[论文解读] 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 7

一句话总结

本文解释了基于代理的金融市场模拟的设计与机制，重点探讨了外生基本价格序列的作用——包括离散均值回归、Ornstein-Uhlenbeck过程及其巨震变体——以及零智能代理和启发式信念学习代理如何利用这些序列来确定最优限价单。研究表明，代理可通过历史订单数据和贝叶斯推断估算预期盈余，以最大化利润，ABIDES模拟器则提供了开箱即用的实现。

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.

研究动机与目标

• 阐明外生基本价格序列在基于代理的金融模拟中的作用及其生成方式。
• 解释代理如何基于对真实序列的噪声观测，利用贝叶斯估计推断基本价值。
• 详细说明两种广泛使用的代理的决策机制：零智能代理和启发式信念学习代理。
• 展示代理如何从历史订单数据中计算预期盈余，以优化限价单的设定。
• 提出ABIDES模拟器作为支持这些模型的平台，通过Ornstein-Uhlenbeck过程实现高效的时步计算。

提出的方法

• 使用具有参数 κ（均值回归速率）、r̄（均值）和 uₜ ~ N(0, σ²ₛ)（冲击方差）的离散均值回归过程，生成基本价格序列。
• 采用连续时间的Ornstein-Uhlenbeck（OU）过程来建模基本价值，实现无需中间步骤即可高效计算未来价值。
• 在OU过程中引入“巨震事件”，以更好地模拟现实市场波动性和日内价格模式。
• 应用贝叶斯推断，基于对真实序列的噪声观测，估计当前及未来的实际基本价值。
• 使用私有估值向量 Θᵠ 和总估值向量 Vᵠ，计算代理对股票持仓的个体估值。
• 通过历史订单数据估计交易概率，将预期盈余 𝔼(s|p) 计算为（估值 − 限价）× 交易概率。

实验结果

研究问题

• RQ1 如何生成一致且外生的基本价格序列，以在基于代理的金融模拟中锚定代理行为？
• RQ2 当仅能获得噪声观测时，代理如何估计真实的基本价值？
• RQ3 零智能代理和启发式信念学习代理在模拟市场中采用何种策略设定限价单？
• RQ4 代理如何从历史订单数据中计算预期盈余，以优化限价单的选择？
• RQ5 与离散时间序列相比，OU过程在模拟稀疏代理活动方面具有哪些优势？

主要发现

• 带有随机冲击的离散均值回归序列可生成真实、噪声明显且向长期均值回归的基本价格路径。
• Ornstein-Uhlenbeck过程通过允许直接计算未来基本价值而无需遍历每个时间点，实现了高效模拟。
• 在OU过程中引入巨震事件，可生成更接近真实股票图表的日内价格模式。
• 在已知底层过程参数的情况下，使用贝叶斯估计的代理能够以高精度推断真实基本价值。
• 启发式信念学习代理在 $100.0 处设定限价买入单，基于交易概率和估值，实现了最大预期盈余 $0.10。
• ABIDES模拟器通过纳秒级分辨率的时间步进和即插即用的代理实现，高效支持了这些模型。