🇬🇧 English · 🇪🇸 Español
Pruebas comparativas de rendimiento computacional
puremacro está optimizado para una ejecución ultrarrápida y sin sobrecostes innecesarios, aprovechando al máximo las operaciones vectorizadas de NumPy y las rutinas BLAS/LAPACK de SciPy.
Tiempos de ejecución de referencia (Apple Silicon M-Series / Linux x86_64)
La siguiente tabla reporta los tiempos de ejecución cronometrados en modelos y estimadores representativos:
| Motor / Modelo | Tiempo de ejecución (ms) | Referencia metodológica | Detalles de implementación |
|---|---|---|---|
| VAR(4) + FRI por Cholesky (\(T=1000, N=5, H=40\)) | 1.07 ms | MATLAB / statsmodels | Recursión de medias móviles vectorizada en NumPy puro |
| Equilibrio general HANK en espacio de secuencias (\(T=40, N_a=50\)) | 111.8 ms | Julia SSJ / Python SSJ | EGM + inversión matricial directa en \(\mathcal{O}(T^3)\) |
| Simulación climática DICE (\(150\text{ años}, 3\text{ cajas}\)) | 0.89 ms | GAMS / DICE2016 | Ciclo de transición de reservorios vectorizado |
| Nowcast por DFM con frecuencias mixtas (\(T=120, N=15\)) | 4.84 ms | Fed de Nueva York / MATLAB | Convergencia EM con SVD para valores faltantes |
| Descenso por coordenadas Elastic Net (\(T=200, P=40, 30\lambda\)) | 39.08 ms | glmnet / scikit-learn | Bucle de umbralización suave en NumPy puro |
| Filtro paso-banda (CF) + Beveridge-Nelson (\(T=500\)) | 3.17 ms | MATLAB / Stata tsfilter |
Proyección de espacio de estados en tiempo lineal |
Los tiempos anteriores corresponden a las rutas de referencia en NumPy/SciPy
sobre CPU. Las alternativas aceleradas por hardware se documentan aparte: el
argumento backend= del solucionador espacial en
docs/es/spatial_and_trade_ge.md y el solucionador
HJB en tiempo continuo en docs/es/vfi_hjb_continuous.md.
Reproducir las pruebas localmente
Ejecute la suite automatizada de pruebas de rendimiento en su equipo: