选择机制影响不断演变的市场的波动性

从顶部到底部：Mquantile、mmix和Mfps。价格和回报等全市场统计数据为o用广义自回归条件异方差选择机制建模发展中市场的ect波动性GECCO’19，2019年7月13日至17日，捷克共和国布拉格图7：微观和宏观波动性指标在以下情况下高度相关：比例选择包括在选择机制中（即，该机制是混合的或比例）。在纯数量机制下，微观波动率与宏观波动率之间存在相关性，但e相比之下，代理人的波动性偏好的ects比较低。计算值用于上面绘制的核密度估计，使用高斯核和Silverman规则计算带宽估计。该log returnsr（t）=logX（t）-对数x（t-)可分解为Sr（t）=u+ε（t）（9）ε（t）=σ（t）z（t）（10）σ（t）=ξ+αε（t- 1） +βσ（t- 1） ，（11）其中z（t）~ N（，）。对于每个模拟，我们计算上述形式的GARCHmodel，并计算Spearman相关系数cientρ（hνi，σ）在时间tνj（t）σ（t）时，平均代理波动率偏好hν（t）ij=Nagents'Ij活跃。图6显示任意选择运行ρ（hνij，σ）的shν（t）ij和σ（t）(对照组的相关系数e pdf在0νjMquantilemode约为0处出现尖峰，另一个接近ρ=。5，当FormMixedAndMFPs时，PDF在ρ’0.75附近达到峰值，具有长的le 尾3.3理论的试剂参数演化的理论模型这里发生的进化现象的一阶理论模型我们必须t这些参数来自基于代理的模型生成的数据。

为此，我们将hptheo（x |β）p（pbid）p（Nshares）p（ν）β降低。图8：pbid、Nshares和ν的理论模型参数为t使用最大似然估计和di如文中所述，不同的进化。此处显示蓝色虚线曲线中混合机制理论模型的t分布，蓝色实线曲线中从理论模型中提取的随机变量，以及洋红曲线中ABM的t分布。，每个模型自由参数的计算最优值显示在每个面板的标题中。GECCO’19，2019年7月13日至17日，捷克共和国布拉格D.R.Dewhurst等人，《最小化的向量》∫x个∈Ohmpabm（x）日志pabm（x）ptheo（x |β）dx，（12）理论分布方式与ABM产生的分布的Kullback-Leibler（KL）发散。的e域Ohmde中P的xβ函数形式KL发散起始。MMIXE强调参数化形式的t分布不会导致模型数据不好，每个面板的标题都是随机的。平衡出价概率bid=，有很强的恢复力（θpbid=.306），而有负值（uNshares=-0.015）和波动率偏好（μν=-0. 001).4讨论和结论我们nd选择机制的选择与di相关资产价格谱的差异行为、代理参数分布和时间序列以及波动性。而subm的概率维持秩序C定期评估其自然平衡值P*bid=在所有三种机制下，平均分量的时间序列不存在（Mfps），这些时间序列在平均情况下变化很小le从其初始值开始，略有上升趋势。然而，当存在基于分位数的分量时，在平均情况下，这些序列表现出向较低值的稳定趋势。

在bothNsharesνMmixedour模拟中（252天每小时交易一次），表明如果存在此类稳态，则需要更长的模拟运行时间来辨别这些参数在包含分位数成分的机制下的稳态性质。所有三种机制均显示使用标准计量经济模型（GARCH）得出微观市场价格之间的超高相关性。所有发行版）。基于分位数的机制在ρ=附近的该峰值显示双峰。5、与此相反，mmixedandmfpsareρ’。微观和宏观波动之间的相关性。综上所述，这些结果描绘了一幅选择机制和市场结果之间非平凡互动的图景。包括比例成分比纯分位数机制表现出更高的波动性，在这些机制下，微观波动性与可观察到的宏观波动性更为密切相关，提供了一种可能的机制解释铁路超高演化dri 平均股数中SBI按订单和波动率偏好进行ed。考虑到这些机制产生的平均值要高得多ts比纯这表明，至少与更高的平均水平相关t水平，可能是由于代理人群体中风险厌恶情绪的增加以及经历巨额交易损失的代理人频率的相应减少。其中最重要的是我们忽视了其他的选择机制。他们越来越现实了-机制附加到，a金融市场。图纸de只有通过对这一点的研究，才能得出关于市场选择和竞争性质的初步结论。另一个缺点是我们在本研究中缺乏许多参数的变化。

