経済学と金融分野における複雑な動学確率モデルの分析は、従来の数値計算手法では対応しきれない課題に直面している。本稿は、このような高次元モデルの求解と推定に深層学習を応用するための実装志向の入門書である。異質的エージェント経済モデルや重複世代モデル、制約付き連続時間モデル、気候経済モデルといった経済学の重要なモデルクラスは、次元の呪いによって古典的なテンソル積グリッド法の限界に直面している。これらのモデルが生成する膨大な状態空間とパラメータ空間を効率的に扱う必要があるのだ。 本研究では、この課題に対する4つの相補的な方法論を中心に展開している。まず、Deep Equilibrium Netsは離散時間の均衡条件をニューラルネットワークの損失関数に埋め込む手法であり、Physics-Informed Neural Networksは連続時間のハミルトン・ヤコビ・ベルマン方程式やコルモゴロフ前進方程式などの偏微分方程式を近似する。さらに、Deep surrogate modelsは計算量の多い構造モデルに対する高速で微分可能な近似を提供し、ガウス過程を組み合わせることで近似の不確実性を定量化できる。これらの手法は推定、感度分析、制約付き政策設計を支援する。 ガウス過程に基づく動的計画法は、能動学習と次元削減を組み合わせることで、値関数反復を非常に大きな連続状態空間へ拡張する。応用例は代表的エージェントモデル、国際実業循環モデル、異質的エージェント経済、連続時間マクロファイナンス、シミュレーション方法による構造推定、不確実性下の気候経済学など多岐にわたる。TensorFlowとPyTorchの実装ノートが付属しており、実践的な実験を促進している。本論文は急速に進化する分野における主観的かつ不完全なスナップショットであり、博士課程の学生と研究者がこの最先端分野に実践的に取り組むための指南書となることを目指している。