[论文解读] Scalability and Optimisation of a Committee of Agents Using Genetic Algorithm

Tshilidzi Marwala, Philippe De Wilde+6 more|arXiv (Cornell University)|May 12, 2007

Stock Market Forecasting Methods参考文献 6被引用 17

一句话总结

本文提出了一种可扩展的多智能体股票市场仿真系统，其中基于神经网络的智能体委员会通过遗传算法进行优化，以预测并交易股票。该系统在代理和玩家数量增加时表现出线性计算扩展性，并确保在道琼斯、纳斯达克和标普500指数中，无单一智能体在交易决策中获得垄断优势。

ABSTRACT

A population of committees of agents that learn by using neural networks is implemented to simulate the stock market. Each committee of agents, which is regarded as a player in a game, is optimised by continually adapting the architecture of the agents using genetic algorithms. The committees of agents buy and sell stocks by following this procedure: (1) obtain the current price of stocks; (2) predict the future price of stocks; (3) and for a given price trade until all the players are mutually satisfied. The trading of stocks is conducted by following these rules: (1) if a player expects an increase in price then it tries to buy the stock; (2) else if it expects a drop in the price, it sells the stock; (3)and the order in which a player participates in the game is random. The proposed procedure is implemented to simulate trading of three stocks, namely, the Dow Jones, the Nasdaq and the S&P 500. A linear relationship between the number of players and agents versus the computational time to run the complete simulation is observed. It is also found that no player has a monopolistic advantage.

研究动机与目标

• 开发一种基于学习智能体委员会的可扩展且公平的股票市场动态仿真系统。
• 解决在多智能体环境中优化智能体架构以提升交易表现的挑战。
• 通过强制随机参与顺序和均衡决策规则，确保无单一智能体在市场中占据主导地位。
• 评估系统在代理和玩家数量增加时的计算可扩展性。
• 在真实世界股票指数（道琼斯、纳斯达克和标普500）上验证系统性能。

提出的方法

• 将一组智能体委员会建模为模拟股票市场环境中的游戏参与者。
• 每个智能体使用神经网络基于当前市场数据预测未来股票价格。
• 应用遗传算法持续优化智能体的架构和参数。
• 交易决策遵循基于规则的系统：若预测价格上涨则买入，若预期下跌则卖出。
• 参与者以随机洗牌的顺序参与交易轮次，以防止获得策略优势。
• 仿真在三个主要股票指数上运行：道琼斯、纳斯达克和标普500，性能在所有指数上进行测量。

实验结果

研究问题

• RQ1 在多智能体系统中，随着代理和玩家数量的增加，计算时间如何变化？
• RQ2 基于遗传算法的智能体架构优化是否能提升模拟市场中的交易表现？
• RQ3 该系统是否能防止任何单一智能体在交易决策中获得垄断优势？
• RQ4 智能体委员会规模与模拟股票市场中系统可扩展性之间的关系是什么？
• RQ5 交易规则和随机参与顺序如何影响市场公平性与结果稳定性？

主要发现

• 观察到代理和玩家数量与运行仿真所需总计算时间之间存在线性关系。
• 由于参与顺序随机且决策规则均衡，无单一玩家或代理在市场中获得垄断优势。
• 该系统成功模拟了在道琼斯、纳斯达克和标普500三个主要股票指数中的交易行为。
• 遗传算法优化有效适应了智能体架构，从而提升了预测与交易表现。
• 多智能体框架表现出可扩展性，计算负载随系统规模成比例增加。
• 该模型保持了公平性与竞争平衡，由于结构或程序上的优势，无智能体能持续优于其他智能体。