选择机制影响不断演变的市场的波动性

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Selection mechanisms affect volatility in evolving markets》
---
作者：
David Rushing Dewhurst, Michael Vincent Arnold, Colin Michael Van Oort
---
最新提交年份：
2019
---
英文摘要：
  Financial asset markets are sociotechnical systems whose constituent agents are subject to evolutionary pressure as unprofitable agents exit the marketplace and more profitable agents continue to trade assets. Using a population of evolving zero-intelligence agents and a frequent batch auction price-discovery mechanism as substrate, we analyze the role played by evolutionary selection mechanisms in determining macro-observable market statistics. In particular, we show that selection mechanisms incorporating a local fitness-proportionate component are associated with high correlation between a micro, risk-aversion parameter and a commonly-used macro-volatility statistic, while a purely quantile-based selection mechanism shows significantly less correlation.
---
中文摘要：
金融资产市场是一种社会技术系统，由于无利可图的代理人退出市场，利润更高的代理人继续交易资产，其组成代理人受到进化压力。我们以进化中的零智能主体群体和频繁的批量拍卖价格发现机制为基础，分析了进化选择机制在确定宏观可观察市场统计数据中所起的作用。特别是，我们表明，包含局部适应度比例成分的选择机制与微观风险厌恶参数和常用宏观波动率统计数据之间的高度相关性相关，而纯粹基于分位数的选择机制显示的相关性显著降低。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--
一级分类：Computer Science        计算机科学
二级分类：Multiagent Systems        多智能体系统
分类描述：Covers multiagent systems, distributed artificial intelligence, intelligent agents, coordinated interactions. and practical applications. Roughly covers ACM Subject Class I.2.11.
涵盖多Agent系统、分布式人工智能、智能Agent、协调交互。和实际应用。大致涵盖ACM科目I.2.11类。
--

---
PDF下载：
--> Selection_mechanisms_affect_volatility_in_evolving_markets.pdf (2.12 MB)

2022-6-11 06:29:10 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：波动性 Intelligence Evolutionary Applications interactions

选择机制a不断发展的市场中的ect波动性*佛蒙特大学210 Colchester AvenueBurlington，佛蒙特州，邮编05405david。dewhurst@uvm.eduMichael佛蒙特州文森特·阿诺德大学210 Colchester AvenueBurlington，佛蒙特州05405迈克尔。arnold@uvm.eduColin佛蒙特州迈克尔·范奥尔特大学佛蒙特州科尔切斯特大道210号伯灵顿05405cvanoort@uvm.eduABSTRACTstituent作为UNP，特工受到进化压力确定宏观可观察市场统计数据的表格机制。Speci公司从理论上讲，我们表明选择机制包含了常用的宏观波动率统计数据，而纯粹基于量化的选择机制则显示出显著的相关性较小，且与较高的Tentity（专业t） 而不是其他选择机制。ese结果为市场激励机制的可能重组指明了方向，以减少市场范围内的最差表现，领先于t驱动代理以与bene相关的方式行事社会宏观层面的成果。CCS概念o计算方法→ Arti公司社会生活；型号；o应用计算→ 经济学关键词基于Agent的模型，nancial marketsACM参考格式：David Rushing Dewhurst、Michael Vincent Arnold和Colin Michael VanOort。2019年选择机制a不断变化的市场中的ect波动性。2019年7月13日至17日，捷克共和国布拉格，2019年遗传和进化计算会议（GECCO’19），共9页。内政部：10.1145/3321707.33217341简介e自适应概念金融市场已经在定量方面进行了广泛的研究南斯将近二十年了。

e ecientmarkets假说（EMH），其最薄弱的形式表明*通信地址应为谁。课堂使用是免费的，前提是不为专业人士制作或分发副本或commercial advantage，且副本上附有本通知和首页。必须尊重ACMM以外的其他人拥有的本作品组件的版权。有信用的摘要是允许的ed.若要以其他方式复制或重新发布，在服务器上发布或重新分发到列表，需要事先指定c许可和/或afee。从请求权限permissions@acm.org.GECCO\'19，捷克共和国布拉格(c)2019 ACM。978-1-4503-6111-8/19/07. . .$15.00DOI:10.1145/3321707.3321734in研究的基本出发点金融理论自20世纪60年代末首次发表以来[]。然而，有经验证据ect存在于资产价格：表现良好的资产进化压力[]。高频交易（HFT）市场在2000年代中期的兴起是一个因素，它为AMH理论提供了依据[15、25、29]。（参数）高-不稳定因素和波动性。机械装置比较两种根本不同的机制另一种是基于sample pro的局部机制我们展示的稳定性nd合并本地适合比例选择greatlyselection。2理论与模拟GECCO’19，2019年7月13日至17日，捷克共和国布拉格D.R.Dewhurst等人。频繁批量拍卖时间t+1是选择？概率选择机制t型t+1新代理，其参数来自从人口测量数量中选择的剩余人口。图1:此处所考虑的财务系统如图所示。

