金融市场价格变化趋势的可能来源

也就是说，ai>0和ai<0的经销商分别以买家和卖家的身份进行交易。在该模型中，假设每个经销商都有自己的期望。因此，AIA的值是从一个范围内的统一随机数中选择的，{ai}的平均值被设置为零，这使得经销商对买卖的总体预期保持平衡。由于交易商根据其在实际金融市场中的条件和情况成为买家和卖家，交易的细节非常复杂。然而，为了简化这种情况，由于该模型假设所有交易商都拥有大量财产，即使交易完成，交易商也不会改***度（也就是说，援助的迹象不会改变）[4,5]。此外，假设该模型处于不变状态（稳态）。因此，aido的值在分配后不会改变[4]。这种模式的一个独特之处在于，它考虑了买家和卖家对下一笔交易的收购。假设可以参与交易的买方和卖方希望他们可以再次参与下一笔交易，买方的价格更低，卖方的价格更高。其他无法参与之前交易的经销商没有这种心理倾向。为了反映这种趋势iis介绍：我=-δ（对于买方），δ/n（对于卖方），0（对于交易的非参与方），（3）其中0<δ<L，n是交易的卖方数量。也就是说，买方的下一个买价比当前买价下降δ，卖方的下一个卖价比当前卖价上升δ/n。无法参与下一笔交易的买家和卖家没有任何预期。还有，当情商。

（1） 广义上讲，有三种经济预期：（i）短视预期，（ii）适应性预期和（iii）理性预期。在实际的金融市场中，经销商的期望值应该基于一些原因给出。然而，我们并没有在本文中解释它。图3：（彩色在线）电路原理图 当等式（1）满足时，从时间t到t+1。每个竖杆的长度为常数L。每个竖杆的顶部和底部分别对应于每个经销商的上限和下限价格。这个买家的身份是-δ和卖方的数量是δ/n，其中0<δ<L，n是卖方的数量。δ的值是由式（3）确定的常数。在该图中，买方为i=2，卖方为i=1和3（n=2），经销商i=4不参与交易。不满意（即未达成交易），i=0表示所有i。请注意iis零。基于这些想法，DealModel 92中第i个经销商的价格更新由Bi（t+1）=Bi（t+1）给出i（t）+ai+ci{P（t）- P（tprev）}，（4）其中ci表示第i个交易商对市场价格变化的反应，tprev表示最后一笔交易完成的时间[4]。等式（4）的行为已经被仔细检查了ci、Ai和经销商数量n的各种值，众所周知，当ci6=0[4,12]时，等式（4）极不稳定且不可控。详情请参见[12]。因此，我们使用等式（4）和ci=0作为我们工作的起点，即sbi（t+1）=Bi（t）+i（t）+ai。（5） （a）（b）图4：经销商模型92的模拟价格数据P（t）的典型行为，公式（5）和公式（3），其中（b）是（a）的放大，黑圈标记和直线都用于显示（b）中价格变化的细节。对于模型N=100，L=1，α=0.01和δ=0.4。

a的值和Bi（t）的初始条件取自范围内的均匀随机数(-α、 α）和(-五十、 L）分别。2.2. 92型经销商的典型行为我们用公式（3）展示了92型经销商产生的典型行为i、 为了生成数据，我们取经销商数量N=100，δ=0.4。Bi（t）的初始值取自该范围内的均匀随机数(-五十、 L）L=1。式（5）中的Ai值取自范围内的均匀随机数(-α、 α），α=0.01。如上所述，为了平衡经销商的买卖热情，等式（5）中{ai}的平均值设置为零。图4显示了价格数据P（t）的典型行为，其中我们仅在交易完成时使用价格数据。在图4（a）中，表明行为在长时间内是稳定的，P（t）在显示短期变量的平均值附近波动，但没有趋势。图4（b）显示，价格P（t）没有急剧变化，但随着时间的推移略有变化。2.3. 缺乏趋势的一些观察结果和可能原因经销商期望值{ai}均值的零值意味着经销商期望值的总体总和为零。我们注意到，{ai}的平均值的设置在[4]中没有提到，在[12]中提到时非常随意。然而，我们注意到，设置是至关重要的。如果没有此设置，经销商模型92使用公式（3）生成的数据在几乎所有情况下都只显示单调的增加或减少，即使我们使用公式（5）（即公式（4），ci=0）。不一定意味着ai>0的经销商数量应与ai<0的经销商数量相同。图4中ai>0的经销商数量为38，其中经销商总数为100。从观察结果来看，当经销商的买入和卖出预期相等时，趋势不会出现。

