一种基于agent的高等教育投机博弈的开发

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：
《Development of an agent-based speculation game for higher
  reproducibility of financial stylized facts》
---
作者：
Kei Katahira, Yu Chen, Gaku Hashimoto, Hiroshi Okuda
---
最新提交年份：
2019
---
英文摘要：
  Simultaneous reproduction of all financial stylized facts is so difficult that most existing stochastic process-based and agent-based models are unable to achieve the goal. In this study, by extending the decision-making structure of Minority Game, we propose a novel agent-based model called \"Speculation Game,\" for a better reproducibility of the stylized facts. The new model has three distinct characteristics comparing with preceding agent-based adaptive models for the financial market: the enabling of nonuniform holding and idling periods, the inclusion of magnitude information of price change in history, and the implementation of a cognitive world for the evaluation of investment strategies with capital gains and losses. With these features, Speculation Game succeeds in reproducing 10 out of the currently well studied 11 stylized facts under a single parameter setting.
---
中文摘要：
同时复制所有金融风格化事实非常困难，以至于大多数现有的基于随机过程和基于代理的模型都无法实现这一目标。在这项研究中，通过扩展少数群体博弈的决策结构，我们提出了一种新的基于代理的模型，称为“投机博弈”，以更好地再现程式化事实。与之前基于代理的金融市场适应性模型相比，新模型有三个明显的特点：允许非均匀持有和闲置期，包含历史上价格变化的幅度信息，以及实施一个认知世界来评估有资本损益的投资策略。有了这些特性，投机游戏在一个参数设置下成功地再现了目前研究得很好的11个程式化事实中的10个。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> Development_of_an_agent-based_speculation_game_for_higher_reproducibility_of_fin.pdf (3.48 MB)

2022-6-11 15:05:29 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：agent 高等教育 Age Reproduction SIMULTANEOUS

开发基于代理的投机游戏，以提高金融风格化事实的再现性，*, Yu Chena，Gaku Hashimota，Hiroshi Okudaaaagraduate东京大学边疆科学学院，5-1-5 Kashiwanoha，Kashiwa shi，Chiba ken 277-8563，日本科学促进会（JapanBreesearch Fellow of Japan Society for the Promotion for the Sciences Abstracts）日本研究人员认为，所有金融类型化事实的同时复制非常困难，以至于大多数现有的基于随机过程和基于代理的模型都无法实现这一目标。在本研究中，通过扩展MinorityGame的决策结构，我们提出了一种新的基于agent的模型，称为“投机博弈”，以更好地再现程式化事实。与之前基于代理的金融市场自适应模型相比，新模型具有三个显著特征：非均匀持有和闲置期的启用，历史价格变化幅度信息的融合，以及在评估资本损益的投资策略时采用认知世界。有了这些特性，投机游戏在单参数设置下成功地再现了目前研究得很好的11个程式化事实中的10个。关键词：经济物理学、多智能体模拟、金融程式化事实、认知模型、往返交易1。导言1.1。背景风格化事实是资产回报的定性属性，这是半个多世纪以来对*通讯作者。电子邮件地址：k。katahira@scslab.k.u-东京。ac.jp（Kei Katahira）预印本于2019年2月7日提交给《乳胶模板杂志》《金融时间序列》[1]。

目前报告的11个类型化事实如下：波动率聚类、间歇性、重尾、收益率无自相关、波动率自相关缓慢衰减、成交量/波动率相关性、聚集高斯性、条件重尾、时间尺度不对称、杠杆效应和损益不对称。它们是非常重要的特性，多年来在不同的市场和各种仪器中得到了很好的研究。风格化事实的再现性是金融市场模型的先决条件。然而，由于市场的多重性很高，用传统的市场模型（无论是简单的还是复杂的随机过程）来重现它们并不容易。在计量经济学的贡献下，已经构建了几个著名的随机模型来产生典型的风格化特征，例如，自回归条件异方差（ARCH）和广义自回归条件异方差（GARCH）过程[2，3]。尽管如此，据我们所知，大多数现有模型都无法同时复制整个样式化属性集。另一方面，一种主要由经济物理学家倡导的替代方法，即采用基于一组简单规则的agent模拟，也被用来研究程式化事实。该模拟能够再现和分析艺术市场中的复杂价格动态，并由自主代理人充当交易者。

