatos: confirmada. Acceso a texto completo: identidad Crossref verificada; Artículo original completo no leído en este pase. Se inspecciona el código/lectura del modelo completo de los mantenedores.

Objetivo en el periódico: Conferencia QuantEcon El modelo Aiyagari, implementación del equilibrio y diagrama de oferta/demanda de capital; objetivo de la tabla cuantitativa del artículo original aún no inspeccionado.

Código y entradas para Quantecon.#

Artefacto o fuente ascendente. Implementación docente del modelo de Aiyagari escrita por el mantenedor, no el programa del autor de 1994. La conferencia en vivo utiliza un proceso de ingresos simplificado de dos estados.

Fuente inspeccionada: si. Árbitro: principal. Comprometerse: 007bbd592a4c1f43931ebb0eeb0e64ba36fa8a47.

Archivos: lectures/aiyagari.md

Términos: Licencia de conferencia/libro y QuantEcon.py MIT por separado; inspeccionar antes de copiar el código.

Entorno y computación: Python fijado + quantecon, JAX/JAXLIB, SciPy y matplotlib; habilite JAX de 64 bits como lo hace la conferencia. Compatible con CPU, aunque la conferencia se creó con GPU. CPU compatible; La primera compilación de JAX añade gastos generales.

Entradas: Modelo de conferencia: utilidad logarítmica, beta=0,96, 100 puntos de activo, dos estados de productividad [0,1,1,0], transición [[0,9,0,1],[0,1,0,9]], alfa=0,33, delta=0,05. Estos son valores predeterminados de enseñanza, que no coinciden con la calibración del papel.

Acceso a datos: Entradas del modelo sintético, no se necesitan microdatos del hogar.

Construir y comparar quantecon#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. git clone https://github.com/QuantEcon/lecture-python.myst.git
  2. cd lecture-python.myst
  3. git checkout 007bbd592a4c1f43931ebb0eeb0e64ba36fa8a47
  4. # Proposed: execute lectures/aiyagari.md as a MyST/Jupyter notebook in its pinned book environment; preserve all cells and outputs.

Resultados esperados: Política de ahorro, distribución estacionaria, curva de oferta de capital, curva de demanda y tipo de interés de equilibrio/capital.

Comparación con el artículo: Para el caso de enseñanza, verifique la estacionariedad, la normalización de la probabilidad, la viabilidad de los recursos y el residuo del mercado de capitales bajo el refinamiento de la red. Recupere la discretización/calibración del artículo original y las celdas de la tabla con nombre antes de cualquier comparación numérica de 1994.

Resultado de la ejecución: Inspección en origen únicamente; No hay nueva ejecución para esta ruta.

Pruebas de ejecución: Ninguno registrado.

Bloqueadores: Resultado/tabla del papel original y calibración no auditados.; El entorno de libros y las versiones JAX necesitan un bloqueo probado.

Próxima acción: Ejecute la conferencia fijada y exporte matrices/residuales numéricos, luego construya una calibración separada en papel y una comparación cuantitativa.

Brechas: No etiquete la conferencia simplificada como una reproducción de mesa en papel original.

Fuentes de quantecon#

núcleo og#

OG-Core — ¿Cómo cambian las representaciones alternativas de la función tributaria las respuestas macroeconómicas previstas a la política tributaria?

Ruta: Adaptación del modelo en papel. Ejecución: No correr. Confianza de la fuente: medio.

Papel para og-core#

Jason DeBacker; Richard W. Evans; Kerk L. Phillips (2019). Integrating Microsimulation Models of Tax Policy into a DGE Macroeconomic Model. 10.1177/1091142118816744.

Tipo de publicación: Ver registro de metadatos primario; no clasificado aquí.. Metadatos primarios. Verificación de metadatos: confirmada. Acceso a texto completo: metadatos del editor/Crossref y replicación del autor README inspeccionados; Borrador de texto completo disponible de los autores/conferencia.

Objetivo en el periódico: Alternativas de la función tributaria y resultados del equilibrio general de referencia/reforma; Los números y celdas exactos de las tablas/figuras publicadas aún requieren una inspección final del documento. El repositorio de autores proporciona TFI_tables_figures.py.

Código y entradas para og-core#

Artefacto o fuente ascendente. El OG-Core actual es un marco moderno conectado a modelos de países como OG-USA. El código en papel exacto de 2019 se encuentra en rickecon/TaxFuncIntegr y utiliza el histórico OG-USA; cambiar a OG-Core es un puerto, no una repetición del mismo código.

