CC BY
85
9.5. СОВРЕМЕННАЯ ЭКОНОМИКА: МУЛЬТИДИСЦИПЛИНАРНЫЙ ПОДХОД
Караев Алан Канаматович, доктор технических наук, профессор. Финансовый университет при Правительстве Российской Федерации. Директор Центра поведенческой экономики
Место работы: Центр поведенческой экономики
a_k58@mail.ru
Мельничук Марина Владимировна, доктор экономических наук, профессор. Заведующий кафедрой «Иностранные языки-3»
Место работы: Финансовый университет при
Правительстве Российской Федерации
mvmelnichuk@gmail. com
Аннотация: Изложена концепция представления экономики и финансовых рынков как комплексной развивающейся системы взаимосвязанных сетей взаимодействующих экономических агентов, которая полностью отличается от той, что доминирует в настоящее время в большинстве традиционных экономических моделей: используемые инструменты и
подходы направлены в большей степени на анализ поведения социально-экономических систем во время кризисов, нежели чем в спокойные периоды.
Ключевые слова: мировой кризис, комплексные
системы, сетевой подход, агентно ориентированные модели, модель согласованных потоков и запасов
MODERN ECONOMICS: MULTIDISCIPLINARY APPROACH
Karaev Alan K., Doctor of Engineering, professor. Financial University under the Government of the Russian Federation. Director of the Behavioral Economics Centre Place of employment: the Behavioral Economics Centre
a_k58@mail.ru
Melnichuk Marina V., Doctor of Economics, professor Head of the Department of «Foreign Languages-3»
Place of employment: Financial University under the Government of the Russian Federation
mvmelnichuk@gmail.com
Annotation: The authors represent a conception view of the economy and financial markets as a complex evolving system of interconnected networks of interacting economic agents. It is completely different from the one that dominates in most traditional economic models because used tools and approaches focus more on the analysis оf social and economic systems behavior in times of crisis, rather than in quiet period
Keywords: world crisis, complex systems, network
approach, agent-based models, FSC model
Глобальная экономика представляет собой многомасштабную комплексную систему, и для изучения ее функционирования требуется мультидисциплинарный подход. В частности, чтобы понимать природу финансовых кризисов, усовершенствовать способы их раннего обнаружения и разрабатывать новую комплексно-ориентированную экономическую политику, необходимо исследовать взаимодействия и обратные связи между финансовыми рынками и макроэкономикой, важность которых доказал кризис первого десятилетия XXI века.
18 ноября 2010 года председатель правления Европейского Центрального Банка Жан-Клод Трише, открывая главную ежегодную конференцию Центральных Банков, обратился к научному сообществу с призывом разрабатывать принципиально новые подходы к изучению и пониманию экономики: «Когда наступил кризис, сразу стали очевидными серьезные ограничения существующих экономических и финансовых моделей. Макромодели не смогли не только предсказать кризис ... они даже не смогли внятно объяснить, что происходит с экономикой. Главный урок, который можно извлечь ... всегда есть опасность совершения фатальных ошибок при использовании только лишь одного инструмента, одной методологии и парадигмы. Лежащие в основе рациональных моделей атомистические агенты стремятся решать только оптимизационные задачи, при этом в моделях не учитывается нерациональность поведения агентов в период кризиса.» Ж.-К.Трише акцентировал внимание на том, что именно эмпирический подход, который ставит во главу угла индуктивный метод рассуждений на основе реальных данных, а не дедуктивный метод рассуждений, основанный на абстрактных положениях или предположениях, должен и будет лежать в центре будущих методов исследования, среди которых превалирующая роль принадлежит компьютерному моделированию.
Таким образом, выявление скрытых механизмов и процессов, лежащих в основе функционирования интерактивных комплексных социально-экономических систем, является одной из наиболее актуальных научных проблем нашего века1.