与以往的随机过程模型相比，该方法是一种自下而上的方法，旨在从宏观层面上描述金融时间序列的特征，在微观层面上解释这些特征，即考虑交易者决策和交易行为的层面。采用基于代理的模型主要有两个原因。首先，基于代理的模拟几乎是分析交易者行为对整个市场影响的唯一方法。所有从真实市场获得的时间序列数据，如价格和交易量，都是聚合数据，通常不可能用于跟踪所有市场参与者的个人行为。随机过程模型具有很强的处理宏观现象的能力，但基于此类模型的分析忽略了这些内生因素，例如交易者之间的相互作用。第二，多智能体模拟可以提供一个场景来解释紧急现象的产生过程，在传统的财务分析中，紧急现象本质上被视为一个黑箱。另一方面，使用代理模拟进行分析可以为这样一个复杂的问题提供（至少部分）合理的场景。由于物理学家倾向于认为世界上的所有现象都可能在基本层面上受制于一些简单的普遍规则，因此提出了几种“简单”的基于代理的模型。具体而言，这些简单模型具有以下特点：1。自下而上的结构。元素（代理）由从真实交易者行为中适当抽象出来的简单规则控制。3、与实际数据统计一致的总产出（如价格变化）。特别是，第二点很重要，因为代理人规则的简单性允许相对容易地分析造成复杂价格动态的机制。

像这样一个容易处理的模型被称为玩具模型。请注意，经济学家提出的基于agent的模型往往放松了对微观结构简单性的要求，并尽可能地追求agent的行为规则。这种基于复杂代理的市场模型的例子有圣达菲研究所模型[4、5、6]和热那亚艺术股票市场模型[7、8]。与玩具模型相比，这些复杂的基于代理的市场模型具有更高的程式化事实再现性，但它们更难以用于在微观层面识别关键因素，以及将这些因素与总产出联系起来。通常，根据是否包含学习机制，金融市场的玩具模型可分为两组：零智能模型和自适应模型。代表性的零智能模型有渗流模型[9,10]、伊辛（自旋）模型[11,12,13,14]、经验有序驱动模型[15,16,17,18]和Sznajd模型[20]。著名的适应性模型包括Lux Marchesi模型[21]、少数群体游戏[22、23]及其扩展版本，如大规范少数群体游戏（GCMG）[24、25、26]、$游戏[27]和模式游戏[28]。以前使用这些基于代理的玩具模型的研究在分析市场动态方面取得了显著的进展。例如，少数群体博弈类型模型家族表明，只要代理人有可能对其投资进行适应性调整，价格回报的风格化行为就会出现。特别是，这被理解为引导学习和动态资本的结合【29，30】，或者根据他们的表现在“主动”和“非主动”策略之间切换【24，31】，这两种策略都会导致交易者之间的羊群行为【32】。同时，玩具模型也可能忽视一些基本因素，无法再现相关的程式化事实。

例如，少数群体博弈的支付策略导致了均值回复的聚合结果，这是价格差异性丧失的主要原因。正如Katahira和Akiyama在他们的研究中指出的那样，如果投资策略通过往返交易的资本收益和损失进行评估，这一特征可能会得到缓解。在我们看来，一个玩具模型允许稍微复杂一点，但不超过复杂的基于代理的市场模型的范围，有可能增强程式化事实的再现性，同时保留能够轻松找到潜在机制的优势。1.2. 目的在本研究中，我们为金融市场构建了一个基于代理的玩具模型，名为“投机游戏”，其中包含更真实的因素，以便更好地再现程式化事实。特别是，有三种扩展，例如[11，12]的一些Ising模型也加入了学习机制，因此它们也可以被归类为自适应模型。它最初是意见形成的数学模型。将该模型用于金融市场就是其应用的一个例子【19】。对于前面的模型：启用非均匀持有期和空转期，将价格变化的幅度信息纳入历史，以及实施一个认知世界来评估资本损益的投资策略。我们研究的重点不仅仅是对所有程式化事实的完美再现，而是充分发挥投机博弈的金融市场模型的先决条件。事实上，阐明程式化事实的出现机制比复制本身更为重要，这将是我们下一篇论文的主题。本文的其余部分组织如下。下一节将介绍该模型，第3节将介绍结果和讨论。

最后，第4节对研究进行了总结。2、型号2.1。模型设计是W.Brian讨论的一种有限理性，因为“El FarolBar问题”【34】已经实施，少数群体博弈可以被视为关于包括金融市场在内的复杂适应系统中人类诱导行为的最具洞察力的玩具模型之一。为游戏中的每个玩家提供了一个抽象的决策过程，包括历史、记忆和策略。投机博弈是通过探索少数群体博弈的决策结构来构建的。为了开发我们的模型，我们利用了这些结构，并设计了一套支持往返交易的最小规则。2.2. 游戏系统在投机游戏中，N名玩家参与游戏市场，通过轮番交易的资本收益相互竞争以增加财富。费雷拉（Ferreira）和马西里（Marsili）[35]试图在少数民族游戏中引入往返交易，但它被限制为连续的两步交易。Challett提出的模式游戏在每一步t，玩家i从三个备选方案中选择一个动作ai（t）购买（=1），出售（=-1） ，和保持（空闲）（=0）-基于过去价格变动的信息，称为历史。请注意，操作0在正在进行的往返交易中被解释为“持有”，在新头寸开仓前的等待期间被解释为“闲置”。价格变化的历史表现为五个时间序列H（t）：基本上上升（=2），上升（=1），保持（=0），下降（=-1） ，并大幅下降（=-2). 具有存储器M的播放器可以参考H（t）的最后M位，如等式1所示，其中H（t）是时间步t处的量化价格移动，H（t）=（H（t- M） ，···，h（t- 1)).

