[論文レビュー] Application of multi-agent games to the prediction of financial time-series

Neil F. Johnson, David Lamper+3 more|RePEc: Research Papers in Economics|May 15, 2001

Complex Systems and Time Series Analysis被引用数 4

ひとこと要約

本稿では、歴史的価格データに基づいて第三者のゲームを訓練することで、金融時系列の変動を予測する多エージェントゲームモデルを提案する。この手法は、将来の価格変動の重たい尾を持つ、時間に依存する確率分布を生成し、次ステップの移動について約54％の予測精度を達成するとともに、10ステップ先までに予測された範囲内に極端な価格変動を的確に予測し、ランダム戦略を上回る優れた性能を示している。

ABSTRACT

We report on a technique based on multi-agent games which has potential use in the prediction of future movements of financial time-series. A third-party game is trained on a black-box time-series, and is then run into the future to extract next-step and multi-step predictions. In addition to the possibility of identifying profit opportunities, the technique may prove useful in the development of improved risk management strategies.

研究の動機と目的

• 市場参加者の行動にインspiredされた多エージェントゲームダイナミクスを用いて、金融時系列の予測フレームワークを開発すること。
• 自己組織的市場フラクチュエーションが、適応戦略を有するエージェントベースのゲームを用いてモデル化・予測可能かどうかを調査すること。
• 歴史的価格データに基づいて訓練された第三者のゲームの、次ステップおよび複数ステップの価格変動予測性能を評価すること。
• アクティブな戦略の不均衡と価格変動との間の統計的相関が、極端な価格変動を予測可能かどうかを評価すること。
• 集団的エージェント予測の性能を、独立エージェントおよびランダムウォークベンチマークと比較すること。

提案手法

• 歴史的価格データに基づいて、複数の戦略を保有するエージェントと自信のしきい値に基づいて取引を行う、グランドカノニカルマイノリティゲームフレームワークを用いた第三者の多エージェントゲームを訓練する。
• 買い予測を行うアクティブな戦略数S₁と売り予測を行うアクティブな戦略数S₀を追跡し、価格変化の代理指標として過剰需要S₀₋₁ = S₀ - S₁を推定する。
• 予測の分散を推定するために、アクティブな戦略数S₀₊₁ = S₀ + S₁を用い、予測誤差はS₀₊₁に比例するとする。
• 観察された価格変化ΔP(t)と説明変数S₀₋₁との間に線形関係を確立し、説明されない分散はS₀₊₁の関数としてモデル化する。
• 将来の価格変動の確率分布を、第三者のゲームのすべての可能な将来の経路をシミュレートすることで生成し、jステップ予測のための予測範囲を導出する。
• 予測は、時系列における実際の価格変動と比較することで、予測された確率分布（平均および信頼区間）の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 歴史的金融時系列データに基づいて訓練された第三者の多エージェントゲームは、ランダム戦略よりも高い正確性で将来の価格変動を予測可能か？
• RQ2 多エージェントゲームフレームワーク内でのアクティブな戦略の不均衡を用いて、極端な価格変動をどの程度事前に予測可能か？
• RQ3 予測された確率分布の統計的性質（例：重たい尾、歪度）は、実際の金融データのものとどのように比較されるか？
• RQ4 多エージェントゲームにおける集団的エージェント行動は、独立エージェント行動よりも優れた予測性能を示すか？
• RQ5 過去の価格データのみを用いて、複数ステップ先の価格変動の符号と大きさを信頼性高く予測可能か？

主な発見

• 多エージェントゲームは、次ステップの予測成功率が約54％に達し、ランダムな当選確率（50％）を顕著に上回った。
• モデルは、10ステップ先に予測された範囲内で、時系列シミュレーション内での大きな価格下落の符号と大きさを的確に予測し、狭い予測範囲を生成した。
• 約50％の大きな価格変動が、狭い予測範囲内に発生したため、極端な出来事が高い予測可能性を示した。
• 予測された確率分布は重たい尾を示し、時間に依存する歪度を示しており、実際の金融市場のスタイリズドファクトと整合的であった。
• エージェントが集団的に行動した場合、モデルは独立エージェント戦略を上回り、集団的ダイナミクスから生まれる自己組織的予測知能を示した。
• この手法は実データと一貫していた：いかなる予測も観察された価格変動と矛盾せず、すべての極端な変化が予測された範囲内に含まれていた。