为了更好地理解这些机制，需要两种基本机制之间的函数，例如锦标赛规模、分位数和混合概率。未来机制，以及包含更先进的代理。致谢书'多德、克里斯·丹福思、约翰·亨利·林格四世、萨奇·哈恩和乔什三位匿名裁判。参考文献[1]市场机制。经济学中的不确定性。爱思唯尔，235–251。[2] 在进化算法中。进化计算4，4（1996），361–394。[3] 蒂姆·博勒斯列夫。广义自回归条件异方差。《计量经济学杂志》31，3（1986），307–327。[4] 频繁的批量拍卖：一眨眼之间市场就放缓了。《美国经济评论》104，5（2014），418–24。[5] Eric Budish、Peter Cramton和John Shim。2015e《高频交易经济学杂志》130，4（2015），1547–1621。[6] 安娜·卡本、朱利亚诺·卡斯泰利和尤金·斯坦利。2004年。时间相关的Thurst指数金融时间序列。Physica A：统计力学及其应用344，1-2（2004），267–271。[7] Rama Cont，Marc Poers和Jean-PhilippeBouchaud。1997年，《股票市场数据的缩放：稳定规律及以后》。在尺度不变性和超越性方面。斯普林格，75-85岁。[8] 大卫·库欣。2013年，自动批量拍卖与连续金融市场。美国专利8533100。选择机制a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【9】9991-9992。[10] J Doyne Farmer、Paolo Patelli和Ilija I Zovko。2005e《科学的预测能力》102，6（2005），2254–2259。[11] Dhananjay K Gode和Shyam Sunder。1993年分配e零智力交易者市场的效率：市场作为个人理性的部分替代品。《政治经济学杂志》101，1（1993），119–137。[12] Elsevier，217–276。[13] 非线性自适应系统。

《国家科学院学报》99，补充3（2002），7221-7228。[14] Narasimhan Jegadeesh和Sheridan Titman。1993年，买入赢家和卖出输家的回报：对股市的影响e效率。电子期刊nance48，1（1993），65–91。[15] Neil Johnson、Gunan Zhao、Eric Hunsader、Jing Meng、Amith Ravindar、Spencermachine ecology。arXiv预印本arXiv:1202.1448（2012）。[16] Jae H Kim、Abul Shamsuddin和Kian Ping Lim。2011年，《股票收益可预测性实证金融杂志》第18期，第5期（2011），第868–879页。[17] 公告。《金融经济学杂志》30，2（1991），273–309。[18] 进化计算17，4（2013），528–544。[19] 布莱克·勒巴隆。基于代理的计算建议阅读679-702。[20] Andrew W Lo。2004e适应性市场假说：市场e从进化的角度来看，效率。(2004).[21]Andrew W Lo。2005年对账e具有行为的古代市场南斯：适应性市场假说。(2005).[22]Burton G Malkiel和Eugene F Fama。1970年E《古代资本市场：理论与实证研究述评》。e《金融杂志》25，2（1970），383–417。【23】Benoit B Mandelbrot。1997e某些投机价格的变化。在分形和缩放中南希。斯普林格，371–418。【24】罗萨里奥·曼泰格纳和尤金·斯坦利。1997年，《经济物理学：标度及其分解》南希。《统计物理杂志》89，1-2（1997），469-479。[25]Albert J Menkveld。2013年，高频交易和新的做市商。《金融市场杂志》16，4（2013），712–740。【26】证券价值：来自巴黎证券交易所的证据。《金融市场杂志》4，3（2001），209–229。[27]莫林·奥哈拉和毛叶。市场分割是否会影响市场质量？《金融经济学杂志》100，3（2011），459–474。罗伯特·萨维特、拉杜·马努卡和里克·里奥洛。1999.适应性竞争，市场效率和相变。

物理审查Leers 82，10（1999），2203。【29】微观结构和动力学？(2010).【30】全局优化11，4（1997），341–359。[31]伊莱恩·华、迪伦·赫德和迈克尔·威尔曼。2016年。战略市场选择：频繁呼叫市场与快速和慢速交易者的连续双重拍卖。EAI背书交易。严肃游戏3，10（2016），e1。[32].弗吉尼亚州费尔法克斯，116–123。【33】张一诚。1998年。用进化博弈建模市场机制。arXiv预印本cond mat/9803308（1998）。