[論文レビュー] Explaining Agent-Based Financial Market Simulation

David R. Byrd|arXiv (Cornell University)|Sep 25, 2019

Complex Systems and Time Series Analysis参考文献 8被引用数 7

ひとこと要約

この論文は、エージェントベースの金融市場シミュレーションの設計およびメカニズムを説明しており、外生的で基本的な価格系列の役割に焦点を当てている。離散的平均回帰、Ornstein-Uhlenbeck（OU）過程、およびメガショック変種を用いて基本的価格系列を生成し、ゼロインテリジェンス（Zero Intelligence）およびヒューリスティック信念学習（Heuristic Belief Learning）といったエージェントがこれらの系列を用いて最適な指値注文を決定する方法を解説する。エージェントが履歴注文データとベイズ推定を用いて期待される利益を推定し、利益を最大化する仕組みを示しており、ABIDESシミュレータはこれらの実装をそのまま提供する。

ABSTRACT

This paper is intended to explain, in simple terms, some of the mechanisms and agents common to multiagent financial market simulations. We first discuss the necessity to include an exogenous price time series ("the fundamental value") for each asset and three methods for generating that series. We then illustrate one process by which a Bayesian agent may receive limited observations of the fundamental series and estimate its current and future values. Finally, we present two such agents widely examined in the literature, the Zero Intelligence agent and the Heuristic Belief Learning agent, which implement different approaches to order placement.

研究の動機と目的

• エージェントベースの金融シミュレーションにおける外生的で基本的な価格系列の役割と生成方法を明確化すること。
• ノイズの混じった観測値からエージェントが真の基本的価値をどのように推定するかを説明すること。
• ゼロインテリジェンスとヒューリスティック信念学習という2つの広く使われるエージェントの意思決定メカニズムを詳細に説明すること。
• エージェントが履歴注文データから期待される利益を計算し、最適な指値を決定する方法を示すこと。
• ABIDESシミュレータが、Ornstein-Uhlenbeck過程による効率的な時間ステッピングを備えており、これらのモデルを効果的にサポートすることを提示すること。

提案手法

• パラメータ κ（平均回帰速度）、r̄（平均値）、uₜ ~ N(0, σ²ₛ)（ショックの分散）を用いた離散的平均回帰過程を用いて、基本的価格系列を生成する。
• 連続時間のOrnstein-Uhlenbeck（OU）過程を用いて基本的価値をモデル化し、中間ステップを経ずに将来の値を効率的に計算可能にする。
• OU過程に「メガショックイベント」を導入することで、現実の市場のボラティリティおよび日内パターンをより良く再現する。
• 真の系列のノイズ混じりの観測値に基づき、現在および将来の基本的価値をベイズ推定を用いて推定する。
• 個人の評価ベクトル Θᵠ と総評価ベクトル Vᵠ を用いて、エージェントの株式保有に対する個別評価を計算する。
• 履歴注文データを用いて取引確率を推定し、期待される利益 𝔼(s|p) を (評価価値 − 指値) × 取引確率 として計算する。

実験結果

リサーチクエスチョン

• RQ1 エージェントベースの金融シミュレーションにおいて、エージェント行動を基準づける一貫性のある外生的で基本的な価格系列をどのように生成できるか？
• RQ2 真の基本的価値を推定する際、ノイズ混じりの観測値しか入手できない場合、エージェントはどのようにして真の価値を推定するか？
• RQ3 ゼロインテリジェンスおよびヒューリスティック信念学習エージェントは、シミュレート市場においてどのように指値注文を設定する戦略を用いるか？
• RQ4 エージェントは履歴注文データから期待される利益をどのように計算し、最適な指値選択を最適化するか？
• RQ5 離散的時間系列と比較して、OU過程は疎なエージェント活動をシミュレートする際にどのような利点を提供するか？

主な発見

• 確率的ショックを伴う離散的平均回帰系列は、長期平均に向かって回帰する現実的でノイズ混じりの基本的価格経路を生成する。
• Ornstein-Uhlenbeck過程により、中間ステップを経ずに将来の基本的価格値を直接計算できるため、シミュレーションが効率的になる。
• OU過程にメガショックイベントを組み込むことで、現実の株価チャートに近い日内価格パターンが生成される。
• ベイズ推定を用いるエージェントは、潜在的なプロセスパラメータを既知としている場合、真の基本的価値を高い精度で推定できる。
• ヒューリスティック信念学習エージェントは、取引確率と評価に基づき、$100.0の指値買い注文を設定し、最大の期待される利益$0.10を達成する。
• ABIDESシミュレータはナノ秒解像度の時間ステッピングと、即座に利用可能なエージェント実装を備えており、これらのモデルを効率的にサポートする。