换言之，打破经销商对买卖的预期平衡可能对形成趋势至关重要。基于这一想法，我们将在下一节中尝试在某些特定情况下产生趋势。3.探索趋势的起源在本节中，我们尝试通过将Dealer模型92扩展到适合两种现实情况的方向来产生趋势。一个是假设的趋势。我们表明，一种趋势出现在个体经销商对即将到来的价格变化的预期方向的意图中。另一个是没有假设的趋势。我们表明，一种趋势几乎是自发出现的，仅来自经销商的不完整信息，即使他们对交易没有任何意图。在分别考虑了这两种趋势之后，我们将这两种想法结合到一个模型中，并使用它生成数据。3.1. 趋势与假设：有预谋的趋势我们在这里表明，我们只有通过引入个体经销商的意图对即将到来的价格变化的预期方向的影响，才能产生单调的增加或减少趋势。人们普遍认为，相对长期的持续趋势是由基本面产生的。据认为，影响经销商长期意图的基本面和相对长期的主要趋势都是由经销商的假设产生的。我们认为，由于基本面变化，基础设施的影响通过假设经销商在相对长期内的价格变化方向进入经销商模型。这样的买家数量是一个稍微极端的例子。

因为{ai}均匀分布在-α和α大于0时，ai大于0的数量通常约为总数的一半。我们注意到，基本面类型和趋势类型之间的对应关系基本上是未知的。因此，我们避免过度解释这个等式。（3） （5）表明，当一笔交易完成时，买家会降低下一笔交易的成交价格，期望可能以更便宜的价格购买。类似地，当一笔交易完成时，卖家会提出下一笔交易的销售价格，期望有可能以更高的价格出售。当市场中存在预期的价格变化方向时，收购行为如何变化？当市场预期价格变化的增加（或减少）方向时，无论经销商是买家还是卖家，似乎都有可能认为如果经销商提供更高（或更低）的价格，其他经销商也不太可能在下一笔交易中采取相同的态度。为了结合这一想法，我们用小值ε带εsas重新定义等式（3）：我=-δ×（1.0+εb）（对于买方），（δ×εs）/n（对于卖方），0（对于交易的非参与方），（6）其中，0<δ<L，n是交易的卖方数量，按Q计算。(3). 对于新引入的参数，ε带εs，-1.≤ εb≤ 0和εs≥ 0当预期价格变化单调增加时，0≤ εb≤ 1和εs≤ 当预期价格变化单调下降时为0。图5是经销商模型92生成的数据，公式（6）代替了公式（3），其中εb=±0.002和εs=0。我们发现εb=-0.002和图5（a）中εb=0.002o的单调下降趋势。

应该注意的是，由于这些单调增加和减少的趋势非常缓慢，如果我们观察时间较短，我们无法清楚地识别这些趋势，如图5（b）所示。我们还确认，（εb，εs）=（0，0.002）的经销商型号92也表现出类似的行为。虽然这些参数的值很小，但这一微小的别有用心会产生重大趋势。结果表明，这种趋势是建立在买家和卖家之间求知欲的微妙平衡上的。研究结果还表明，即使经销商的心理倾向发生了很小的变化，也会带来关系，不会触及问题。我们只关注如何通过经销商的假设产生单调的增加和减少趋势的问题。虽然aigoes带来的价格上升，而δ带来的价格下降，但由于δ大于ai，因此总要价下降。（a） （b）图5：（彩色在线）DealModel 92通过等式（6）生成的单调增减趋势，其中（b）是（a）的放大。εb=-对于单调增加趋势为0.002，对于单调减少趋势为εb=0.002，对于这两种情况，εs=0。没有趋势的数据与图4（a）所示的数据相同。我们展示它以供比较。所有其他条件在图4中相同。对市场价格有重大影响。当我们使用更大的εborεsor值时，当我们使用ε带εstogether对时，我们已经证实可以获得更陡峭的趋势。3.2. 没有假设的趋势：未经深思熟虑的趋势在上一节中，我们已经证实，单调的趋势是由经销商对即将到来的价格变化的预期产生的，即使它是微小的。在这种情况下，我们可以根据个体经销商的行为来猜测或估计他们的潜在期望。

在数值计算中，我们可以获得所有交易的完整信息。然而，应该强调的是，在实际交易中几乎不可能获得完整的信息。在本节中，我们关注的是只有不完整的交易信息可用，基本面和技术分析对金融市场几乎没有影响的情况。让我们仔细检查经销商92型的一个重要功能。一般来说，实际金融市场中的所有经销商都不可能事先知道每笔交易中的卖家数量。然而，方程式（3）中包含了卖方数量n，以反映经销商的收购性质。也就是说，经销商模型92包含一个在实际交易中无法提前知道的参数，尽管该参数n在模型中起着关键作用。如式（3）所示，当交易完成时，买方价格下降δ，n个卖方价格中的每一个价格上升δ/n。换句话说，卖方价格上涨的总金额n×δ/n正好补偿了买方价格δ的下降。由于这种精确的补偿效应，带有等式（3）的经销商模型92生成的价格数据只有短期变量，没有趋势。卖家提前知道任何交易中卖家的确切数量是不太可能的，也是不自然的（实际上没有经销商知道）。然而，有可能知道过去交易中卖家的数量。让我们检查图4所示数据的卖家数量的行为。图6显示，每笔交易的卖家数量差异很大，最小为1，最大为14。利用过去的数据预测下一批卖家似乎并不容易。在这种情况下，每个卖家都别无选择，只能自己猜测下一次的价格变化。