Не менее важной проблемой является генерируемый этой системой поток данных, нарастающий с колоссальной скоростью. Для преобразования этих данных в знания для эффективного управления поведением реальных социально-экономических систем необходимы новые модели на основе новых, социально интерактивных, надежных и адаптивных информационных и коммуникационных технологий (ИКТ)2
Для решения таких масштабных проблем (в соответствии с предложением Трише) необходима интеграция различных научных дисциплин, таких как ИКТ, естественные науки, социальные науки (экономика, финансы, социология..), компьютерные науки, которая способствовала бы симбиотической коэволюции этих областей и созданию комплексных компьютерных и научных методов (новые платформы для развития и применения принципов добычи данных - Data Mining, поиска процессов -Process mining, вычислительного и искусственного интеллекта и т.д.), которые в сочетании с
1 G.A. Akerlof, R.J. Shiller, Animal Spirits: How Human Psychology Drives the Economy, and Why It Matters for Global Capitalism.Princeton University Press, Princeton (2009); W. Brian Arthur, N. Durlauf, Steven, A. Lane, David (eds.), The Economy as an Evolving Complex system II. SFI Studies in the Complexity of Science, Perseus Books Group (1997); J. Stiglitz, S. Salop, Rev. Econom. Stud. 44, 493 (1977)
2 W. Brian Arthur, N. Durlauf, Steven, A. Lane, David (eds.), The Economy as an Evolving Complex system II. SFI Studies in the Complexity of Science, Perseus Books Group (1997); D. Delli-Gatti, E. Gaffeo, M. Gallegati, G. Giulioni, A. Pallestrini, Emergent Macroeconomics. An Agent-based Approach to Business Fluctuations. Springer Verlag, Milan. ( 2008); J.D.Farmer, M. Gallegati, C. Hommes, A. Kirman, P. Ormerod, S.Cincotti,
A.Sanchez, and D.Helbing. A complex systems approach to constructing better models for managing financial markets and the economy. Eur. Phys. J. Special Topics 214, 295-324 (2012).
экономической теорией и эконометрическими методами могут быть использованы для идентификации возникающих социальных и экономических рисков, нестабильностей и кризисов.
Представление об экономике как о комплексной системе восходит еще ко временам Адама Смита, который описал экономику и создаваемое ею социальное благосостояние как эмерджентный процесс, основанный на самоорганизованном поведении независимо и автономно действующих самомотивированных индивидуумов. Комплексным системам присущи следующие характеристики:
- они состоят из большого количества взаимодействующих индивидуальных элементов, являются динамическими, а не статическими, по сути вероятностными, а не детерминистскими, весьма трудны для прогнозирования и управления и насыщены нелинейными или сетевыми взаимодействиями между составляющими частями (агентами);
- на индивидуальное поведение элементов системы оказывает прямое воздействие поведение системы в целом, и в то же время их взаимодействия ведут к возникновению качественно новых свойств в поведении системы на агрегированном уровне; незначительные изменения обладают способностью вызывать крупномасштабные события;
- комплексные системы характеризуются критическими точками и резким изменением смены режимов поведения, что может привести к серьезным сбоям в работе системы, вызываемыми каскадными явлениями;
- чрезвычайные события в комплексных системах наблюдаются гораздо чаще, чем предполагается стандартными допущениями прикладной эконометрики, то есть наблюдаемые данные не соответствуют гауссовому, или нормальному, распределению3.
Одним из самых успешных подходов изучения экономики с позиций комплексных систем стало использование сетевых моделей: сети межбанковских займов и международной торговли, сети корпоративной собственности и т.д. В поведении этих сетей самое важное заключается в том, что все эти сети взаимодействуют друг с другом, но пока эти взаимодействия остаются недостаточно
исследованными. Взгляд на экономику как на систему развивающихся связных сетей дает совершенно другую экономико-политическую перспективу. Ключевой особенностью является то, что поведение экономики на агрегированном уровне возникает из взаимодействий как индивидуумов в каждой сети, так и самих сетей. Традиционные рекомендации в области экономической политики основаны на реакциях индивидуальных узлов (люди, фирмы, институты) в ответ на изменения в политике. Предлагаемый сетевой подход открывает возможность идентифицировать и выделять внутри системы ключевые узлы, повышая тем самым эффективность проводимой политики. Он также позволяет лицам, принимающим политические решения, воздействовать на механизм развития структуры сети. Так, например, в Базельских соглашениях основной упор был сделан на управление и повышение жизнеспособности отдельных финансовых институтов, а
3 C.H. Hommes, Behavioral rationality and heterogeneous expectations in complex economic systems. Cambridge University Press. (2013)
B. LeBaron, in Handbook of Computational Economics, vol. 2: Agent-Based Computational Economics K.L. Judd, L. Tesfatsion. Elsevier/NorthHolland Handbooks in Economics Series. (2006)
не на способах их взаимозависимости, и, следовательно, на жизнеспособности и устойчивости всей банковской системы в целом.