代理通过频繁批量拍卖的机制进行交互，如第2.2节所述，并且受一种概率选择机制的约束，该机制丢弃具有低成本的代理泰斯，在这里专业版nedt、 并将丢弃的代理替换为新代理，新代理的参数是从剩余代理的参数分布中提取的。在模拟迭代过程中收集市场活动和选择过程的统计数据，然后进行分析。宏观层面的观察机制。2.1代理规范cationAgenti’s公司由其pro提供的时间函数t当时，dened为πi（t）=ci（t）+si（t）X（t），（1）cisiiiX“卖空”：他们不受非负现金量的限制。特工是零智力的，因为他们是跨代的。代理人的行为由threepbid决定，如果代理人在该时间段内交易，则该时间段；Nshares，i，νitX（t）pbid，i-pbid，iNi（t）~ 根据随机变量X（顺序）i（t+1）=X（t）+νiui（t），（2）ui（t）分布的泊松（Nshares，i）~ U型[-,]编码当前价格水平x（t）的衡量标准：低νi表示对当前价格水平的偏好，而大值参数被解释为风险规避（小ν）或风险中性/风险寻求（大ν）的衡量标准。2.2 Budish等人引入的价格发现机制，作为对HFT策略的回应[，]，我们现在描述briey

现代的金融市场主要采用连续双重拍卖（CDA）机制，以匹配买家和知识产权利益[8，31]，更普遍的是，自2001年起，巴黎证券交易所就开始使用批量拍卖。因此，维持一个订单簿，该订单集聚具有选择机制的订单发展中市场的ect波动性GECCO’19，2019年7月13日至17日，捷克共和国布拉格图2：参数时间序列的平均值和标准偏差dier通过选择机制。e乐 面板显示代理上平均的参数时间序列；为每次运行模拟绘制一个时间序列。e右面板显示代理和模拟运行的平均参数时间序列。总的来说，分位数选择机制会降低整个模拟过程中的空间标准差，这可以在le中观察到 面板虽然量化和混合选择机制都显示出衰减的平均Nshares和ν，比例选择不显示这种行为。e比例选择机制在这些变量的模拟运行中显示出更大的变化，ν的极值比其他任何一种机制都大得多。当对两个代理和模拟运行进行平均时，PBID显示客观上没有时间上的变化。其他订单的价格-时间执行优先级类似，但执行情况可能略有不同。换句话说，订单执行er价格、高价竞标或低价询价rst。价格上的联系会随着订单的使用年限而打破，旧订单会执行rst。他们将等待对方接受他们的条件。是程序导致持续发生的交易，与机制名称一致。

另一方面，FBA可以随时提交订单，然后将订单放入订单簿中。在交易区间结束时，通过定位供需交叉点来选择单一的统一执行价格，并以最低限价出售订单，以匹配所选较高价格和较低价格的询价rst，具有按订单期限断开的ties，以及由统一随机本（uniform randomtbook）断开的进一步ties，并在未来的时间段重新考虑执行，直到匹配引擎认为它们“过时”或太旧为止。考虑到FBA的实施，将订单保留在账簿中的最长允许时间设置为24个时段或一天。这里有单一的交换和匹配引擎。如上所述，代理商的压力和代理商的数量可能会增加代理商不适应不断变化的市场环境。2.3选择机制SPSelection=机制：基于分位数的机制（截断选择），用mquantile表示；一种比例选择、Mfps、Mmixedwell已知选择方法[]。基于分位数的机制iπi（t）<F←π（t）（q）qF←pro的π（t）函数t在时间t的所有活动代理之间的分布。我们设置Q=。1移除bo2019年7月13日至17日，捷克共和国布拉格D.R.Dewhurst等人。图3：当与时间分离时，参数在选择机制中的分布相似。ese分布是通过计算所有时间点和模拟运行的参数时间序列联合上的经验PDF来计算的。混合选择机制在PBID和NSHARE分布中显示出最重的尾部，其次是比例机制。

从上到下：基于分位数、混合和比例机制。e蓝色虚线和标题表示最佳使用最大似然估计计算的经验分布。PBID和NSHARES的分布良好-t的分布，而ν的分布很好-t按平均正态分布。cedure：从总体中选择代理人的随机样本（t），每个样本都保存在总体中，概率给定为nbypi（t）=πi（t）'Ij∈S（t）πj（t）。在此实现中，我们将| S（t）|=10。种群中的mquantilemfspsmquantilemfspsagents是保守的。我们设置agentsangents的数量=pinnovationpbidNsharesν平稳概率分布，该分布不随选择压力和概率1变化-Pinnovation他们从这些参数的分布中提取治理参数Spinnovation=。在进化环境中选择个体的最优方法金融市场。e基于分位数的方法modelsetc。）积极避免在市场上表现不佳的RM，投资者寻求具有最高总pro的rmst并将其资金分配给这些rms与其过去的性能成比例。我们还包括一个控制仿真模型，在该模型中，t=0的时间在整个仿真过程中保持不变。2.4理论模型Spbidnsharesνdt=日假设价格按照零均值L'evy演变ight，dX（t）=σXdL（α）X（t），X（0）=X，（3）α∈ (.,)is模型已显示出定价[，]时，t转换为实际数据。因为任何投标概率偏离toop的代理人*bid=PBIDS选举机制a发展中市场的ect波动性GECCO’2019年7月13日至17日，捷克共和国布拉格图4：人口价格时间序列的平均功率谱密度（PSD）指数，hγiNsim=Nsim'INsimn=1γn，其中γnis dened by Sxx（ω）~ ω-γn。

