Ajit Desai est un scientifique des données principal dans la Division de recherche du Département des opérations bancaires et paiements de la Banque du Canada. Ses travaux actuels s'appuient sur des techniques de pointes telles que l'intelligence artificielle, l'apprentissage automatique et l'informatique quantique pour étudier les données de paiement (y compris les données de crypto-monnaie) dans le but principal de rendre l'infrastructure de paiement numérique du Canada sûre et efficace. Dr. Desai a obtenu son doctorat de l'Université Carleton en 2018 en sciences et ingénierie computationnelles et une M.S. en génie aérospatial de l'Institut indien de technologie de Madras en 2011.
Nous passons en revue une sélection d’études tirant parti de l’apprentissage automatique à des fins de recherche économique et d’analyse de politiques. Notre examen fait ressortir les circonstances où l’apprentissage automatique est utilisé en économie, les modèles préférés en général, et la façon dont ils sont utilisés.
Notre cadre d’apprentissage automatique à deux niveaux peut renforcer la surveillance des transactions en temps réel dans les systèmes de paiement de grande valeur, lesquels représentent un élément central de l’infrastructure financière d’un pays. Testé sur des données provenant de systèmes de paiement canadiens, le cadre s’est révélé capable de détecter avec précision des transactions anormales. Il pourrait contribuer à améliorer la résilience informatique et opérationnelle des systèmes de paiement.
Nous évaluons de façon quantitative les changements observés dans le comportement des participants à l’égard des paiements par suite de l’adoption de Lynx, le nouveau système de paiement de gros du Canada. Selon notre analyse, le mécanisme d’économie des liquidités de Lynx favorise la mise en commun des liquidités et l’envoi rapide des demandes de paiement, ce qui améliore l’efficience pour les participants mais entraîne des délais de paiement un peu plus longs.
Nous élaborons un algorithme et l’exécutons sur un calculateur quantique à recuit simulé par l’intermédiaire d’un solveur hybride. L’objectif est de trouver la séquence des paiements en attente de règlement qui permet de réduire le montant de liquidités nécessaire dans le système sans faire augmenter cette attente de façon considérable.
Nous démontrons l’utilité des données des systèmes de paiement et des modèles d’apprentissage automatique pour les prévisions macroéconomiques et proposons un ensemble d’outils économétriques pour surmonter les défis qui leur sont associés.
Nous montrons que les techniques d’apprentissage par renforcement permettent d’estimer les fonctions de réaction optimale des banques qui participent aux systèmes de paiement de grande valeur – un jeu stratégique du monde réel caractérisé par des informations incomplètes.
Nous utilisons des données sur les paiements de détail et des techniques d’apprentissage automatique afin de prévoir les effets de la COVID-19 sur l’économie canadienne en temps quasi réel. Notre modèle améliore de façon considérable la précision des prévisions macroéconomiques comparativement à un modèle de référence linéaire.
Castro, P. S., Desai, A., Du, H., Garratt, R., & Rivadeneyra, F. (2024). Estimating policy functions in payment systems using reinforcement learning. ACM Transactions on Economics and Computation.
McMahon, C., McGillivray, D., Desai, A., Rivadeneyra, F., Lam, J., Lo, T., Marsden, D. et Skavysh, V. (2024). Improving the efficiency of payments systems using quantum computing. Management Science.
Chapman, J. T., & Desai, A. (2023). Macroeconomic predictions using payments data and machine learning. Forecasting, vol. 5, no 4, p. 652-683.
Desai, A., Lu, Z., Rodrigo, H., Sharples, J., Tian, P., & Zhang, N. (2023). From LVTS to Lynx: Quantitative Assessment of Payment System Transition. Journal of Payments Strategy & Systems, vol. 17, no 3, p. 291-314.
Chapman, J. T., & Desai, A. (2020). Using payments data to nowcast macroeconomic variables during the onset of COVID-19. Journal of Financial Market Infrastructures, vol. 9, no 1.
Desai, A., Khalil, M., Pettit, C. L., Poirel, D., & Sarkar, A. (2020). Domain Decomposition of Stochastic PDEs: Development of Probabilistic Wirebasket-based Two-level Preconditioners. Journal of Computational Physics (review).
Desai, A., Khalil, M., Pettit, C., Poirel, D., & Sarkar, A. (2018). Scalable domain decomposition solvers for stochastic PDEs in high performance computing. Computer Methods in Applied Mechanics and Engineering, vol. 335, p. 194-222.
Desai, A., Witteveen, J. A., & Sarkar, S. (2013). Uncertainty quantification of a nonlinear aeroelastic system using polynomial chaos expansion with constant phase interpolation. Journal of Vibration and Acoustics, vol. 135, no 5.
Desai, A., & Sarkar, S. (2010). Analysis of a nonlinear aeroelastic system with parametric uncertainties using polynomial chaos expansion. Mathematical Problems in Engineering.
Nous utilisons des témoins pour nous permettre de continuer à améliorer le présent site Web.
