信息成本的影响与交易策略的转换

从图2可以看出，市场价格（蓝线）与基本价值（黑线）的行为密切相关。在表3中，我们展示了市场价格回报的一些统计特征，从中可以看到表2：参数值。参数值SV 0.01u 0.04φ 4λ 1τ 1200-0.02-0.015-0.01-0.005 0.005 0.01 0.015 0.0205010015002000250030000回报图3：市场价格回报的柱状图和曲线图。使用图2中的数据，按每个时间步计算市场价格的回报。在这幅图中，瘦素性荨麻疹很明显。表3：描述性统计特性。描述性统计属性人-1.94e-06中位数0.000000最大值0.006246最小值-0.006282Std。偏差0.001038偏斜度-0.05051kurtosis 6.632679Jarque-Bera 6602.6400.000000收益率的厚尾特征非常明显。图4显示了基本价值的对数回报率随时间的变化，而图5显示了市场价格。图5清楚地显示了波动性聚集，因此波动性聚集确实是由代理人的交易产生的，就像在真实市场中观察到的那样。此外，我们使用ARCH-LM测试我们的×图4中的波动率聚类：显示基本值对数回报的时间序列示例。对数回报率始终在-0.002和0.002之间，不存在波动性聚集。该仿真演示了白噪声过程。×图5：显示市场价格对数回报的时间序列示例与图4相比，市场价格对数回报的幅度大于基本值的幅度。同时，在这张图中，波动性聚集是显而易见的。基于agent的模型。ARCH-LM测试方程为εt=a+b* εt-1（6）式中，ε表示AR（1）模型估计的残差。结果如表4、表5、表6和表7所示。

表4和表5显示，基本值的对数回归不存在ARCH效应。表4：基本值的ARCH检验。基本值的ARCH检验统计1.262826概率0.261139Obs*R平方1.262904概率0.261102表5：基本值的ARCH检验方程系数。可变系数标准Eror t统计概率A 2.25e-07 3.80e-09 59.14381 0.000000b 0.010260 0.009130 1.123755 0.261100表6：市场价格的ARCH检验。市场价格的ARCH检验F统计512.8676概率0.000000 OBS*R平方0.5771概率0.000000表7：市场价格的ARCH检验方程系数。变量系数标准Eror t统计概率A 9.21e-07 2.54e-09 36.20055 0.000000b 0.202494 0.008941 22.64658 0.000000，而从表6和表7中，我们可以看到市场价格的对数回报率存在拱形效应。图6：市场价格回报率和绝对回报率的自相关性。黑线表示绝对收益的自相关性，蓝线表示收益的自相关性。市场价格收益率之间不存在自相关性，而市场价格的绝对收益率显示出缓慢衰减的自相关性。接下来，我们考虑市场价格回报的自相关性。图6显示了市场价格回报率和绝对回报率的自相关性。我们可以清楚地看到，市场价格的回报率没有自相关性（没有套利的可能性）。然而，我们发现，市场价格指数的绝对回报显示出缓慢衰减的自相关性。

然后我们得出结论，收益率的特征与真实市场相似。GARCH模型提供了一种测试对数价格收益率短期记忆的方法，而Hurstexponent可以用来测试长期记忆。我们运行艺术市场5次，以测试基本价值和市场价格对数价格回报的赫斯特指数。更多细节见表8。我们发现，在五个实验中，基本价值回报的赫斯特指数约为0.5，而在五个实验中，市场价格回报的赫斯特指数远高于0.5。因此，我们可以得出结论，对数基本值收益序列不存在长期记忆，但对数市场收益序列具有长期记忆。表8：基本价值和市场价格的赫斯特指数。基本价值市场价格模拟1 0.5527 0.8435模拟2 0.5771 0.8774模拟3 0.5309 0.9079模拟4 0.5576 0.8681模拟5 0.5653 0.8003表9：代理人的不同百分比。知情交易者非知情交易者零情报交易者转换（ρ）模拟1 12%30%58%0%模拟2 12%23%58%7%模拟3 12%15%58%15%模拟4 12%8%58%22%模拟5 12%0%58%30%3.6。计算设计在测试我们的模型之后，我们考虑了转换和市场价格动态之间的关系。我们的实验设计如下：我们检验了代理人的策略转换与市场波动性之间是否存在某种关系。为此，我们设计了不同开关配置的实验。与[28]类似，我们将把知情和零情报人员的比例分别乘以12%和58%。在我们的模型中，不知情的代理被分为切换者和不能切换的不知情交易者。