Fuente inspeccionada: si. Árbitro: maestro. Comprometerse: 7c31fbb5e3cb0fc49de5e99da444af9c7c0bb469.

Archivos: ejemplos/run_ogcore_example.py; ejemplos/diferencias de ejemplo; ogcore/SS.py; ogcore/TPI.py

Términos: CC0-1.0

Entorno y computación: Entorno Python OG-Core actual aislado; entorno histórico separado de TaxFuncIntegr si se reproduce el resultado de 2019. Nota README apunta a run_examples pero la instantánea inspeccionada en realidad usa ejemplos/. UPC; README ascendente advierte que las rutas de referencia/reforma completas pueden exceder las dos horas.

Entradas: El ejemplo oficial actual establece una tasa corporativa de referencia de 0,21 y una reforma de 0,35 con sus propias trayectorias de gasto, no exactamente el experimento histórico en papel. La ruta del papel requiere preservar los ajustes de la función tributaria y la demografía histórica.

Acceso a datos: El ejemplo actual incluye calibración sintética/predeterminada; ajustes de papel disponibles, pero los microdatos PUF están restringidos.

Construir y comparar og-core#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. git clone https://github.com/PSLmodels/OG-Core.git
  2. cd OG-Core
  3. git checkout 7c31fbb5e3cb0fc49de5e99da444af9c7c0bb469
  4. # Proposed environment install from the pinned pyproject, then run the actual inspected entry point
  5. python examples/run_ogcore_example.py

Resultados esperados: ejemplos/OG-Core-Example/BASELINE y salidas REFORM, model_params.pkl, SS/SS_vars.pkl, TPI/TPI_vars.pkl, example_output.csv y example_plots.

Comparación con el artículo: Primero reproduzca el ejemplo oficial actual con residuos de Euler/compensación de mercado y su propia referencia de regresión, después de resolver los nombres de diferencias de ejemplo obsoletos. Luego, transfiera un caso de papel denominado TaxFuncIntegr y compare rutas de transición agregadas bajo la misma calibración.

Resultado de la ejecución: Inspección en origen únicamente; No hay nueva ejecución para esta ruta.

Pruebas de ejecución: Ninguno registrado.

Bloqueadores: El modelo histórico exacto utiliza OG-USA, no el OG-Core actual; La ruta LÉAME/los nombres de salida y los ejemplos/diferencias de ejemplo están obsoletos en relación con el script actual.; No se realizó la comparación de puerto compatible con papel ni de salida completa.

Próxima acción: Congele una versión OG-Core compatible y ejecute su ejemplo; Defina por separado un puerto de calibración de papel utilizando el archivo del autor y las diferencias explícitas.

Brechas: El tutorial actual sobre OG-Core no se puede presentar como una réplica histórica en papel.

Fuentes de og-core#

calculadora de impuestos#

Tax-Calculator — ¿Se pueden regenerar las estimaciones de las microtasas impositivas y las comparaciones de las macrofunciones impositivas del artículo?

Ruta: Candidato a resultado en papel. Ejecución: Ejemplo ejecutado. Confianza de la fuente: alto.

Papel para calculadora de impuestos#

Jason DeBacker; Richard W. Evans; Kerk L. Phillips (2019). Integrating Microsimulation Models of Tax Policy into a DGE Macroeconomic Model. 10.1177/1091142118816744.

Tipo de publicación: Ver registro de metadatos primario; no clasificado aquí.. Metadatos primarios. Verificación de metadatos: confirmada. Acceso a texto completo: metadatos del editor/Crossref y replicación del autor README inspeccionados; Borrador de texto completo disponible de los autores/conferencia.

Objetivo en el periódico: Manuscrito del autor de mayo de 2018 DEP_TaxFuncs.pdf, tablas 7 y 8, especificación preferida: cambio del PIB en estado estacionario +0,07%; Las tablas numéricas finales de la revista de 2019 no coinciden de forma independiente.

Código y entradas para la calculadora de impuestos.#

Artefacto o fuente ascendente. Código de réplica del autor del artículo/borrador; llama a Tax-Calculator y almacena los resultados de la función fiscal ajustada y los resultados del modelo resuelto.

Fuente inspeccionada: si. Árbitro: maestro. Comprometerse: 715cc76e3305c00dd64d79521c504bb388c6d87d.