所有PSD指数都收敛到hγiNsim附近的值~., 虽然分位数机制的指数最大，因此与分位数机制相关的平均价格时间序列的自相关程度较其他机制低。过程，dpbid（t）=θpbid（p*投标-pbid（t））dt+σpbiddL（α）pbid（t）。（4） 相比之下，n Shares没有逻辑稳态，因此我们假设拍卖机制产生的重尾增量，dNshares（t）=un SharesDT+σn SharesDL（α）n Shares（t）。（5） un将波动率偏好ν解释为风险规避的一种度量，νν可能是其演变的模型。简言之，波动性偏好与当前波动性偏好水平成比例增加：如果人群厌恶风险，波动性偏好的变化应该很低；如果人群是风险中性或风险寻求型的，波动性偏好的变化可能会很高。合并进化dri 项，这一现象的合理模型dν（t）=ν（t）[uνdt+σνdL（α）ν（t）]。（6） ν相对于最后一个均衡价格，可能会执行较高的要价或极低的标价（即极高的要价或极低的要价）。2.5方法我们希望了解选择机制的ects基于微观和宏观市场统计。是否有交叉机制最优参数组合之间的差异，或者更根本的说，是否存在稳态最优参数组合金融市场，将无法观察到-aect宏观观察回答这些问题，我们rst描述基本宏属性ESX（t）r（t）=logX（t）- 对数x（t-)Sxx（ω）=^X（ω）^X+（ω），其中我们有de用^X（ω）对区间[0，T]进行傅里叶变换=√TT~Ot=1X（t）e-iωtt、 （7）t=/天Sxx（ω）~ ω-γγ ∈ （，）γ=图5：平均prot级di由选择机制决定。

分位数（截断）选择机制导致平均prots大约比第二大盈利机制高出一个数量级比例选择和分位数选择。返回正平均pro时ts，比例选择是最基本的选择非控制选择机制表。在这种情况下，平均职业t为de由hπ（t）ij定义，sim=NsimNagents'INsimn=1'Ij在时间tπj，n（t）γ激活~.pbid、jNshares、jνJD分布为并与上述理论模型预测的分布进行了比较。最后，我们分析了从价格或回报时间序列测量的代理人层面微观波动率参数νjand与宏观波动率之间的联系，并对其di进行了显著分析通过选择机制进行分化。3结果MQUANTILEMFPSMIMExedNational market system）共有6048个交易周期，2019年7月13日至17日，捷克共和国布拉格D.R.Dewhurst等人进行了模拟。e每个模拟中的代理数为heldsimulation足以计算总体平均数，我们生成模拟的重新运行，直到时间平均数趋于收敛。is收敛如图4.3.1 Pro所示稳定性和参数演化如图5所示。这里，我们ne是模拟和活动代理运行的平均值，即。hπ（t）ij，sim=NagentsNsimNsim~On=1~Oj在时间tπj，n（t）激活。

(8)e纯粹基于分位数的机制显示平均pro稳定度大于一个数量级，即混合rmfpsmimexedmfsmquantilemfps | S（t）|-'Ij∈S（t）pj=表现最差的个体在该细节（t）中，他们被称为整个人群中表现最差的个体。MFPSSelection对人口的压力比doesMquantile大，此选项在市场模拟的选择步骤中。代理参数-提交概率ing a bid、pbid、j、theNshares、jvolatility preferenceνj-were在受选择机制选择的影响。总的来说，Mquantilewas与右面板模拟运行期间计算的参数时间序列的较低标准偏差相关。在活动代理和模拟运行上，两个HMQuantileandmMixed都显示了ν。相反，MFP这些参数在不同的机制中表现出显著的相似性，这表明有证据表明Eqs中提出的ed基础进化模型。4-6，其参数取决于选择机制。图3.3.2显示了这些时间解耦分布在今天的对于金融资产市场，我们特别感兴趣的是微观波动性主体的波动性参考νj-和宏观波动性度量之间的相关性。我们很感兴趣，尤其希望测试微观波动性是否与MFPSMMIXEDFIgure 6相关：微观-宏观波动性相关性因选择机制而异。我们选择了一个任意的重新规划，显示平均波动率偏好，hν（t）ij=Nagents'Ij在时间tνj（t）时活跃，显示为实心曲线，与作为aGARCH（，）过程的解计算的宏观波动率绘制，显示为虚线。A.er计算，这些过程被归一化为零均值和单位方差，以便在相同的尺度上显示。