（1） 注意，H（0）是随机初始化的。当要做出交易决策时，每个参与者都使用策略表来确定与历史模式相对应的建议行动（见表1）。由于玩家有三种选择，并且有500种可能的历史，所以策略的总数为300万。为了实现往返交易，如果策略表建议采取行动0，或者如果建议（1或-1） 与打开位置中的操作相同。这条规则使每个参与者都能够根据价格变动中编码的买卖信号来管理开盘和收盘的时机。在这种完成往返交易的约束条件下，参与者的行为不仅取决于投资策略，还取决于他们的交易状态（即开仓或平仓）。这种情况将阻碍玩家之间的同步动作（详见附录A）。此外，虽然真实或虚假的历史记录对于进行少数民族游戏并不重要【37】，但在投机游戏中，玩家需要根据实际价格变化生成的历史记录，以发现有利的机会，其中【28】通过考虑下单的反应时间，包含了往返支付。周和周[36]分析了每个玩家都有两个以上选择的少数群体游戏。少数民族游戏的历史记录了过去的少数民族。表1：M=3的策略示例。历史记录建议的操作-2.-2.-2 1-2.-2.-1 0-2.-2 0 0-2.-2 1 -1.-2.-2 2 1-2.-1.-2 0......2 2 2 -1将在很大程度上影响聚合结果。

由于这些与少数群体游戏的显著差异，投机游戏可以被视为一种不同类型的基于代理的模型，尽管历史、记忆和策略表等基本元素都是从中借鉴来的。投机游戏的玩家i拥有随机选择的S策略，并根据累积策略使用其最成功的策略获得Gji（t）（j∈ S） 在每个时间步。此外，对未使用的策略进行评估，就像它们被使用一样。每当交易被使用的策略关闭时，都会审查所有策略的绩效，以找到绩效最佳的策略。如果最佳策略恰好是当前策略，玩家会继续使用它。然而，如果最佳策略是一个尚未使用的策略（即与当前策略不同），虚拟交易可能仍在进行中，那么虚拟头寸将立即清除，玩家将在下一个时间步骤使用它。请注意，当通过切换最佳策略中止虚拟回合triptrade时，累积策略gainsGji（t）将不会更新。投机游戏中的玩家可以在交易量可变的情况下下单。允许玩家i下订单的数量取决于其市场财富wi（t），如下所示，qi（t）=bwi（t）Bc。（2） B是棋盘数量，它描述了以多个数量下单的难易程度，是玩家市场财富动态演变的一个重要参数。等式2意味着一个拥有充足财富的玩家（例如，一个大投机者，例如真实市场中的对冲基金）可以大量下单。请注意，往返贸易的开盘量和收盘量必须相同。

此外，每个参与者的初始市场财富量由均匀分布的随机数U[0，100）aswi（0）=bB+U[0，100）c，（3）决定，以使参与者能够至少下一个单位数量订单。对于市场价格变化p、 这将用于制定参与者的决策过程，我们只需遵循Cont和Bouchaud参考文献[9]中定义为超额需求D（t）函数的订单不平衡方程，p=p（t）- p（t- 1） =D（t）N，（4），其中N表示游戏市场的“深度”。虽然GCMG模型的对数价格回报率采用了这种订单不平衡关系【24、25、26】，但我们假设价格变化直接由过度需求驱动，因为投机博弈中引入了认知阈值，如等式所示。原因是，对于真实市场中的普通交易者来说，设定对数回报的认知阈值是不自然的，这将需要一个额外的GCMG引入具有可变投资的演变资本【29、30、38、39】。Patzelt-Pawelzik模型[40]也采用了类似的方法。对于这种订单不平衡方程，不存在价格变化或价格对数收益的绝对规则。事实上，价格变化被用于康特布沙德渗流模型【10】。从价格表计算，而不是价格变化。在测试模拟中，如果将对数回归用于价格形成，由于认知阈值的功能丧失，可以观察到市场价格的一些极端波动。初始市场价格可以在一定程度上任意选择，只要它足够大，以避免出现负价格。本文将其设置为p（0）=100。