Archivos: run_TaxFuncInt.py; TFI_tables_figures.py; entorno.yml; 2017_law.json; SALIDA_BASELINE; SALIDA_REFORMA

Términos: CC0-1.0 dedicación; LICENCIA.md inspeccionado. El propio Tax-Calculator también CC0.

Entorno y computación: Entorno histórico de Python 3.6, taxcalc>=0.19.0 en un entorno Conda suelto.yml, paquete local histórico de OG-USA. Versiones de dependencia históricas resueltas exactas que este archivo no conserva. README estima aproximadamente 10 horas con más de 10 procesadores o más de 100 horas en serie para un análisis completo de 12 casos.

Entradas: PUF original del IRS para una nueva estimación de la función tributaria; Archivos pickle precalculados con función ajustada proporcionados como una ruta abierta parcial. Los datos de CPS pueden reemplazar a PUF pero cambian el experimento.

Acceso a datos: PUF del IRS no publicado; Las funciones estimadas existentes están disponibles. Nunca cargue registros de PUF/impuestos restringidos.

Construir y comparar calculadora de impuestos#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. git clone https://github.com/rickecon/TaxFuncIntegr.git
  2. cd TaxFuncIntegr
  3. git checkout 715cc76e3305c00dd64d79521c504bb388c6d87d
  4. # Historical environment must be reconstructed; README contains a pyton typo and outdated Python/ folder path. Inspect files before use.
  5. # Proposed: set run_micro=False to reuse published fitted functions; do not claim this reruns the microsimulation stage
  6. python run_TaxFuncInt.py
  7. python TFI_tables_figures.py

Resultados esperados: Funciones tributarias ajustadas a la línea de base/reforma, resultados de SS/TPI, tablas de publicación y cifras del guión de trazado.

Comparación con el artículo: Numérico +0,069545535% coincide con el borrador de mayo de 2018 +0,07% con la tolerancia declarada; seis resultados de referencia coinciden con el autor archivado SS. El alcance es una nueva resolución de macros que utiliza las entradas ajustadas suministradas. En ambos casos, G negativo se mantiene como viabilidad económica fallida, por lo que ni esta coincidencia ni los pequeños residuos de Euler establecen una predicción de política válida.

Resultado de la ejecución: Se resolvieron nuevos estados estables macroeconómicos de referencia y contrafactuales; Coincidencias de objetivos de redondeo del PIB de SS del manuscrito del autor. El diagnóstico de viabilidad económica falla porque ambos cierres requieren un gasto gubernamental negativo. Tax-Calculator importado pero su estimación microsimulation/PUF NO se ejecutó.

Pruebas de ejecución: Intento de código de autor; Ejecutar registro

Bloqueadores: PUF IRS original restringido no disponible para microestimación Tax-Calculator reciente.; El gasto público es negativo en ambos estados macroestacionarios resueltos; No se ha verificado la identidad de la tabla de diario final de 2019; la comparación seleccionada es el manuscrito del autor de mayo de 2018; Las rutas de transición y ajuste de función fiscal completa no se vuelven a ejecutar.

Próxima acción: Resolver la viabilidad del cierre fiscal y verificar la tabla/versión final del diario; utilice el acceso PUF legal solo si se requiere una estimación microsimulation nueva.

Brechas: PUF IRS original restringido no disponible para microestimación Tax-Calculator reciente.; El gasto público es negativo en ambos estados macroestacionarios resueltos; No se ha verificado la identidad de la tabla de diario final de 2019; la comparación seleccionada es el manuscrito del autor de mayo de 2018; Las rutas de transición y ajuste de función fiscal completa no se vuelven a ejecutar.

Fuentes para la calculadora de impuestos#

núcleo openfisca#

OpenFisca — ¿Cómo crea una prestación en efectivo específica un abismo en materia de incentivos laborales en comparación con una asignación por hijo?

Ruta: Sin resolver. Ejecución: No correr. Confianza de la fuente: bajo.

Papel para openfisca-core#

Max Ghenis (2022). ¿Cómo afecta la asistencia en efectivo específica a los incentivos para trabajar?. CGO Research in Focus, 17 de junio de 2022 (informe de investigación; no se encontró DOI).

Tipo de publicación: Ver registro de metadatos primario; no clasificado aquí.. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: abra el informe completo y la firma del editor/fecha de inspección. Este es un informe de investigación de políticas publicado, no un artículo de revista.

