基于代理的模型能否探测市场微观结构？

与许多现有的ABM文献一样，程式化的以事实为中心的验证程序明确指出，此类验证程序事实上可能并非如此，至少有理由对模型的某些扩展是否会导致以事实为中心的验证产生怀疑。值得注意的是，对于与其中一个平滑目标相关的theter，λCλ已在本次调查中证明了这一行为。这很可能是因为Jacob Leal et al.（2015）模型中的其他参数成功校准了参数。目标函数δSαuαuδ经常会耗尽订单，这反过来又会导致不现实和不稳定的模拟价格动态。在这些区域中，可能会影响λ和cλ的收敛，因为它们的影响不会像对典型参数（Platt和GebbieSection 4中观察到的收敛）那样占主导地位。E、 用于构建包含真实订单匹配过程的连续双拍卖市场日内ABMs的方程，二元关系主要由方程驱动，其他参数在很大程度上退化。这可能表明，价格远不止于2014年6月之前的总和）。λCλgenceλCλ进入校准程序，我们考虑只涉及λ和Cλ的单独校准实验。tices的参数空间太小，无法随机初始化。我们从随机初始化的100个个体的初始群体开始，使用相同的过程总共8次，以获得第4节中的置信区间。B

所有其他表2。表4：遗传算法校准结果（λ，Cλ）参数95%Conf Ints√nλ[193.2596，196.5567]0.6972Cλ[18.7165，19.4306]0.1510λCλ算法参考表4，我们看到，当只有λCλ经验时，我们观察到图5中有意义的收敛最小值。表5：δSα，u）参数95%Conf Ints√nδ[0.0653，0.0958]0.0064S[0.0163，0.0405]0.0051α[0.1167，0.1926]0.0160u[0.0608，0.0924]0.0067δSαu从涉及代理算法的8个独立校准实验中得出。最后，我们重复参数λ和cλ、δ采用的遗传算法实验Sαu遗传算法，如表5.5所示。现实的订单匹配程序和价格动态在我们当前和之前的调查中，市场微观结构的特征，如订单簿深度和限价订单价格的相关动态，可以通过对参与特定市场的代理进行日内ABMs校准来可靠地检测，并且代理行为往往难以推断是否具有显著的可信度。这自然会导致对模拟价格时间序列的ABM的讨论，该时间序列是使用真实的或两种主要现象生成的，即价格对单个订单的响应和到达市场的订单流量。因此，我们研究这如何适用于使用Traday ABM模拟的市场。在日内定价时间序列和目标函数中确定订单价格。（2006）型号。需要考虑的关键问题是，是否存在这种情况。（2006）模型实际上产生了一种现实的、非平凡的秩序流。realet al.2008中order Flow的一个著名属性）。

这种现象可以观察到特定martrades的交易符号时间序列，卖方发起的交易为-1），这与滞后数量的增加有关（2011年）。0 10 20 30 40 50 60 70 80 90 100滞后-0.0500.050.10.150.20.250.30.35自相关自相关函数95%置信区间图6：使用测量数据和以下理论从我们的校准数据集检索，卖方启动并计算了相关的相关函数，如图6所示，以与模型校准数据相关的顺序流捕获。表6：默认模型参数设置参数默认值δ0.0250λCλS0.0010α0.1500u0.0250（2006）和Preis et al.（2007）图7显示了Preis et al.（2006）描述的自相关函数参数，我们在表6中给出了这些参数。我们发现Preis等人（2006年）的模型并没有捕捉到这种动态特征。0 10 20 30 40 50 60 70 80 90 100滞后-0.05-0.04-0.03-0.02-0.0100.010.020.030.040.05自相关平均自相关函数95%自相关函数平均置信区间95%置信区间图7：超过50 Preis等。