Динамика и развитие таких сетей отражает рост и развитие экономики в целом. Колебания и изменения в сетях в течение делового цикла потенциально дают гораздо более точный и детализированный взгляд на изменения состояний экономики, чем ряд агрегированных показателей, таких как ВВП и безработицы.
Ключевым аспектом изучения современной экономики, базирующемся на мультидисциплинарном подходе, является использование инструментов ИКТ для получения информации о структуре релевантных сетей в определенный момент времени, а также контроль за их развитием во времени.
В создаваемые агентно ориентированные модели необходимо включить ключевые свойства топологии сетей и поведенческие правила агентов, которые позволят структуре развиваться во времени. В частности, то, что считалось ключевым свойством финансовых сетей - их связность - должно быть заменено другими сетевыми характеристиками, такими как степень распределения и кластеризации, которые могут служить
4
показателями уязвимости .
В сравнении с эконометрическими моделями или моделями DSGE (модели динамического стохастического общего равновесия) - основного направления - мэйнстрим экономической науки, которые формулируются в терминах агрегированных величин, агентно ориентированное моделирование проводится на микроскопическом уровне - на уровне агентов, которыми могут быть домохозяйства, фирмы или правительства. Эти модели используют вычислительные мощности, позволяющие имитировать поведение огромного (более миллиона) количества различных агентов, они не зависят от сложных математических допущений или решений в замкнутом виде, что позволяет реализовать нелинейное поведение системы без ограничений по степени реализма5.
В последние годы поведенческая экономика сделала огромный шаг вперед в понимании и объяснении реального поведения экономических агентов. Полученные знания используются в агентно ориентированном моделировании поведения комплексных интерактивных связных сетей, отслеживания их взаимодействий через потребление,
производство, бюджеты, займы, потоки товаров и услуг,
6
инвестиции, торговлю и т.п. .
Экономика генерирует огромные потоки данных, сбор и запись которых интегрированным способом в настоящее время не производятся, тогда как именно они дают более глубокое понимание происходящих в экономике процессов, чем сами источники данных.
На финансовых рынках ежедневно производятся сотни миллионов торговых операций. Только на валютных
4 K. Anand, A. Kirman, M. Marsili, Eur. J. Finance 0, 1 (2011)
5 D. Colander, H. Follmer, A. Haas, M.D. Goldberg, K. Juselius, A. Kirman, T. Lux, B. Sloth, Economics Discussion Paper 09-03, Univ. of Copenhagen Dept. (2009)
6 Battiston, S., Delli Gatti, D., Gallegati, M., Greenwald, B. & Stiglitz, J. E. Default cascades: when does risk diversification increase stability? J. Financ. Stab. 8, 138-149 (2012).; S. Battiston, D. Delli-Gatti, M. Gallegati,
B.C. Greenwald, J.E. Stiglitz, J. Credit chains and bankrupsy propagation in production networks. Journal of Economic Dynamics and Control 31 2061-2084.(2011); W. Brock, C. Hommes, F. Wagener, J. Econom. Dyn. Control 33, 1912 (2009)
рынках каждый день продается и покупается около трех триллионов евро, что соответствует почти 25-кратному дневному мировому ВВП. С точки зрения экономической теории остается загадкой, зачем нужен такой большой объем торгов и почему валютные рынки так активны. Никто не может ответить на вопрос, какая доля приходится на реальную экономическую деятельность и каков процент спекулятивных сделок. Создание и изучение сетей трейдеров способствовало бы пониманию функционирования фондовых рынков.
Получение соответствующих данных по некоторым основным рынкам может привести к прорыву в понимании реальных механизмов функционирования рынков и причин их дестабилизации7.
Данные, характеризующие транзакции между
фирмами, необходимы для разработки моделей поведения фирм, которые способствовали бы более фундаментальному пониманию того, как растет экономика, и позволили бы иметь более детализированную и структурированную картину того, почему со временем в этом росте происходят
колебания8.
