[논문 리뷰] Agent-based model with multi-level herding for complex financial systems

Junjie Chen, Lei Tan외 1명|RePEc: Research Papers in Economics|2015. 04. 08.

Complex Systems and Time Series Analysis인용 수 4

한 줄 요약

이 논문은 주식, 산업 부문, 시장 수준에서 다중 수준의 군중행동을 포함하는 새로운 에이전트기반 모델을 제안한다. 이 모델은 금융 시장에서 산업 부문 구조와 변동성 클러스터링을 동시에 생성한다. 히스토리컬 데이터로부터 직접 핵심 매개변수를 校정함으로써 결과에 맞추어 피팅하는 대신, 뉴욕증권거래소(NYSE)와 홍콩증권거래소(HKSE)에서 관찰된 고유값 분포와 상관계수 행렬 등의 실증적 특성을 성공적으로 재현한다.

ABSTRACT

In complex financial systems, the sector structure and volatility clustering are respectively important features of the spatial and temporal correlations. However, the microscopic generation mechanism of the sector structure is not yet understood. Especially, how to produce these two features in one model remains challenging. We introduce a novel interaction mechanism, i.e., the multi-level herding, in constructing an agent-based model to investigate the sector structure combined with volatility clustering. According to the previous market performance, agents trade in groups, and their herding behavior comprises the herding at stock, sector and market levels. Further, we propose methods to determine the key model parameters from historical market data, rather than from statistical fitting of the results. From the simulation, we obtain the sector structure and volatility clustering, as well as the eigenvalue distribution of the cross-correlation matrix, for the New York and Hong Kong stock exchanges. These properties are in agreement with the empirical ones. Our results quantitatively reveal that the multi-level herding is the microscopic generation mechanism of the sector structure, and provide new insight into the spatio-temporal interactions in financial systems at the microscopic level.

연구 동기 및 목표

• 복잡한 금융 시스템에서 산업 부문 구조를 이끄는 미시적 메커니즘을 규명하는 것.
• 단일 에이전트기반 모델에서 동시에 산업 부문 구조와 변동성 클러스터링을 생성하는 데 도전하는 것.
• 모의 실험 결과의 통계적 피팅이 아닌 히스토리컬 마켓 데이터 기반의 매개변수 校정 방법을 개발하는 것.
• 모델이 뉴욕증권거래소(NYSE)와 홍콩증권거래소(HKSE)와 같은 실제 주식 거래소에서 관찰되는 실증적 시공간 상관계수 특성을 얼마나 잘 재현할 수 있는지 검증하는 것.

제안 방법

• 과거 수익률에 기반해 주식, 산업 부문, 시장 수준에서 에이전트가 군중행동을 취하는 다중 수준 군중행동 메커니즘을 도입한다.
• 기관 및 개인 투자자 거래 데이터에서 유도된 개별 확률을 바탕으로 매일의 거래 결정(매수, 매도, 홀드)을 모델링한다.
• 이항확률을 사용해 그룹 수준의 거래 확률을 정의한다: $ P = 1 - (1 - p)^{n imes H_M} $, 여기서 $ p $ 는 개인 거래 확률이고 $ H_M $ 은 시장 수준 군중행동 강도이다.
• 뉴욕증권거래소(NYSE)와 홍콩증권거래소(HKSE)의 히스토리컬 수익률과 상관계수 행렬을 사용해 모델 매개변수 $ H_M $, $ H_j $, $ H_{ij} $ 를 校정한다.
• 600,000명의 에이전트와 150개 주식을 포함한 5개 부문에서 1000거래일 동안 에이전트 행동을 시뮬레이션한다.
• 교차상관계행렬 $ C $ 를 분석하기 위해 랜덤행렬이론(RMT)을 사용하며, 가장 큰 고유값과 그에 대응하는 고유벡터를 통해 시장 모드와 부문 모드를 식별한다.

실험 결과

연구 질문

• RQ1 금융 시장에서 산업 부문 구조를 생성하는 미시적 메커니즘은 무엇인가?
• RQ2 실제 상호작용 규칙을 갖춘 단일 에이전트기반 모델에서 변동성 클러스터링과 산업 부문 구조가 동시에 존재할 수 있는가?
• RQ3 핵심 모델 매개변수는 후행적 피팅이 아닌 실증적 마켓 데이터로부터 어떻게 직접 결정할 수 있는가?
• RQ4 다중 수준 군중행동 메커니즘은 실제 주식 거래소에서 관찰된 실증적 고유값 분포와 상관계수 구조를 어느 정도 잘 재현하는가?

주요 결과

• 모델은 뉴욕증권거래소(NYSE)와 홍콩증권거래소(HKSE) 양자 모두에서 특정 사업 부문에 대응하는 큰 고유값의 고유벡터를 통해 실제 시장에서 관찰되는 산업 부문 구조를 성공적으로 재현한다.
• 변동성 클러스터링이 시뮬레이션에서 자연스럽게 발생하며, 변동성의 자기상관함수는 실증 패턴과 일치한다.
• 교차상관계행렬 $ C $ 의 고유값 분포는 실증 결과와 일치하며, 가장 큰 고유값은 시장 모드를 나타내고, 나머지 고유값들은 부문 모드를 나타낸다.
• 뉴욕증권거래소(NYSE)의 경우, 기관 보유 및 거래 데이터에서 유도된 $ p = 0.00826 $ 를 바탕으로 $ P = 0.363 $ 으로 그룹 수준의 거래 확률을 도출한다.
• 홍콩증권거래소(HKSE)의 경우, 데이터 제약으로 인해 NYSE와 동일한 개인 거래 확률을 가정하여 $ P = 0.317 $ 을 산정한다.
• 모델은 $ N $ 과 $ L $ 의 변동에 대해 강건하며, 산업 부문 구조에는 미미한 영향을 미치고, 변동성 자기상관함수의 진폭은 약간 변화할 뿐이다.