我们平均选择5种不同的比例（从0%到30%）作为切换者的百分比，因此我们考虑了表9中所述的5种不同的模型配置。现在的想法是比较不同代理结构下市场价格的波动性。对于表9中提到的每个配置，我们通过为每个市场运行选择一个随机的初始种子，选择30个随机的市场实现。对于每个随机种子，我们在不同的代理结构下运行市场。因此，我们可以确保在不同比例的交换机下有相同不同的市场条件。如果结果不同，我们可以得出结论，这是由于模拟中使用了不同的百分比，而不是不同的随机种子。4.结果图7显示了与表9中报告的5种交易员配置相对应的具有不同切换百分比（ρ）的不同代理的平均订单收益。每幅图都展示了一种类型的经纪人，展示了5种典型的市场行情以及总共30种市场行情的平均值。对于所有类型的交易者，平均回报都是在交易成本之前报告的。但对于转换者来说，图7（c）中报告的平均回报是在信息成本之后，因此不同类型交易者的回报可以进行比较。ρ图7：不同类型代理人的回报率与ρ：（a）知情代理人，（b）未知情代理人，和（c）切换者。30个模拟用于计算每种类型的代理的回报，5个模拟是随机选择的，如图所示。对于不同类型的代理，在每次模拟中使用相同的随机种子。

知情交易者的回报率（图（a）显示出与ρ相比的小幅下降趋势。然而，图（b）和图（c）中未知情交易者和转换者的回报率显示，与转换者的百分比ρ相比，下降幅度更大。我们可以看到，知情代理人的回报率几乎没有变化，只是略有下降（图7（a））。然而，在不知情代理人的情况下，与ρ相比，回报率下降更明显。知情代理人的回报率不存在差异，而在不同的代理人结构下，其他两种类型的回报率明显不同。总的来说，切换者可以选择购买信息，前提是预测准确性的提高可以补偿信息成本，这样他们就能比不知情的代理赚更多的钱。图8显示了不同比例的交换机下的不同市场波动。有人指出，在没有切换器的情况下，在每一个模拟中，市场波动最小，我们可以在30个模拟中得出相同的结论。因此，我们展示的第一个普遍现象是，有切换器的市场比没有切换器的市场更具影响力。第二个是ρ×图8：不同代理结构下的市场波动率百分比越大。与ρ相比，股市波动率明显增加。表10：不同转换比例下的平均市场波动率。切换者的百分比ρ0%7%15%22%30%平均市场波动率0.00043 0.00054 0.00069 0.00079 0.00090在充当切换者的未知情代理中，ρ越大，市场回报的波动性越大，见表10。最重要的是，我们可以得出结论，交换机的行为确实对市场有一定影响，它们是市场中的一个不稳定因素。