Мировой финансовый кризис нового тысячелетия выявил важность кредитов для функционирования всей экономики и прояснил, насколько недостаточна наша информация о сети кредитования - Федеральный
резервный банк США, например, не имел во время кризиса возможностей отслеживать кредитные рынки США, несмотря на наличие полномочий контроля над банками. Мировые центральные банки извлекли урок из этой ситуации и организовали кампанию по предоставлению им более широких возможностей по отслеживанию кредитных рынков: так, например,
Федеральный резервный банк США имеет теперь подробную сводку о транзакциях всех коммерческих банков в США на поминутной основе. Аналогичные проекты по сбору данных готовятся Английским банком и Европейским центральным банком. Таким образом, необходимо работать в партнерстве с банками по созданию полностью анонимных данных о кредитных сетях с целью доступности их для исследователей .
Каждый день производятся миллиарды потребительских транзакций. Они все чаще регистрируются в электронном виде, что дает лучшую возможность понять поведение потребителей. Многие розничные фирмы выполняют подробный анализ транзакций, чтобы лучше понять способы сбыта своей продукции; при этом, к сожалению, сдерживающим фактором является то, что эти пакеты данных преимущественно являются частной собственностью. Авторы намерены установить сотрудничество с розничными фирмами с целью развития потенциальных возможностей этих данных.
Одним из наиболее трудных моментов в разработке моделей принятия решения экономическими агентами являются трудно поддающиеся измерениям ожидания агентов. Традиционный метод измерения ожиданий предусматривает проведение дорогостоящих
7 J.D. Farmer, J. Geanakoplos, Complexity 14, 11 (2009); J. Geanakoplos, R. Axtell, D. Farmer, P. Howitt, B. Conlee, J. Goldstein, M. Hendrey, N. Palmer, C-Y. Yang, Getting at Systemic Risk Via an Agent-Based Model of the Housing Market/ Cowles Foundation Discussion Paper No. 1852 82012)
8 T. Lux, in Handbook of Financial Markets: Dynamics and Evolution, edited by T. Hens, K.R. Schenk-Hoppe. Elsevier. (2009)
9 P. Ormerod, Risk Management 12, 83 (2010)
наблюдений и изысканий, занимающих много времени и статистически ненадежных. Современные ИКТ предоставляет гораздо более эффективную альтернативу: наш мир изобилует потоками электронных текстов, поступающих из огромного количества интернет-сайтов, источников и носителей новостей, социальных сетей. Путем сбора этих данных и разработки новых эффективных методов текстового анализа имеется возможность измерения ожиданий в реальном времени. Такие измерения могут быть чрезвычайно полезными для экономического моделирования с целью, например, контроля экономических настроений и использования их в агентно ориентированных моделях для последующего макроэкономического прогнозирования.
В настоящее время существуют два стандартных подхода формирования макроэкономической политики: во-первых, эконометрические модели или модели временного ряда, нацеленные на поиск структуры в макроэкономических временных данных; во-вторых, модели динамического стохастического общего равновесия (DSGE), являющиеся эталоном современной макроэкономики и ориентирующиеся на поведение рационального репрезентативного экономического индивидуума, которое полностью соответствует поведению всей системы. При этом предполагается, что репрезентативный экономический агент способен понимать эволюционное развитие экономики и действовать соответствующим образом10.
Решение всех наиболее крупных вышеназванных проблем сводится к необходимости существенного расширения научной платформы для проведения макроэкономического анализа и прогнозирования с использованием сложных агентно ориентированных моделей, а также к интеграции в реальном времени реальных данных, генерируемых экономикой с модельными результатами, с активным применением передовых иКТ-инструментов, которые позволяли бы обнаруживать потенциальные кризисы на ранней стадии их зарождения и разрабатывать превентивные или профилактические меры по предотвращению данных явлений, указывать способы управления кризисом с точки зрения комплексности системы, диагностировать роль финансовых инноваций, институционального дизайна и рыночного регулирования в достижении стабильности и устойчивости мировых финансовых рынков.
В настоящее время широко распространено мнение, что современные рынки стали гораздо более уязвимыми и подвержены внезапным резким изменениям в результате разработанных алгоритмов автоматической торговли. Последние, например, часто включают команду стоп-лосс (ограничения на потери), сигнализирующую о необходимости продать, если цена падает до определенного уровня. Если многие алгоритмы будут иметь одинаковые пороговые значения, это может вызвать обвал продаж, как это произошло в мае 2010 года на Нью-Йоркской фондовой бирже (NYSE)11.