因此，购买和出售的预期并不总是被抵消。为了简单地描述这种情况，我们使用平均卖方数un（t）代替等式（3）中的精确卖方数n，其中un（t）是计算时间t（即从1到t）之前的所有卖方数- 1). 我们注意到这个想法并不是那么无关紧要。当预测未来价值似乎并不容易时，常用的方法之一是使用过去价值的平均值：过去参与交易的卖家的平均数量。基于这些考虑，公式（3）修改如下：我=-δ（对于买方）、δ/un（t）（对于卖方）、0（对于交易的非参与方），（7）其中0<δ<L。图7显示了通过等式（7）进行修改的经销商模型92的行为，其中使用了平均卖方数，而不是精确卖方数。图7（a）显示了模拟的价格数据P（t），我们将小规模替代法（SSS）应用于数据[13]。结果表明，数据是独立分布的随机变量或时变随机变量。因此，我们得出结论，我们无法使用过去的数据预测卖家的数量。这种调整的实质是在卖方价格上涨和买方价格下跌之间造成不平衡。虽然买家的价格下降了-δ是等式（7）中的恒定值，买方可以根据情况改变该值，并且可以使用随时间变化的值（即，-δ（t））。然而，我们使用-δ表示简化。（a） （b）图6：图4的卖家数量。数据由ofEq的经销商型号92生成。(5). （b）图是（a）图的放大图。所有其他条件在图4中相同。短期内表现出上升和下降的趋势。

与图4所示的原始经销商型号92的行为不同，这是因为在定义我很震惊。整体行为似乎与图1所示的真实数据相似。如图4所示，带有等式（3）的原始决策者模型92只生成没有趋势的行为[4]。虽然我们没有输入之前准备好的趋势，也没有向模型中添加任何驱动力项来强制生成趋势，但在无法提前获得有关交易的完整信息的情况下，会出现各种趋势。这一结果意味着经销商模型本质上包含了在不添加任何外部术语的情况下分析行为趋势的能力。图7（b）显示，卖家的平均数量收敛得非常快。相比之下，从显示每笔交易中卖家数量的图7（c）可以看出，每笔交易的卖家数量在1到13之间波动很大。其行为类似于图6（a）。我们强调，很少有人报告经销商模型92中出现的价格变化（即“趋势”）的长期单调增减。在图7中，我们使用t处交易之前的所有卖方编号数据计算un（t），尽管对所有卖方编号取平均值并非必要。对某个区间内的数据进行平均，也就是说，t中最后100个卖方编号的数据- 1托特- 100，同样也可以用于生成趋势。如上所述，带有当前修正式（7）的经销商模型92不包括产生之前准备好的趋势的驱动力项。这一结果表明，趋势不是由外部驱动力动态产生的，而是由个体经销商的微观预期的集合自发产生的。图8显示了与图1所示不同的行为。

7（a），其中使用了不同的BIAN初始条件和不同的AIA值。我们发现无花果中存在短期变化和趋势。8（a）和（b）。我们还可以识别各种各样的运动，如无花果中的向上、向下或侧向运动。8（a）和（b）。长期趋势包括短期内的内部趋势。例如，在图8（b）中，我们识别出7000和8500之间以及9000和11000之间的滴答声的下降趋势，以及11000和12000之间的上升趋势。当我们从更长的时间尺度来看这些价格变化时，我们发现在7000到15000之间有下降趋势。因此，总体下降趋势包含这三个短期趋势。我们还发现了另一个功能。市场价格演变的一个特征变化是其急剧或突然的变化[4]。我们在图1（a）中找到了介于25500和26000之间的刻度，在图1（b）中找到了介于24900和25500之间的刻度。我们还在图8（b）中发现13700和13800之间存在类似的急剧变化。值得注意的是，通过等式（7）对原始DealModel 92进行一点修改，就可以产生各种各样的价格变化，显示出真实金融市场中的重要特征。我们将SSS方法应用于卖家数量（而非平均数量）[13]。正如之前将SSS方法应用于平均数一样，结果表明卖家的数量也是独立分布的随机变量或时变随机变量。（a） （b）（c）图7：使用过去平均经销商数量的经销商型号92的典型行为。（a） 模拟价格数据P（t），（b）卖家的平均数量，以及（c）每笔交易的卖家数量。所有其他参数设置与图4.3.3相同。