我们可以用以下方式解释这种现象：我们发现，切换者的回报率小于切换者的百分比，这意味着他们的预测更多地偏离基本值，变得更不准确。因此，市场波动性更高，成为市场的不稳定因素。然后，我们考虑在给定的切换者百分比ρ下，市场波动性如何取决于在给定时刻积极购买信息的切换者的比例γ。图9显示了作为γ函数的平均市场波动率。数据通过30次模拟平均获得，使用30%的固定百分比开关。我们从其他实验（见表9）中得到了类似的结果，其中ρ的固定值不同。我们可以看到，波动率（最小、最大或正常）随着积极购买γ的转换者比例的增加而下降。具体而言，当在给定时间内信息购买者相对较少（γ低于20%）时，市场波动性较高。相反，当γ大于70%时，市场波动相对较低。一般来说，我们发现，当大多数切换者在给定时间购买信息时，市场波动性较低。相反，如果只有一小部分代理人购买，市场波动性就会很高。因此，我们得出结论，切换行为会影响市场，如果主动切换率较高（意味着更多的切换者成为知情代理人），市场的波动性将较低。这是因为当更多的开关在给定时间切换时，信息的扩散γ×图9：不同比例下的平均波动率γ。γ表示在给定时刻，当切换者的百分比ρ固定（ρ=30%）时，切换者购买信息的比例。

市场价格的波动性是γ的递减函数。价格更高，市场价格接近基本价值。因此，市场更加有效，因此更加稳定。5.结论在本文中，我们研究了基于代理的模型中一些不知情的代理转换为其他类型代理的原因，并分析了转换对市场稳定性的影响。正如Busse等人[14]所示，一些投资者购买分析师的报告并遵循他们的建议。我们设计了一种新型的基于代理的模型，在该模型中，代理决定是否为信息付费，以便在做出交易决定之前获得信息。首先，我们验证了我们的模型，发现了与实际市场中观察到的价格动态相似的特征（程式化事实）。其次，我们分析了在不同条件下转换代理回报率以及市场波动性的影响。第一个结论是，如果市场中存在切换者，市场波动性更大。我们发现，无论切换者的百分比是多少，没有切换者的市场波动率都小于有切换者的市场波动率。因此，我们推断，一般来说，代理人在两种交易策略之间切换的行为会增加市场的波动性。第二个结论是，我们发现，市场中转辙机的比例越大，市场波动性越高。此外，我们发现，当有更多切换者时，未知情代理和切换者的回报率下降，而知情代理的回报率几乎没有变化。因此，我们得出结论，市场中转辙机的百分比ρ越高，转辙机的预测就越不准确，因为它们的回报率随着ρ而降低。因此，由于预测不准确，它们成为市场的不稳定因素。

因此，随着市场中切换者的增多，市场波动性更高。最后一个结论是，如果市场中有固定比例的转换者，有更多的转换者积极购买信息，以了解给定时间的基本价值，那么市场波动性会更低。换句话说，转换的百分比与当前的市场波动率呈负相关。我们可以通过这样一个事实来解释这一点：知道基本价值的转换者越多，市场价格就越接近基本价值。因此，市场波动性较低。总体而言，我们发现，市场波动性确实随着市场中切换者比例的增加而增加，但随着更多切换者积极购买信息以了解基本价值，市场波动性将降低。因此，切换者的行为能否增加或减少市场波动取决于具体情况。如果切换者总是为了解基本价值而支付信息费用，则市场波动率较低，而如果切换者总是在两种决策类型之间切换，则市场波动率较高。然而，在转换方面仍然存在未解决的问题。我们可以得出结论，根据策略的过去表现追求更多收益是交易者转换策略的原因之一。还有一些我们在文章中没有考虑到的其他原因可能会导致诸如放牧等转换。因此，确实需要更多的研究来证实交易者在不同决策类型之间切换的原因。致谢：我们感谢编辑H.E.Stanley和匿名推荐人的有用建议，这些建议帮助我们大幅改进了论文。我们还要向李建伟表示衷心的感谢，他为改进本文提供了有益的意见。