Objetivo en el periódico: Precipicio de ingresos netos de las familias de Cambridge y pobreza de Massachusetts simulation. El informe indica una reducción general de la pobreza en todo el estado del 15%, la pobreza infantil del 42%; Estas son predicciones de modelos, no efectos de intervención empírica.

Código y entradas para openfisca-core#

Artefacto o fuente ascendente. El cuaderno de notas del autor exacto está vinculado en el informe, pero el repositorio actualmente devuelve 404. No se recuperó ninguna instantánea inmutable. El informe vincula el histórico OpenFisca-US; El PolicyEngine moderno no se supone intercambiable.

Fuente inspeccionada: No. Árbitro: No establecido.. Comprometerse: No establecido..

Archivos: análisis.ipynb (nombrado por el informe; no disponible para inspección)

Términos: No disponible; no asuma términos de redistribución de fuentes/datos.

Entorno y computación: Entorno histórico OpenFisca-US/Core sin resolver hasta que se recuperen el notebook y el pin de dependencia. El núcleo actual OpenFisca por sí solo no puede recrear un modelo histórico de país o un informe de políticas. Probable CPU microsimulation; tamaño desconocido hasta que se recuperen los datos.

Entradas: Cuaderno del informe original, especificaciones del hogar, resumen de la ley de 2022, microdatos/ponderaciones de la encuesta y supuestos de beneficios; todos todavía necesitan recuperación e inspección de términos.

Acceso a datos: Informe público; cuaderno/datos originales no disponibles actualmente. La plantilla de país genérica OpenFisca es un tutorial independiente y no proporciona este artefacto de investigación.

Construir y comparar openfisca-core#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. # Recovery steps only; no working execution command is established
  2. # Retrieve analysis.ipynb from the author or an authenticated archive; verify it matches the report
  3. # Reconstruct the historical OpenFisca-US and Core versions, law period, data and weights
  4. # Only then execute the recovered notebook in an isolated environment and compare the reported targets.

Resultados esperados: Resultados esperados de la construcción: curva de ingresos disponibles versus ingresos, cambios en la pobreza y comparación de subsidios por hijos neutrales en el presupuesto. Nombres de archivos desconocidos hasta que se recuperó el código.

Comparación con el artículo: Después de la recuperación, compare el abismo de beneficios familiares del informe específico y los cambios porcentuales de pobreza indicados utilizando sus ponderaciones y definiciones originales. Predeclarar tolerancia de redondeo; no utilice las leyes actuales/paquetes de países como reemplazo y llámelo reproducción.

Resultado de la ejecución: Inspección en origen únicamente; No hay nueva ejecución para esta ruta.

Pruebas de ejecución: Ninguno registrado.

Bloqueadores: El repositorio de reproducción exacta devuelve HTTP 404.; Versiones históricas del modelo, derechos de datos de entrada y ponderaciones no recuperadas.

Próxima acción: Solicite el cuaderno/archivo del autor y la especificación de entrada para compartir, o seleccione un artículo alternativo con un archivo sobreviviente antes de crear un recorrido público.

Brechas: Esta herramienta aún no tiene una ruta de código de investigación inspeccionada accesible de este candidato.

Fuentes de openfisca-core#

dinara#

Dynare — ¿Se pueden regenerar las respuestas a las perturbaciones y las estimaciones posteriores de un modelo bayesiano DSGE publicado?

Ruta: Candidato a resultado en papel. Ejecución: Ejemplo ejecutado. Confianza de la fuente: alto.

papel para dinare#

Frank Smets; Rafael Wouters (2007). Shocks and Frictions in US Business Cycles: A Bayesian DSGE Approach. 10.1257/aer.97.3.586.

Tipo de publicación: Ver registro de metadatos primario; no clasificado aquí.. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: registro oficial del artículo de la AEA y página de inicio del paquete de replicación inspeccionados; La inspección de código utiliza una implementación mantenida de terceros.

Objetivo en el periódico: Estimación bayesiana de Paper, descomposición de shocks y respuestas de impulso; Las tolerancias de figuras/celdas de tablas impresas específicas aún requieren una comparación de texto completo. Archivo oficial de replicación DOI 10.3886/E116269V1.

