[论文解读] 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 4

一句话总结

该论文提出了一种基于广义配分系综少数者博弈的多智能体博弈模型，通过在历史价格数据上训练第三方博弈来预测金融时间序列的走势。该方法生成了重尾的、随时间变化的概率分布，用于预测未来价格变动，对下一步走势的预测准确率约为54%，并在10个时间步长内成功预测了极端价格波动的范围，表现出优于随机策略的卓越性能。

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.

研究动机与目标

• 开发一种基于多智能体博弈动态的金融时间序列预测框架，其灵感来源于市场参与者的交易行为。
• 探究是否能够通过具有自适应策略的基于代理的博弈，对自组织的市场波动进行建模与预测。
• 评估基于历史价格数据训练的第三方博弈在预测下一步及多步价格变动方面的预测能力。
• 评估是否可通过活跃策略失衡与价格变动之间的统计相关性，提前预测极端价格波动。
• 将集体智能体预测的表现与独立智能体及随机游走基准进行比较。

提出的方法

• 在历史价格数据上训练一个第三方多智能体博弈，采用广义配分系综少数者博弈框架，其中智能体持有多种策略，并根据置信度阈值进行交易。
• 通过跟踪预测买入（1）的活跃策略数量 S₁ 和预测卖出（0）的活跃策略数量 S₀，来估算超额需求 S₀₋₁ = S₀ - S₁，作为价格变动的代理指标。
• 活跃策略总数 S₀₊₁ = S₀ + S₁ 用于估算预测的方差，预测误差与 S₀₊₁ 成正比。
• 在观测到的价格变动 ΔP(t) 与解释变量 S₀₋₁ 之间建立线性关系，未解释的方差则建模为 S₀₊₁ 的函数。
• 通过模拟第三方博弈的所有可能未来路径，生成未来价格变动的概率分布，从而得出 j 步预测的预测区间。
• 通过将预测的概率分布（均值与置信区间）与时间序列中的实际价格变动进行比较，对预测结果进行验证。

实验结果

研究问题

• RQ1 基于历史金融时间序列数据训练的第三方多智能体博弈，是否能够以高于随机策略的准确率预测未来价格变动？
• RQ2 在多智能体博弈框架下，活跃策略失衡在多大程度上可用于预测极端价格波动？
• RQ3 预测概率分布的统计特性（如重尾、偏度）与真实金融数据的特性相比如何？
• RQ4 多智能体博弈中集体行为是否能带来优于独立智能体行为的预测性能？
• RQ5 该方法是否能仅基于历史价格数据，可靠地预测多个时间步长后的未来价格变动方向与幅度？

主要发现

• 该多智能体博弈实现了约54%的下一步预测成功率，显著高于随机猜测的50%。
• 该模型通过在10个时间步长前生成紧密、狭窄的预测区间，成功预测了模拟时间序列中一次重大价格下跌的涨跌方向与幅度。
• 约50%的大额价格波动发生在预测区间较窄的时期，表明极端事件具有高度可预测性。
• 预测的概率分布呈现重尾特征并表现出时间依赖的偏度，与真实金融市场的典型事实一致。
• 当智能体集体行动时，模型表现优于独立智能体策略，表明集体动态中涌现出更强的预测智能。
• 该方法与实际数据保持一致：无任何预测与观测到的价格变动相矛盾，所有极端波动均被包含在预测区间之内。