Heterogeninių besimokančių agentų sąveika pagrįstas imitacinis akcijų rinkos modeliavimas

Abstract

Šio tyrimo objektas yra akcijų rinka, kuri suvokiama kaip kompleksinė sistema, sudaryta iš bazinių elementų (vertybinių popierių, prekybos infrastruktūros ir atomistinių heterogeninių investuotojų) ir procesų (prognozavimo, investicinių sprendimų priėmimo, finansinių sąskaitų vedimo ir t. t.). Konkrečiau tariant, šiame darbe nagrinėjamos galimybės panaudoti konkrečius imitacinius modelius siekiant generuoti ekonominiu požiūriu įdomią sistemos dinamiką, tirti faktinės rinkos savybes bei paaiškinti kai kuriuos rinkos reiškinius. Šiuo tikslu pasiūlyti du dirbtinės akcijų rinkos modeliai, pagrįsti heterogeninių agentų induktyvia, konkurencine skatinamojo mokymosi elgsena dideliu neapibrėžtumu pasižyminčioje aplinkoje. Šie modeliai sudaro struktūrizuotą analitinį pagrindą rinkos savireguliacijos galimybėms, efektyvumui, kainos formavimosi veiksniams, investuotojų požiūriui į riziką, kylančioms rinkos savybėms bei galimiems finansinių burbulų veiksniams tirti. Vienas iš šių modelių yra iš dalies pritaikytas empiriniams finansiniams duomenims. Išskirtinis pasiūlytų dirbtinės akcijų rinkos modelių ypatumas yra tas, kad teikiama didelė svarba ekonominiu požiūriu pagrįstam agentų elgsenos modeliavimui. Šiuose modeliuose riboto racionalumo agentai savo sprendimus grindžia ekonomine logika, pavyzdžiui, diskontuotų pajamų srautų vertinimu ar alternatyvių investicinių strategijų lyginimu, o jų elgsena neapibrėžtumu pasižyminčioje aplinkoje yra orientuota į ateities galimybių vertinimą. Individuali agentų adaptacija bei tarplaikiniai investiciniai sprendimai pagrįsti skatinamojo mokymosi algoritmu, perimtu iš mašinų mokymosi literatūros. Šis tyrimas yra vienas iš pirmųjų bandymų pritaikyti skatinamojo mokymosi algoritmus imitaciniame akcijų rinkos modelyje. Tai yra vienas iš pirmųjų pilnos apimties imitacinių akcijų rinkos modelių Lietuvos mokslinėje literatūroje.

The main object of this study is the stock market, seen as a complex system constituted of basic elements (securities, trading infrastructure and atomistic heterogeneous investors) and process flows (forecasting, investment decision making, trade execution, maintenance of financial records, etc.). More specifically, we explore the possibilities to use specific simulation models as tools for generating economically interesting and adequate systemic behaviour, analysing properties of the actual stock market and explaining certain market phenomena. We propose two specific artificial stock market (ASM) models, based on inductive, competitive reinforcement-learning behaviour of atomistic heterogeneous agents in highly uncertain environment. These models are used as a structured framework for the analysis of market self-regulation abilities, efficiency, determinants of price formation and investors’ attitude to risk, emergent properties of the financial market and possible determinants of asset price bubbles. One model is calibrated to actual financial data. One of distinctive features of the proposed modelling approach is a strong emphasis on economic behaviour of individual agents. In the proposed models boundedly rational agents base their decisions on economic considerations, such as estimation of discounted earnings and comparison of returns on different investment strategies, and pursue forward-looking behaviour in highly uncertain environment. Agents’ individual adaptation, intertemporal decision making and forward-looking behaviour in the multi-agent setting is governed by reinforcement learning technique borrowed from the field of machine learning. To our knowledge, this work is one of the first attempts to apply the reinforcement learning techniques in an ASM model. Also, this is one of the first full-fledged artificial stock market models in the Lithuanian scientific literature.