（2006）表6所示的模型如表2所示，我们看到缓慢衰减的相互组合导致了更现实的结果。仔细检查后发现，表2中各个参数的值发生了变化，但S、 重复这个练习并没有使这些更现实此参数的S值导致长内存流量。如图4所示：δS令人惊讶的是，这个目标函数值较低的区域实际上与那些在模拟顺序流中观察到长记忆的区域相对较好。0 10 20 30 40 50 60 70 80 90 100滞后-0.05-0.04-0.03-0.02-0.0100.010.020.030.040.05自相关平均自相关函数95%自相关函数平均置信区间95%置信区间图8：在50个Preis等人（2006）之前使用的模型，SDoE确实发挥了一些作用。对于这反映在Son获得的价格时间序列，其本身反映在效果中Sbe已确定。虽然模拟的顺序与数据中观察到的顺序相同，但可能是因为试图捕捉这些动态。CλλSα|||||||||Δ消除这些参数并没有影响pres（2008）成为真实市场价格背后的驱动力，这似乎反映在早期的ABMs中，我们观察到这些参数对模拟价格时间序列的影响并没有很好地定义。真实匹配过程在日内ABMs中的应用。对订单流量或单个订单本身产生明确影响的参数会产生良好的定义。这些参数倾向于植根于代理行为，而不是价格时间序列，导致校准困难。retti（2013）。在使用封闭式解决方案确定市场价格时，可以直接执行市场价格时间序列。

与此相反，日内的真实匹配过程模拟了单个订单的性质，导致了准随机动态。贸易符号自相关的恢复潜在订单的讨论。这是自上而下因果关系的一个关键潜在来源（Wilcoxand Gebbie 2014），可能会导致这种类型的完整性。隐藏他们的意图，从而避免那些试图收购或清算大量股票的流动性接受者无法通过下单来实现的谎言，并将单亲订单分解为多个子订单，从而导致观察到的商标自相关（Tóth et al.2011）。因此，供需的真正本质不是订单。驱动潜在流动性的交易目的可以在与订单非常不同的时间尺度上运行，可能要长得多（Bouchaud et al.2008）。因此，在今后的工作中，可能值得考虑对本研究中涉及的反应扩散模型进行校准。al.（2014b）和Gao和Deng（2014）。很明显，所考虑的ABM虽然没有明确考虑潜在订单，但已经能够再现ABM中嵌入的一些特征规划潜力，即具有再市场的连续双重拍卖市场。雅各布·莱尔等人独特地确定生成过程的能力为这种可能性提供了进一步的证据。模型不具备探测市场微观结构的能力。关于书籍可能来源的If动力学（Bouchaud et al。

2008年；Bonart 2015），我们使用校准来确定无需先验参数调整即可恢复合理顺序流量自相关的参数。这并没有解决人们的担忧，即入门市场和不同代理类别的行为无法得到有力解决，因为过于复杂和机械的内部机制可能会在寻求节俭但有用的模型表示时适得其反。关于市场参与者智能行为的总体假设通常导致难以测试的模型（Ziliak和McCloskey2004），因为大量的辅助假设增强了真实市场中特定预测现象学的形式可接受性。这可以被视为导致一种情况，即模型似乎通过了一种可以使用替代解释恢复的多样性（Farmer等人，2005年；Ziliak和McCloskey2004年）。正如Farmer et al.（2005）和Smith et al.（2003）所述，可以想象，当我们知道真正的代理人从一个非常不同的出发点参与时，可能会告诉我们一些重要的事情（Bouchaud et al.2008），这确实是推动金融市场价格的公司。正如Farmer等人（2005年）所述，这并不能回答双重拍卖市场可以是与订单流量和订单价格规格直接相关的充分参数，与复杂的代理行为无关。6.

相关的Caveatscurrent研究范式，如仅使用程式化的以事实为中心的验证，以及在没有强制模型校准的情况下，财务ABM的机械复杂性持续增加。虽然本手稿的很大一部分致力于讨论与当前日内方法相关的可能问题，但校准方法本身与普拉特和格比（2016）相关。近似奇异矩阵的反演。我们认为，对于某些λCλ之前的研究（Platt和Gebbie 2016），光滑的目标函数曲面是相关的关注点。综上所述，我们研究的两种方法中的权重矩阵对平均值误差的权重都大得多。财务回报时间的重要特征设定了相同的平均值和标准差，这也是该方法的一个不可取的特征。涉及Fabretti（2013）方法或类似方法的调查试图解决这些特殊问题，以提高数值稳定性和任何结果的准确性。因此，也可以考虑用（2015）替换构建的目标函数。虽然我们已经确定了许多相关的方法学问题，但我们认为，用λCλ方法找到恢复顺序流量相关性的参数集，足以证明Fabretti（2013）的方法能够在这种情况下提供有价值的见解。7、结论在我们当前和之前的调查（Platt和Gebbie 2016）中，我们观察到有一些证据表明，日内采用现实的订单匹配程序可以生成具有动态性的价格时间序列，其中包含剩余参数和程序价格时间序列。