Вопрос, рассматриваемый в настоящее время с прагматической точки зрения, состоит в том, как
10 M. Woodford, Amer. Econom. J. Macroeconom. 1 (2009)
11 J.D.Farmer, M. Gallegati, C. Hommes, A. Kirman, P. Ormerod,
S.Cincotti, A.Sanchez, and D.Helbing. A complex systems approach to constructing better models for managing financial markets and the economy. Eur. Phys. J. Special Topics 214, 295-324 (2012).
ограничить влияние алгоритмов автоматической торговли на динамику цен. Для этого необходимо разработать конкретные научно обоснованные предложения о том, как это делать без нарушения базовых рыночных функций.
В связи с тем, что волатильность финансовых рынков время от времени быстро возрастает без какого-либо экзогенного «удара», необходимо разработать комплекс научно обоснованных мер, направленных на уменьшение волатильности. Конкретным примером может послужить «налог Тобина» на финансовые транзакции. Основной аргумент исключительно прост: введение небольшого налога воспрепятствует большому количеству краткосрочных финансовых операций, целью которых является получение небольшой прибыли. Данный постулат требует научно обоснованного доказательства, так как опыт некоторых фондовых рынков, где такой налог уже существует, является недостаточным. Более того, Тайваньский фондовый рынок, имеющий значительный налог Тобина (25 базисных пунктов), находится в ряду самых волатильных.
Таким образом, налог, декларируемый как способ уменьшения волатильности на рынках, не приводит к очевидным результатам, и эту задачу возможно рассмотреть с позиций агентно ориентированного комплексного моделирования.
Несмотря на то, что макроэкономика и деловые циклы исследуются в течение длительного времени, пока отсутствует удовлетворительная теория различных колебаний и флуктуаций экономической активности, наблюдаемых на практике в экономике.
Наиболее важной характеристикой
макроэкономических систем является их комплексность, в частности, макроэкономика Евросоюза - это многомасштабная комплексная система
взаимодействующих национальных экономик, где проблемы небольших стран (Греция, Ирландия, Португалия) могут заразно распространяться и угрожать макростабильности больших стран (Германии, Франция, Великобритания), равно как и Евросоюзу и мировой экономике в целом.
Очень важным направлением исследований финансово индуцированных нестабильностей в макроэкономических системах является выявление механизма взаимодействия финансового и реального секторов экономики и изучение обратных связей между ними. Сложное поведение макроэкономической системы, с наличием критических режимов поведения, вытекает также и из финансовой структуры экономики, отражаемой в балансовых отчетах, а не только из факта гетерогенности взаимодействующих агентов. В качестве наиболее успешного варианта объяснения механизма возникновения текущего кризиса, наглядно демонстрирующего, что нелинейное поведение и резкий переход может возникнуть из структуры балансового отчета макроэкономики, даже без микрооснований, мы рассматриваем модель согласованных потоков и запасов (SFC model). Мы полагаем, что объединение двух подходов на основе агентно ориентированной модели и модели SFC может быть эффективно использовано для изучения динамики вертикально-интегрированной четырехсекторной (домохозяйства, фирмы, банки и правительство) макроэкономической системы локально взаимодействующих гетерогенных агентов на рынках труда, денег, продуктов, бондов. Это, в свою очередь, даст возможность воспроизвести основные реально наблюдаемые стилизованные факты, включая
распределение доходов или богатства среди домохозяйств, распределение фирм по размерам, бизнес-циклы и другие эмпирические степенные распределения с тяжелыми хвостами.
В качестве примера можно привести проведенный авторами численный эксперимент изучения динамики четырехсекторной макроэкономической системы локально взаимодействующих гетерогенных агентов со следующими значениями параметров: 500 домохозяйств, 150 фирм, 75 банков. Изначально все агенты имели следующее количество денег: 1000 каждое
домохозяйство и фирма, 10000 каждый банк, 1000 правительство.
Необходимый резервный уровень гг = 0.1, что соответствует денежной базе МВ = 1401000.
Начальный налоговый уровень (ставка) составляет 10 % , а процентная ставка по кредитам 1%.
Остальные параметры имеют следующие значения: d = 0.5, п = 0.6, т = 0.5, Y= 1, а1 = 0.7, а2 = 0.2,аз = 0.1, 0Н = 0.5, 0Р = 0.5, spcollege= 100, spвA = 300,
SPMA = 500, SpphD = 800, 0Со11еде = 2, 0ВА = 4, 0МА = 6, 0phD =
8, ротГ = 10000, рот? = 1000, дтгезшок = 2000, ьирре1ге8№ок1 = 1000, ьЬще1ШгезШок = 500.
Некоторые графические результаты моделирования искусственной экономики при выбранных значениях используемых параметров представлены на рисунке, из которого видно, что безработица и налоговые ставки изменяются синхронно. Это является подтверждением того, что правительство увеличивает (снижает) налоговые ставки, реагируя на повышение(снижение) уровня безработицы, так это требует дополнительных расходов, финансируемых за счет налоговых доходов. Тем самым государство в модели выступает как пассивный агент, выполняющий функцию автоматического стабилизатора12 [19].
Доля безработны!! и налоговая ставка
Рис. Динамика доли безработных и налоговой ставки.
Результаты компьютерных экспериментов могут быть использованы для разработки долгосрочных Государственных программ устойчивого развития реальной экономики.
Директивные органы часто сталкиваются с проблемой разработки эффективной
перераспределительной политики в экономике и использования ее на практике. Например, не совсем понятно, какими должны быть наилучшие стратегии формирования более эгалитарного общества, цель, к которой, возможно, следует стремиться, чтобы не провоцировать социальную напряженность. В этом отношении агентно ориентированные модели
12 Мельничук М.В., Караев А.К. Агентно ориентированная макроэкономическая модель анализа экономической (фискальной) политики //Налоги и налогообложение. М.-2011.-№12.
обеспечивают естественный учет распределения экономических переменных на индивидуальных уровнях и, вследствие этого, могут рассматриваться как важный инструмент в формировании социально ориентированной макроэкономической политики.
Все вышесказанное предоставит беспрецедентные возможности для наблюдения, изучения и понимания социально-экономической ткани окружающего нас мира и расширит возможности человечества для принятия обоснованных, ответственных решений о своем будущем.
Список литературы:
1. G.A. Akerlof, R.J. Shiller, Animal Spirits: How Human Psychology Drives the Economy, and Why It Matters for Global Capitalism. Princeton University Press. Princeton ( 2009)
2. K. Anand, A. Kirman, M. Marsili, Eur. J. Finance 0, 1 (2011)
3. W. Brian Arthur, N. Durlauf, Steven, A. Lane, David (eds.), The Economy as an Evolving Complex system II. SFI Studies in the Complexity of Science, Perseus Books Group (1997)
4. Battiston, S., Delli Gatti, D., Gallegati, M., Greenwald, B. & Stiglitz, J. E. Default cascades: when does risk diversification increase stability? J. Financ. Stab. 8, 138-149 (2012)
5. S. Battiston, D. Delli-Gatti, M. Gallegati, B.C. Greenwald, J.E. Stiglitz, J. Credit chains and bankrupsy propagation in production networks. Journal of Economic Dynamics and Control 31 2061-2084 (2011)
6. W. Brock, C. Hommes, F. Wagener, J. Econom. Dyn. Control 33, 1912 (2009)
7. S. Cincotti, D. Sornette, P. Trelaeven, S. Battiston, G. Caldarelli, C.H. Hommes, A. Kirman, Eur. Phys. J. Special Topics 214, 361 (2012)
8. D. Colander, H. Follmer, A. Haas, M.D. Goldberg, K. Juselius, A. Kirman, T. Lux, B. Sloth, Economics Discussion Paper 09-03, Univ. of Copenhagen Dept. (2009)
9. D. Delli-Gatti, E. Gaffeo, M. Gallegati, G. Giulioni, A. Pallestrini, Emergent
Macroeconomics. An Agent-based Approach to Business Fluctuations. Springer Verlag. Milan (2008)
10. J.D. Farmer, J. Geanakoplos, Complexity 14, 11 (2009)
11. J.D.Farmer, M. Gallegati, C. Hommes, A. Kirman, P. Ormerod, S.Cincotti, A.Sanchez, and D.Helbing. A complex systems approach to constructing better models for managing financial markets and the economy. Eur. Phys. J. Special Topics 214, 295-324 (2012)
12. J. Geanakoplos, R. Axtell, D. Farmer, P. Howitt, B. Conlee, J. Goldstein, M. Hendrey, N. Palmer, C-Y. Yang, Getting at Systemic Risk Via an Agent-Based Model of the Housing Market/ Cowles Foundation Discussion Paper No. 1852 (2012)
13. C.H. Hommes, Behavioral rationality and heterogeneous expectations in complex economic systems. Cambridge University Press ( 2013)
14. B. LeBaron, in Handbook of Computational Economics, vol. 2: Agent-Based Computational Economics K.L. Judd, L. Tesfatsion . Elsevier/North-Holland Handbooks in Economics Series (2006)
15. T. Lux, in Handbook of Financial Markets: Dynamics and Evolution, edited by T. Hens, K.R. Schenk-Hoppe. Elsevier (2009)
16. P. Ormerod, Risk Management 12, 83 (2010)
17. J. Stiglitz, S. Salop, Rev. Econom. Stud. 44, 493 (1977)
18. M. Woodford, Amer. Econom. J. Macroeconom. 1 (2009)
19.Мельничук М.В., Караев А.К. Агентно ориентированная макроэкономическая модель анализа экономической (фискальной) политики //Налоги и налогообложение. М.-2011 .-№12.
