Agent-based stock market simulation model

LTŠiame straipsnyje pateikiamas dirbtinės akcijų rinkos modelis, pagrįstas heterogeninių agentų sąveika, kurią nulemia ekonominiai elgsenos principai, skatinamojo mokymosi algoritmas bei evoliucinė agentų atranka. Šis imitacinis modelis vertintinas kaip struktūrizuotos analizės pagrindas, tiriant rinkos savireguliacijos galimybes, rinkos efektyvumą bei kylančias rinkos savybes lemiančius veiksnius. Lyginant su daugeliu kitų dirbtinės akcijų rinkos modelių, šiame modelyje ekonominei individų elgsenai ir individualiai adaptacijai skiriama gerokai daugiau dėmesio. Riboto racionalumo agentai šiame modelyje investicinius sprendimus grindžia ekonomine logika, t. y. vertindami tikėtinus diskontuotus pajamų srautus bei lygindami alternatyvių investicijų grąžas. Jie taip pat siekia tinkamai vertinti ateitį dideliu neapibrėžtumu pasižyminčioje aplinkoje bei atsižvelgia į kitų rinkos dalyvių veiksmų poveikį bendrai rinkos kainos dinamikai. Šis darbas yra vienas pirmųjų bandymų ekonominiu požiūriu įdomų skatinamojo mokymosi algoritmą taikyti dirbtinės akcijų rinkos modeliuose. Šiame modelyje akcijos rinkos kaina iš esmės atspindi rizikai neutralią fundamentaliąją vertę, tačiau galimi ilgi pervertinimo ir nepakankamo įvertinimo epizodai. Ir individualus mokymasis, ir populiacijos lygmens adaptacija yra esminės prielaidos imitacinės rinkos efektyvumui pasiekti. Rinkos savireguliacijos galimybės šiame modelyje yra silpnos. Imitacinėje rinkoje nustatytas teigiamas sąryšis tarp akcijų grąžos ir likvidumo (t. y. pinigų kiekio sistemoje) pokyčių.Reikšminiai žodžiai: Agentais pagrįstas finansinis modeliavimas; Dirbtinė akcijų rinka; Kompleksinė dinaminė sistema; Kylančios savybės; Skatinamasis mokymasis; Agent-based financial modelling; Artificial stock market; Complex dynamical system; Emergent properties; Reinforcement learning.

ENIn this paper we propose an artificial stock market model based on the interaction of heterogeneous agents whose forward-looking behaviour is driven by the reinforcement learning algorithm combined with an evolutionary selection mechanism. We use the model for the analysis of market self-regulation abilities, market efficiency and determinants of emergent properties of the financial market. Novel features of the model include a strong emphasis on the economic content of individual decision-making, the application of the Q-learning algorithm for driving individual behaviour, and rich market setup. A parallel version of the model which is based on the research of current changes in the market as well as on the search for newly emerged consistent patterns and which has been repeatedly used for optimal decisions' search experiments in various capital markets is presented. [text from author]

• Vadyba / Management
• Ekonomika / Economics