本研究得到了国家自然科学基金重点项目71131007和教育部创新团队项目IRT1028的资助。参考文献[1]R.Franke，F.Westerhoff，《资产定价动态中的结构随机波动：估计和模型竞赛》，J.Econ。戴恩。控制36（2012）1193–1211。[2] W.A.布罗克，C.H.霍姆斯，《通往随机性的理性路径》，计量经济学65（1997）1059–1095。[3] 从A到C，从简单到混乱，从A到B，从A到B，从A到B，从A到C，从A到B，从A到C，从A到B，从A到C，从A到C，从A到C，从A到C，从A到C，从C到C，从A到C，从C到C。戴恩。控制22（1998）1235-1274。[4] R.J.Shiller，股价是否波动过大，以至于无法通过随后的股息变化来调整？，是经济部。牧师。71 (1981) 421–436.[5] S.D.勒罗伊，R.D.波特，《现值关系：基于隐含方差界限的检验》，计量经济学49（1981）97–113。[6] M.D.古尔德、M.A.波特、S.威廉姆斯、M.麦克唐纳、D.J.芬、S.D.豪森，《限价订单手册》，牛津大学工作文件（2012年）。[7] C.Di Guillmi，X.-Z.何，李克强，《羊群效应、趋势追踪与市场波动》，第337号工作文件（2013年）。[8] A.Chiarella，X.何，《简单资产定价模型中的异质信念、风险和学习》，计算机。经济部。19 (2002) 95–132.[9] 勒克斯，羊群行为，泡沫和崩溃，经济学。J.105（1995）881-889。[10] T.Lux，M.Marches，《金融市场中的波动性聚集：交互代理的微观模拟》，国际期刊。理论。还有苹果。《金融3》（2000）675-702。[11] M.Youssefmir，B.A.Huberman，《多智能体动力学中的聚集波动性》，J.Econ。比哈夫。器官32 (1997) 101–118.[12] S.Dawson，香港市场是否有效？，J.投资组合管理。8 (1982) 17–20.[13] 李政杰，基本面分析与股市，J·巴斯。菲南。账户14 (1987) 131–141.[14] J.巴斯，C.格林，N。

Jegadeesh，《买方交易和卖方建议：互动和信息内容》，J.Financ。做记号15(2010) 207–232.[15] S.Grossman，J.Stiglitz，关于信息有效市场的不可能性，Amer。经济部。牧师。70 (1980) 393–408.[16] B.D.Grundy，Y.Kim，《异质信息经济中的股市波动》，J.Financ。定量。肛门。37 (2002) 1–27.[17] M.Kirchler，J.Huber，《实验性资产市场中的厚尾和波动性聚集》，J.Econ。戴恩。控制31（2007）1844-1874。[18] S.Alfarano，T.Lux，F.Wagner，基于主体模型的估计：不对称放牧模型的案例，计算机。经济部。26 (2005)19–49.[19] T.Lux，S.Schornstein，《基因学习作为外汇市场程式化事实的解释》，J.Math。经济部。41 (2005) 169–196.[20] A.Weinbaum，投资者异质性，资产定价和波动动力学，J.Econ。戴恩。控制33（2009）1379–1397。[21]J.Y.坎贝尔，J.H.科克伦，《习惯的力量：基于消费的总体股市行为解释》，J.波利特。经济部。107(1999) 205–251.[22]G.Bulkley，I.Tonks，英国股票价格是否过度波动？交易规则和方差界限测试。J.99（1989）1083-1998。[23]A.Timmermann，《带学习的自回归股息模型中股价的过度波动性和可预测性》，修订版。经济部。螺柱。63(1996) 523–557.[24]L.Corrado，M.Miller，L.Zhang，多头、空头和过度波动：货币干预能有所帮助吗？，国际金融。经济部。12 (2007) 261–272.[25]J.Bullard，J.Duffy，《学习与过度波动》，宏观经济学。戴恩。5 (2001) 272–302.[26]J.Wohlmuth，J.Vitting Andersen，《金融市场建模与代理人在不同时间尺度和不同信息量上的竞争》，Physica A 363（2006）459–468。[27]J.吉尔·巴佐，D.莫雷诺，M。