这表明参数这些模型倾向于相对较好地再现金融回报时间序列的经验观察到的程式化事实。采用现实匹配过程的日内作业成本管理系统中的相关市场价格是由对单个订单的响应驱动的，自然现象以明确的方式产生wellprice时间序列。ert在模拟的价格匹配过程中表现良好。lems，表明此类验证方法根本不足以验证内部定义的代理的机械复杂性。因此，我们认为，校准和样式化可以复制合理的模型行为，即模拟的价格时间序列。由于我们现有的校准实验在试图将此类模型校准到数据时，已成为重要的关注点。8、确认。J、 Gebbie承认财务支持Platt承认约翰内斯堡威特沃特斯兰德大学的财务支持，对此不承担任何责任。参考市场。J Econ Dyn Control 73:329-353Bonat J（2015）《订单驱动市场中延迟市场清算的数学方面及其在非马尔可夫价格影响和最优执行中的应用》。SSRN:2659092Bookstaber R，Foley MD，Tivnan BF（2016年），了解市场弹性：投资者决策周期中的市场流动性和异质性。《经济互动杂志》11:205-227Bouchaud JP，Farmer JD，Lillo F（2008）《市场如何缓慢消化供求变化》。arXiv:0809.0822。大学出版社，CambridgeChiarella C，Iori G（2002）《双重拍卖市场微观结构的模拟分析》。Quant Financ 2:346-353 Chiarella C，Iori G，Perello J（2009）异质交易规则对限额订单簿和订单流的影响。

《经济动态控制杂志》33:525-537Financ 1:223-236Easley D，Lopez de Prado M，O\'Hara M（2012）《音量时钟：对高频率的洞察》。J Portfolio Manage 39:19-29Fabretti A（2013），关于金融市场基于代理的模型校准问题。J EconInteract Coord 8:277-293 Farmer JD，Joshi S（2002）《常见交易策略的价格动态》。J Econ Behav Organ49:149-171 Proc Natl Acad Sci USA 102（6）：2254-2259Gao X，Deng SJ（2014）订单动态的流体动力学极限。arXiv:1411.7502 Comput Stat Data Anal 42:299-312Hamill L，Gilbert N（2016）《经济学中基于代理的建模》。John Wiley&Sons，Chichestertransaction费用重组下的交易量。Physica基于471:416-426的低频和高频交易模型。《进化经济学》（J Evol Econ）25:1-25Kirman A（1991），《金融市场中的观点流行病和投机泡沫》。在：泰勒M（编辑）货币和金融市场。Blackwell，Oxford，pp 354-368Kukacka J，Barunik J（2016）基于模拟最大似然的金融代理模型估计。SSRN:2783663Kuroda K，Maskawa J，Murai J（2011）《股票价格过程和交易符号的长期记忆》。AdvMath Econ 14:69-92高级研究，2-2015计算经济学手册，第2卷。Elsevier，阿姆斯特丹，第1187-1233页，Andes A（2015）基于连续双拍卖代理模型的订单安排。AlgorithmicFinance 4（3-4）：105-125Mastromatteo I，Tóth B，Bouchaud JP（2014a）《反应扩散金融模型中的异常影响》。Phys Rev Lett 113:268701Mastromateo I，Tóth B，Bouchaud JP（2014b）潜在流动性和潜在价格影响的基于代理的模型。Phys Rev E 89:042805Panayi E，Harman M，Wetherilt A（2013）利用现有订单数据对股票市场进行基于代理的建模。Giardini F、Ambrard F（eds）基于多智能体的仿真XIII。

SpringServerlag，Berlin，pp 101-114Platt DF，Gebbie TJ（2016）《校准基于代理的高频交易模型的问题》。arXiv:1606.01495市场。Europhys Lett 75（3）：510-516资产交易的订单簿模型。Phys Rev E 76:016108Smith E，Farmer JD，Gillemot L，Krishnamurthy S（2003）《连续双重拍卖的统计理论》。Quant Financ 3:481-514访问了2016年5月23日的价格影响和金融市场流动性的关键性质。Phys Rev X 1:021006Wilcox D，Gebbie T（2014）《金融经济学中的等级因果关系》。SSRN:2544327汇率数据。SSRN:964131《经济评论》。社会经济杂志33（5）：527-546