Продолжая с того места, где я остановился…

Ранее я говорил об использовании Q-Learning для трейдинга, моделировании в NetLogo и о финансовых сетях, которые давали некоторое представление о том, как все это объединится. Учитывая, что я работал над достижением этой цели с момента моей последней публикации, я подробнее остановлюсь на этом сейчас, начиная с проектирования и анализа сети.

Сетевой анализ

Распределение связи в среде имеет решающее значение для стимулирования процессов диффузии или распространения настроений. Ожидается, что сеть с высокой плотностью соединений будет демонстрировать большее распространение. Степень, в которой отдельный агент косвенно связан с другими агентами через посредников, будет определять уровень кластеризации, что, в свою очередь, будет иметь значительное влияние на кооперативное поведение. Например, высокая кластеризация может помочь закрепить поведение, которое демонстрирует взаимодополняемость. Кроме того, уровень восприимчивости к настроениям соседей и модели сегрегации также может либо способствовать, либо препятствовать этому распространению.

Приняв это во внимание, я решил, что модель должна иметь некоторый контроль над структурой сети и склонностью каждого торгового агента принимать настроения агентов, с которыми он связан, а также регулярностью в сети, поскольку при некоторых условиях регулярности, агенты в больших сетях сходятся к одним и тем же убеждениям. (Напомним понятие регулярности в графах, снова проиллюстрированное на следующем графике)

Чтобы контролировать степень регулярности, мы используем алгоритм переназначения Маслова-Снеппена. Этот метод берет исходную сеть и генерирует серию рандомизированных графов путем итерации фундаментального шага перепрограммирования, который сохраняет желаемые свойства. Этот алгоритм сохранит степень каждой вершины с последовательностью шагов, показанной ниже. После достаточного количества итераций эта процедура генерирует рандомизированный вариант исходной сети или, более конкретно, нулевую модель.

Подражание финансовому рынку

Теперь, когда мы лучше понимаем сами финансовые сети, давайте посмотрим, как действовать дальше. NetLogo предлагает нам возможность создавать сети либо в виде неподвижных 2-D (или 3-D) решеток, либо в виде нерегулярно размещенных агентов, соединенных посредством ссылок. Для моей цели я принял сеть, которая соответствовала соответствующим критериям, которые включали ввод внешних новостей для имитации влияющих факторов на рынках и присущую им ограниченную рациональность агентов, причем эта ограниченная рациональность проистекала из различной интерпретации новостей. Затем внешние новости были смоделированы как распределение Гаусса с контролируемыми средним значением и отклонением. Обратите внимание, что среднее значение в этом контексте будет просто отражать общее настроение, возникающее из-за новостей, в то время как отклонение будет обозначать волатильность на рынках. Вспомните старую модель из фазы 1, в которой использовался патч-ориентированный подход. Что касается моего нового, комплексного сетевого подхода, мы можем увидеть, как он разыграется ниже.

Аспект рандомизации контролируется параметром R выше, который представляет собой просто количество итераций для подхода Маслова-Снеппена с изменением проводки. На каждом этапе коллективные настроения агентов определяют логарифмическую цену торгуемой ценной бумаги. Графический интерфейс пользователя показывает текущий статус в правом верхнем углу. Торговые агенты - это черепахи, связанные ссылками, причем оттенки красного и зеленого указывают на степень негативных и позитивных настроений соответственно.

Создание конвейера моделирования

В последнем посте я упомянул, что буду использовать NL4Py, пакет контроллеров на Python для NetLogo. Используя NL4Py, мы смогли выполнить шаги, показанные на рисунке 4, в направлении интегративной модели, которая свяжет модель в NetLogo со скриптом Python, определяющим движение каждого агента через предыдущее Q-Learning. Мы использовали Pandas для извлечения данных моделирования из Искусственный финансовый рынок в NetLogo и запрос состояния в Q-таблице, где состояние было основано на комбинации технических и фундаментальных индикаторов акции.

Некоторые результаты и дальнейшие шаги

Моделирование выявило некоторые интересные тенденции в отношении локализованных пузырьков и фазовых переходов. Например, рис. 5. Наблюдатель. В этом случае у нас было умеренное положительное смещение в новостях (0,05), но волатильность была относительно высокой - 0,20. Этот сценарий отражал рынок с высоким оптимизмом, сопровождаемый высокими спекуляциями. В то время как общая тенденция заключается в увеличении логарифмической цены, мы действительно наблюдаем быстрый рост, за которым следует почти столь же быстрое снижение, которое соответствует серии негативных событий, а также быстрое распространение из-за более высокой взаимосвязанности и склонности к влиянию со стороны партнеров по линии связи. .

Кризисы усиливаются, если эпицентр лучше интегрирован в торговую сеть, в то время как целевые агенты, пострадавшие от такого шока, в свою очередь, лучше способны рассеять воздействие, если они хорошо интегрированы в сеть, что можно объяснить с помощью сетевого подхода. . Одним из возможных шагов в будущем могло бы стать использование модели для имитации этого и нацеливания на определенных агентов в нашей модели, которые будут подпитывать колебательные движения по всей сети. Возможно, этого можно было бы достичь за счет ограниченного доступа к информации в соответствии с понятием ограниченной рациональности. Затем информация будет каким-то образом распространяться по сети, и ответ можно будет анализировать с течением времени. Я также мог бы провести анализ чувствительности к параметрам модели, которыми можно управлять через NetLogo.

использованная литература

Гонсалвес, Карлос Педро (2003). Искусственный финансовый рынок. В: http://ccl.northwestern.edu/netlogo/models/community/ArtificialFinancialMarket

Гунаратне, Чатика и Иван Гарибай (2018). «NL4Py: агентное моделирование на Python с параллельными рабочими пространствами NetLogo». В: препринт arXiv arXiv: 1808.03292

Джексон, Мэтью О, Брайан Роджерс и Ив Зену (2017). «Экономические последствия структуры социальных сетей». В: Журнал экономической литературы, 55.1, с. 49–95.

Кали, Раджа и Хавьер Рейес (2010). «Финансовая инфекция в международной торговой сети». В: Economic Inquiry 48.4, pp. 1072–1101.

Маслов, Сергей и Ким Снеппен (2002). «Специфичность и стабильность в топологии белковых сетей». В: Science 296.5569, стр. 910–913.

.