A carregar...
Publicação
Simulating CBDC effects on monetary policy with agent based modelling and reinforcement learning : the brazilian case
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.66 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
This study proposes a research path that combines monetary economics with reinforcement learning to analyze how Central Bank Digital Currency (CBDC) design can shape adoption patterns and ѐnancial stability. Using the Brazilian Drex as the empirical foundation, it develops an agent-based model where consumer adoption, merchant acceptance, and bank balance sheet dynamics emerge from micro-level interactions, calibrated to Brazilian financial system parameters. The methodology compares three policy approaches: (1) a ѐxed baseline policy, (2)rule-based adaptive heuristics, and (3) a reinforcement learning agent that learns optimal policy schedules through oѓine training episodes. The RL agent dynamically adjusts wallet transaction limits and bank leverage constraints based on observed system states, seeking to maximize adoption velocity while maintaining financial stability. By training on simulated episodes and deploying learned policies, the framework enables central banks to explore the policy space systematically, discovering adaptive strategies that balance the competing objectives of rapid digital currency diffusion and banking sector stability. This contributes to the ongoing dialogue on how central banks might design frameworks for digital currency implementation that respond to the complex, evolving nature of modern financial systems.
Este estudo propõe uma linha de investigação que combina economia monetária coma aprendizagem por reforço para analisar como o desenho de Moedas Digitais do BancoCentral (CBDC) pode moldar padrões de adoção e a estabilidade financeira. Utilizando o Drex brasileiro como base empírica, desenvolve-se um modelo baseado em agentes onde aadoção pelo consumidor, a aceitação pelo comerciante e a dinâmica do balanço dos bancos emergem de interações a nível micro, calibradas aos parâmetros do sistema financeiro brasileiro.A metodologia compara três abordagens de políticas: (1) uma política de base fixa, (2)heurísticas adaptativas baseadas em regras e (3) um agente de aprendizagem por reforçoque aprende agendas de políticas ótimas através de episódios de treino oѓine. O agente deaprendizagem por reforço ajusta dinamicamente os limites de transação da carteira e as restrições de alavancagem bancária com base nos estados observados do sistema, procurandomaximizar a velocidade de adoção enquanto mantém a estabilidade financeira.Ao treinar com episódios simulados e implementar políticas aprendidas, a estrutura permite aos bancos centrais explorar o espaço das políticas de forma sistemática, descobrindo estratégias adaptativas que equilibram os objetivos confliitantes de rápida difusão de moedas digitais e a estabilidade do setor bancário. Isto contribui para o diálogo contínuo sobre aforma como os bancos centrais podem conceber quadros para a implementação de moedasdigitais que respondam à natureza complexa e em constante evolução dos sistemas financeiros modernos.
Este estudo propõe uma linha de investigação que combina economia monetária coma aprendizagem por reforço para analisar como o desenho de Moedas Digitais do BancoCentral (CBDC) pode moldar padrões de adoção e a estabilidade financeira. Utilizando o Drex brasileiro como base empírica, desenvolve-se um modelo baseado em agentes onde aadoção pelo consumidor, a aceitação pelo comerciante e a dinâmica do balanço dos bancos emergem de interações a nível micro, calibradas aos parâmetros do sistema financeiro brasileiro.A metodologia compara três abordagens de políticas: (1) uma política de base fixa, (2)heurísticas adaptativas baseadas em regras e (3) um agente de aprendizagem por reforçoque aprende agendas de políticas ótimas através de episódios de treino oѓine. O agente deaprendizagem por reforço ajusta dinamicamente os limites de transação da carteira e as restrições de alavancagem bancária com base nos estados observados do sistema, procurandomaximizar a velocidade de adoção enquanto mantém a estabilidade financeira.Ao treinar com episódios simulados e implementar políticas aprendidas, a estrutura permite aos bancos centrais explorar o espaço das políticas de forma sistemática, descobrindo estratégias adaptativas que equilibram os objetivos confliitantes de rápida difusão de moedas digitais e a estabilidade do setor bancário. Isto contribui para o diálogo contínuo sobre aforma como os bancos centrais podem conceber quadros para a implementação de moedasdigitais que respondam à natureza complexa e em constante evolução dos sistemas financeiros modernos.
Descrição
Palavras-chave
Central bank digital currencies CBDC Reinforcement learning Machine learning Agent-based modelling Central bank Monetary policy Moedas digitais dos bancos centrais Aprendizagem por reforço Aprendizagem de máquina Modelação baseada em agente Banco central Política monetaria
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC