[論文レビュー] Mesoscale impact of trader psychology on stock markets: a multi-agent AI approach

Johann Lussange, Stefano Palminteri+2 more|arXiv (Cornell University)|Oct 10, 2019

Financial Markets and Investment Strategies被引用数 7

ひとこと要約

本稿では、市場ダイナミクスにおけるトレーダー心理のミクロスケール的影響を研究するため、多エージェント強化学習（RL）株式市場シミュレータを提案する。認知バイアス（遅延割引、恐怖、欲張り）をRLベースのエージェントに埋め込むことで、欲張りエージェントの割合が高くなると市場の安定性が向上し、破綻率が低下することが明らかになった。これは、リスク回避の仮定に反する結果である。

ABSTRACT

Recent advances in the fields of machine learning and neurofinance have yielded new exciting research perspectives in practical inference of behavioural economy in financial markets and microstructure study. We here present the latest results from a recently published stock market simulator built around a multi-agent system architecture, in which each agent is an autonomous investor trading stocks by reinforcement learning (RL) via a centralised double-auction limit order book. The RL framework allows for the implementation of specific behavioural and cognitive traits known to trader psychology, and thus to study the impact of these traits on the whole stock market at the mesoscale. More precisely, we narrowed our agent design to three such psychological biases known to have a direct correspondence with RL theory, namely delay discounting, greed, and fear. We compared ensuing simulated data to real stock market data over the past decade or so, and find that market stability benefits from larger populations of agents prone to delay discounting and most astonishingly, to greed.

研究の動機と目的

• トレーダーの個々の行動バイアスが、中規模スケールでの集団的市場ダイナミクスに与える影響を調査すること。
• 神経ファイナンスとエージェントベースモデリングの間のギャップを埋めるために、認知バイアスを強化学習フレームワークに統合すること。
• 遅延割引、恐怖、欲張りといった心理的特徴が、シミュレートされた市場の安定性とボラティリティに与える影響を評価すること。
• 実世界の金融データ（2000–2010年）と比較することで、モデルの現実性を検証すること。
• 欲張りの役割が市場クラッシュやエージェント破綻率の低下に寄与するという直感に反するメカニズムを探索すること。

提案手法

• 500体の自律的エージェントからなる多エージェントシステム（MAS）が、中央集権型ダブルオークション型指値注文書市場をシミュレートする。
• 各エージェントは、報酬フィードバックを得る試行錯誤の学習を通じて、価格予測と取引意思決定を強化学習（RL）アルゴリズムで学習する。
• 心理的バイアス（遅延割引、恐怖、欲張り）は、神経経済学理論に整合するパラメータ化された修正としてRLフレームワーク内に組み込まれる。
• 20種類の株式（S=20）を用い、11年分の市場データ（T=2875ステップ）をシミュレートし、チャリスティック／ファンダメンタルティスト取引戦略を採用する。
• 市場変数（価格リターン、ボラティリティ、取引量、Bid-Askスプレッド、クラッシュ頻度）を計算し、実際のS&P 500データと比較する。
• 各バイアスを示すエージェントの割合（例：p=0%から100%）を体系的に変化させ、それらが出現する市場特性に与える影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 遅延割引、恐怖、欲張りといった行動バイアスが、シミュレートされた株式市場の安定性とボラティリティにどのように影響を与えるか。
• RQ2 欲張りエージェントの割合を増加させた場合、市場クラッシュ頻度とシステミックリスクに中規模スケールでどのような影響が生じるか。
• RQ3 心理的特徴を組み込んだ場合、シミュレートされた市場ダイナミクスが、実世界のスタイリズドファクト（例：ファットテイル、ボラティリティクラスタリング）とどの程度一致するか。
• RQ4 高いリスクテイキングを示すにもかかわらず、欲張りエージェントの存在がエージェント破綻率を低下させるか。
• RQ5 強化学習フレームワークは、大規模な金融意思決定における認知バイアスを効果的にモデル化・シミュレートできるか。

主な発見

• 遅延割引を示すエージェントの割合が高くなると、ボラティリティの低減とクラッシュ回数の減少により、市場の安定性が顕著に向上する。
• 市場クラッシュ頻度は、欲張りエージェントの割合が増加するにつれて急激に低下し、100％の欲張りプロファイルで最小値に達する。
• 欲張りレベルが高くなると、エージェント破綻率が顕著に低下するが、恐怖または遅延割引プロファイルでは安定したまま維持される。
• シミュレートされたリターン分布は、特に中程度（40–80％）の欲張りプロファイル下で、実際のS&P 500データと類似している。
• ボラティリティクラスタリングおよびBid-Askスプレッドダイナミクスは、60–80％のエージェントが欲張りである場合、実市場マイクロ構造と一致する。
• 連続して上昇または下落する価格日数のシミュレーション結果は、特に60–100％の欲張り条件下で、実データのトレンドと一致する。