Código y entradas para dinare.#

Artefacto o fuente ascendente. Replicación mantenida por Johannes Pfeifer con correcciones y atribuciones explícitas de Smets/Wouters. Prefiera el archivo original vinculado a la AEA como referencia y diferencias de documento.

Fuente inspeccionada: si. Árbitro: maestro. Comprometerse: 26c21f79e4c6a6b19b18e6330edc5b23489907a4.

Archivos: Smets_Wouters_2007/Smets_Wouters_2007.mod; Smets_Wouters_2007/Smets_Wouters_2007_45.mod; Smets_Wouters_2007/usmodel_data.mat; Smets_Wouters_2007/usmodel_mode.mat

Términos: GPL-3.0 o posterior para esta implementación de Dynare por encabezado; términos de datos/archivo originales separados.

Entorno y computación: Dynare con GNU Octave para tiempo de ejecución abierto; elija la versión Dynare compatible e inspeccione las notas de la versión del modelo. El host no tiene ninguna Octave/Dynare identificada; no se autoriza ninguna instalación del sistema. El modelo predeterminado inspeccionado usa mh_replic=0, mode_compute=0 y el usmodel_mode proporcionado, luego shock_decomposition y; no ejecuta una cadena MCMC completa de forma predeterminada. UPC; modo determinista/verificación IRF menor que la estimación MCMC bayesiana completa.

Entradas: Incluye usmodel_data.mat de siete series y archivo de inicio en modo posterior; La muestra original, las transformaciones, los antecedentes, las opciones de estimación y la semilla deben coincidir con el objetivo seleccionado.

Acceso a datos: Paquete de replicación original vinculado a AEA disponible a través de OpenICPSR; Los datos agrupados existen en un repositorio de terceros. Consulte los términos de acceso/descarga del archivo.

Construir y comparar dinara#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. git clone https://github.com/JohannesPfeifer/DSGE_mod.git
  2. cd DSGE_mod
  3. git checkout 26c21f79e4c6a6b19b18e6330edc5b23489907a4
  4. cd Smets_Wouters_2007
  5. # Proposed Octave command after installing an isolated compatible Dynare runtime
  6. octave --no-gui --eval "dynare Smets_Wouters_2007.mod"

Resultados esperados: Archivos de resultados/modelo Dynare, evaluation en el modo posterior suministrado y descomposición del choque para y en la configuración predeterminada. Los diagnósticos posteriores/MCMC completos requieren cambiar explícitamente mh_replic y las opciones de estimación; El nograph/nodiagnostic predeterminado suprime estas salidas.

Comparación con el artículo: La suma residual de la descomposición exploratoria es 7,1e-15; Densidad de Laplace -1844.0985587 en el modo/configuración proporcionados. El objetivo/muestra/modo numérico publicado originalmente no coincide y las advertencias de tiempo de ejecución/modelo permanecen.

Resultado de la ejecución: Modelo evaluation recién mantenido y descomposición finita de choque 40 × 9 × 230 completada. No se afirma ninguna comparación cuantitativa del artículo original ni estimación posterior.

Pruebas de ejecución: Intento de código de autor; Ejecutar registro

Bloqueadores: El archivo del modo antiguo no se puede verificar con el modelo actual.; El cálculo de límite previo de gaminv no convergió para algunos valores. Dimensiones de matriz negativas convertidas a cero en una configuración de descomposición por impacto.; 33 advertencias de preprocesador de variables de bloque de estado estacionario no asignadas.; El archivo de replicación original oficial requiere una cuenta para descargar.; El modelo mantenido utiliza el modo antiguo suministrado y 230 observaciones; correspondencia con el objetivo de papel seleccionado no verificado.

Próxima acción: Haga coincidir el archivo/muestra/modo original y resuelva las advertencias de compatibilidad de modo/enlace anterior, luego defina una comparación de papel con nombre antes de la estimación posterior completa.

Brechas: El archivo del modo antiguo no se puede verificar con el modelo actual.; El cálculo de límite previo de gaminv no convergió para algunos valores. Dimensiones de matriz negativas convertidas a cero en una configuración de descomposición por impacto.; 33 advertencias de preprocesador de variables de bloque de estado estacionario no asignadas.; El archivo de replicación original oficial requiere una cuenta para descargar.; El modelo mantenido utiliza el modo antiguo suministrado y 230 observaciones; correspondencia con el objetivo de papel seleccionado no verificado.

Fuentes de dinara#

Ver código fuente en GitHub