[论文解读] Agent-based Versus Macroscopic Modeling of Competition and Business Processes in Economics and Finance
本文在基于代理的羊群行为模型与经济学和金融学中的宏观随机过程之间建立了桥梁。通过从Kirman的基于代理的羊群行为模型推导出非线性随机微分方程（SDE），作者表明这些SDE能够再现金融市场的关键经验特征——如幂律统计、多分形性和爆发持续时间分布，证明了微观层面的羊群行为可以生成现实的宏观市场动态。
We present examples of agent-based and stochastic models of competition and business processes in economics and finance. We start from as simple as possible models, which have microscopic, agent-based, versions and macroscopic treatment in behavior. Microscopic and macroscopic versions of herding model proposed by Kirman and Bass diffusion of new products are considered in this contribution as two basic ideas. Further we demonstrate that general herding behavior can be considered as a background of nonlinear stochastic model of financial fluctuations.
研究动机与目标
- 建立微观基于代理的模型与宏观随机模型在经济学和金融学中的一致关联。
- 证明基于代理的模型中的羊群行为能够生成类似于经验金融数据的宏观动态。
- 从简单的基于代理的框架（如Kirman的羊群行为模型和Bass扩散模型）出发，推导出可解析处理的随机模型。
- 通过经验金融数据（尤其是收益率统计和爆发持续时间分布）验证所推导的随机模型。
- 通过一个开放获取的网络平台提供交互式模型模拟，促进可重复性和教育应用。
提出的方法
- 使用平均场近似和Fokker-Planck形式化，从Kirman的基于代理的羊群行为模型推导出一个随机替代模型。
- 引入宏观变量（如收益率 y）对微观转换率的反馈，从而构建形式为 dX = μ(X)dt + σ(X)dW 的非线性SDE。
- 将广义SDE（17）应用于绝对收益率建模，表明其能再现CEV过程和1/f噪声特征。
- 利用Fokker-Planck方程推导爆发持续时间的概率密度函数（PDF），得出方程（51）和（52）。
- 使用2005年1月至2007年3月期间纽约证券交易所的每分钟收益率数据（共24只股票）对模型进行校准，应用一小时移动平均滤波器并进行归一化处理。
- 通过拟合结果评估模型预测与经验爆发持续时间统计及谱密度的一致性，以验证模型。
实验结果
研究问题
- RQ1像Kirman的简单基于代理的羊群行为模型能否生成与经验金融时间序列相匹配的宏观随机动态？
- RQ2从基于代理的模型推导出的非线性SDE在多大程度上能再现金融收益率中观察到的幂律统计和多分形特征？
- RQ3所推导的SDE在多大程度上能准确预测金融收益率序列中爆发持续时间的分布？
- RQ4宏观变量（如收益率）对微观代理行为的反馈在生成现实市场动态中起什么作用？
- RQ5同一随机模型框架是否可普遍适用于不同股票和金融市场？
主要发现
- 从Kirman的羊群行为模型推导出的非线性SDE能够再现CEV过程和1/f噪声，这两者均被证实可描述经验金融收益率统计特征。
- 该模型生成了与真实金融时间序列的多分形特性一致的多分形特征。
- 所推导的爆发持续时间分布（方程51和52）与纽约证券交易所的经验数据高度一致，尤其当 ν ≈ -0.2 时。
- 尽管由于模型简化，其在捕捉完整谱形方面存在局限，但模型成功再现了收益率统计中的幂律行为。
- 模型参数（σ² = 1/6×10⁻⁵ s⁻¹, λ = 4, η = 2.5, 2, 1.5）在不同 ν 值下均能与经验数据良好匹配。
- 使用一小时移动平均滤波器并跨24只纽约证券交易所股票进行归一化处理，支持了该模型在不同金融工具中的普适性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。