一种面向财务的端口图模型的实现

在该系统下，还可以处理资产定价和估价问题，有几个确定的子系统，用于模拟发起、交易结构、SPV转让和销售的可盈利性。我们选择使用全球和本地数据的组合以及全局状态Z节点（市场行为的指标，作为每个单独银行方法的平均值，由本地小写属性Z表示，不要与全局值Z混淆）对资产转移交易建模。在规则中使用变化指示器节点来检测市场是否已达到稳定状态。表3和表4包含所用节点的描述。可以进行替代设计，突出该方法的灵活性：例如，可以使用z属性的本地副本，通过借用社交网络模型的传播算法来传播疏忽/勤奋行为，从而根据邻居的行为来传输或接收信息。Ene1#AllTrade#；2 while（match（change））do（3 one（change））；4#AllTrade#）策略1：固定点搜索1 setPos（crtGraph）；2重复（一次（requesttobuy）；3一（开始分析）；4（一个（偏差结果）；一个（偏差决策）或一个（后续结果）；一个（followdecision））6个setPos（crtGraph）；7一（更新））（k）策略2：所有贸易或邻居或其他集群的邻居[9]。该替代模型的详细信息将在未来进行。表3和表4分别描述了系统中的节点及其端口。在创建了一组全面的规则后，创建了简化策略，定义了要选择用于评估的子图，以及哪些规则应应用于模型的起始状态，并且正是从这一点开始，派生树开始进行构建，因为executionstrategy调用了创建逐步转换的规则。

具体而言，资产转移流程由strategies AllTrade和FixedPointSearch（见下文战略1和2）管理，使用表1和表2中总结的8条重写规则。另一个突出的灵活性是，strategy AllTrade的一个变体可以简单地用一个ppick运算符代替theorelse运算符，然后开始在遵循或偏离疏忽规则之间对logit类型的概率选择进行建模。这种情况下使用的概率分布实现了[3]中描述的随机“抖动”，可以在我们的策略环境中编写如下：ppick（followResult、deviationResult、udfLogitModel），其中udfLogitModel是一个函数，它读取疏忽或勤奋的可能性（相关规则生成的图的节点Theta中的属性u1和U0），以及将以下值作为列表返回：expBUi（z=1）expBUi（z=1）+expBUi（z=0）和1- （expBUi（z=1）expBUi（z=1）+expBUi（z=0）），其中i是当前代理数，B是控制达到固定点的难易程度的选择强度参数（如[3]所述）。4测试成功的基本情况验证已看到测试结果（见图2，其中绘制了平均Z计数值与模拟深度的关系图）与[1]中给出的更传统ABM模拟的结果定性一致。

特别是，对于高p值（即高毒性概率），当初始状态包含疏忽剂和勤勉剂的混合物时，我们观察到预期结果：asharp下降在Z，对应于平均方法中的急剧变化（即，更多银行决定为Ru le DescriptionRequestToBuy的FinanceName执行端口图模型）向随机银行B发送购买请求消息，将此节点的名称更改为PB（潜在买家）。规则副本：beginanalysisComputes pro fiability U（1），U（0）of PB，生成一个属性为DeltaU1U0=U（1）的节点θ- U（0）。“算法”选项卡中的计算如下：T heta。U 1=1- A、 p毒素（1- Z、 Z）- A、 c瓦特赫塔。U 0=（1- A、 p-tox）（1- A、 c val）- A、 ddcostT heta。DeltaU1U0=T heta。U 1- θ。U 0Updatez更新节点Z中的属性Z。新值inZ为（Z* （k）- 1） +z（PB）/k。算法选项卡中的计算如下：z.z=（（z.z* （Z.Numofants）- 1） ）+B.z）/z.numfagents表1：重写规则n。如果DeltaU1U0，则显示规则描述的eName FollowResultApplies≥ 作为额外的可视化支持，如果更适合不进行全面风险分析，则会生成以下代码。箭头节点应用条件：如果θ。DeltaU1U0≥ 0偏差结果显示，如果DeltaU1U0<0，作为额外的可视化支持，如果更适合进行全面风险分析，它将生成偏差节点（类似于followresult）。followdecisionTransfers资产并准备新的交易（即在决策疏忽规则之后进行清理），更新银行的属性z，必要时更新变更计数器。偏差决策转移资产并准备新交易（即。