Reference list:
1. G.A. Akerlof, R.J. Shiller, Animal Spirits: How Human Psychology Drives the Economy, and Why It Matters for Global Capitalism. Princeton University Press. Princeton (2009)
2. K. Anand, A. Kirman, M. Marsili, Eur. J. Finance 0, 1 (2011)
3. W. Brian Arthur, N. Durlauf, Steven, A. Lane, David (eds.), The Economy as an Evolving Complex system II. SFI Studies in the Complexity of Science, Perseus Books Group (1997)
4. Battiston, S., Delli Gatti, D., Gallegati, M., Greenwald, B. & Stiglitz, J. E. Default cascades: when does risk diversification increase stability? J. Financ. Stab. 8, 138-149 (2012)
5. S. Battiston, D. Delli-Gatti, M. Gallegati, B.C. Greenwald, J.E. Stiglitz, J. Credit chains and bankrupsy propagation in production networks. Journal of Economic Dynamics and Control 31 2061-2084 (2011)
6. W. Brock, C. Hommes, F. Wagener, J. Econom. Dyn. Control 33, 1912 (2009)
7. S. Cincotti, D. Sornette, P. Trelaeven, S. Battiston, G. Caldarelli, C.H. Hommes, A. Kirman, Eur. Phys. J. Special Topics 214, 361 (2012)
8. D. Colander, H. Follmer, A. Haas, M.D. Goldberg, K.
Juselius, A. Kirman, T. Lux, B. Sloth, Economics Discussion Paper 09-03, Univ. of Copenhagen Dept. (2009)
9. D. Delli-Gatti, E. Gaffeo, M. Gallegati, G. Giulioni, A.
Pallestrini, Emergent
Macroeconomics. An Agent-based Approach to Business Fluctuations. Springer Verlag. Milan (2008)
10. J.D. Farmer, J. Geanakoplos, Complexity 14, 11 (2009)
11. J.D.Farmer, M. Gallegati, C. Hommes, A. Kirman, P. Ormerod, S.Cincotti, A.Sanchez, and D.Helbing. A complex systems approach to constructing better models for managing financial markets and the economy. Eur. Phys. J. Special Topics 214, 295-324 (2012)
12. J. Geanakoplos, R. Axtell, D. Farmer, P. Howitt, B. Conlee,
J. Goldstein, M. Hendrey, N. Palmer, C-Y. Yang, Getting at
Systemic Risk Via an Agent-Based Model of the Housing Market/ Cowles Foundation Discussion Paper No. 1852 (2012)
13. C.H. Hommes, Behavioral rationality and heterogeneous expectations in complex economic systems. Cambridge University Press ( 2013)
14. B. LeBaron, in Handbook of Computational Economics, vol. 2: Agent-Based Computational Economics K.L. Judd, L. Tesfatsion . Elsevier/North-Holland Handbooks in Economics Series (2006)
15. T. Lux, in Handbook of Financial Markets: Dynamics and Evolution, edited by T. Hens, K.R. Schenk-Hoppe. Elsevier (2009)
16. P. Ormerod, Risk Management 12, 83 (2010)
17. J. Stiglitz, S. Salop, Rev. Econom. Stud. 44, 493 (1977)
18. M. Woodford, Amer. Econom. J. Macroeconom. 1 (2009)
19. M.Melnichuk, A.Karaev. Agent-based macroeconomic model of economic (fiscal) policy analysis //Taxes and taxation. Moscow.-2011.-№12.
