Agent-based financial modelling as an alternative to the standard representative-agent paradigm

LTPasaulines ekonomikos ir finansų problemas, susijusias su dešimtmečiais didėjusiu globalinių makroekonominių procesų nesubalansuotumu, sunku paaiškinti pasitelkiant įprastinę efektyviosios rinkos hipotezę, pagrįstą prielaidomis apie racionaliuosius lūkesčius ir tobulai racionalius ekonomikos veikėjus. Vis dažniau pateikiama vertinimų, kad staigų vartojimo išlaidų sumažėjimą pasaulyje lėmė ankstesnis biudžeto apribojimų ignoravimas, o tai, be abejo, nesuderinama su įprastiniais vartotojo (investuotojo) elgsenos optimizavimo principais. Apskritai įprastinė ekonomikos ir finansų teorija negali tinkamai paaiškinti šiuo metu vykstančių makroekonominių procesų, pateikti patikimų prognozių ir pasiūlyti ekonominės politikos sprendimų, o tai skatina ieškoti itin griežtomis prielaidomis pagrįstų populiarių finansinių ir makroekonominių modelių alternatyvų. Šiame straipsnyje kaip tokia alternatyva aptariami modeliai, kai finansų rinkos modeliuojamos kaip kompleksinės dinaminės sistemos, sudarytos iš tarpusavyje sąveikaujančių heterogeniškų veikėjų (heterogeneous agents). Tiesa, tokių modelių plėtotei būtina tolesnė ekonomikos, psichologijos ir dirbtinio intelekto teorijos pažanga ir glaudesnis tarpdalykinis bendradarbiavimas. Straipsnyje keliama mintis apie būtinybę tinkamai įvertinti rinkų kompleksiškumą, ekonomikos veikėjų heterogeniškumą, jų ribotą racionalumą ir adaptyviuosius (ne pernelyg supaprastintus) lūkesčius. Taikant įprastinius finansinius modelius, šie finansų rinkų aspektai paprastai neapimami, bet veikėjų elgsena pagrįstiems modeliams jų svarba yra išties didelė. Pastarieji pateikia procedūromis, t. y. programiniais kodais, o ne matematinėmis lygtimis pagrįstą finansų rinkos aprašymą, o tai atveria plačias technines galimybes nagrinėti svarbius sisteminės elgsenos aspektus.Vis dėlto šių modelių pritaikomumas yra ribotas, pirmiausia dėl empirinio veikėjų elgsenos pagrindimo ir išorinio modelių rezultatų patvirtinimo. Šiame straipsnyje apžvelgiama veikėjų elgsena pagrįsto finansų modeliavimo literatūra, didžiausią dėmesį skiriant dirbtinės finansų rinkos modeliams. Apžvelgiami modeliai skirstomi į dvi kategorijas: modelius, apimančius aiškiai nustatytomis taisyklėmis pagrįstą elgseną, ir modelius, grindžiamus veikėjų mokymusi ir sistemine adaptacija. Pirmosios kategorijos modeliai paprastai taikomi analizuojant, kaip ekonomikos veikėjų heterogeniškumas lemia kompleksinius rinkos procesus ir kylančias ypatybes (emergent properties). Antrosios kategorijos modeliai dažniau taikomi nagrinėjant efektyvių investicinių strategijų kūrimą, taip pat sistemos lygmens padarinius, sukeliamus nuolat kintančių individualių investicinių strategijų. Straipsnyje pateikiama argumentų, rodančių, kad „protinga“ adaptacija dideliu neapibrėžtumu pasižyminčioje aplinkoje yra esminis modeliavimo aspektas, padedantis suvokti svarbiausius finansų rinkų funkcionavimo principus. Tai skatina nagrinėti dirbtinio intelekto teorijos pateikiamus konkrečius sisteminės adaptacijos ir mokymosi algoritmus. Šiame darbe nagrinėjama konkreti dirbtinės intelekto teorijos sritis – stiprinamasis mokymasis (reinforcement learning), kuris iš principo gali pasiūlyti ekonomiškai priimtinus mokymosi ir sisteminės adaptacijos algoritmus. Nors stiprinamojo mokymosi algoritmas kelia tam tikrų problemų jį taikant praktiškai – ekonominiams uždaviniams spręsti, apskritai toks algoritmas ekonominiu požiūriu yra priimtinas. Pagal stiprinamojo mokymosi algoritmą veikiantys veikėjai, siekdami ilgu laikotarpiu maksimizuoti iš aplinkos gaunamus stiprinamuosius signalus (naudingumą), mokosi iš sąveikos su aplinka.Panašiai elgiasi ir protingi investuotojai, siekiantys ilgalaikių tikslų dideliu neapibrėžtumu pasižyminčioje aplinkoje. Šios idėjos straipsnio autoriaus plėtojamos ir toliau – kuriant dirbtinės finansų rinkos modelį. Pateikiamas straipsnis yra integrali didesnės apimties tyrimo dalis. [Iš leidinio]Reikšminiai žodžiai: Finansų modeliavimas; Dirbtinė akcijų rinka; Kompleksinė dinaminė sistema; Rinkos efektyvumas; Veikėjų heterogeniškumas; Agent-based financial modelling; Artificial stock market; Complex dynamical system; Market efficiency; Agent heterogeneity.

ENIn this paper we provide a brief introduction to the literature on agent-based financial modelling and, more specifically, artificial stock market modelling. In the selective literature review two broad categories of artificial stock market models are discussed: models based on hard-wired rules and models with learning and systemic adaptation. The paper discusses pros and cons of agent-based financial modelling as opposed to the standard representative-agent approach. We advocate the need for the proper account of market complexity, agent heterogeneity, bounded rationality and adaptive (though not simplistic) expectations in financial modelling. We also argue that intelligent adaptation in highly uncertain environment is key to understanding actual financial market behaviour and we resort to a specific area of artificial intelligence theory, namely reinforcement learning, as one plausible and economically appealing algorithm of adaptation and learning. [From the publication]