Агентно-ориентированное моделирование фондового рынка Текст научной статьи по специальности «Экономика и бизнес»

УДК 519.866

АГЕНТНО-ОР1еНТОВАНЕ МОДЕЛЮВАННЯ ФОНДОВОГО РИНКУ

© 2015

примосткА а. о.

УДК 519.866

Примостка А. О. Агентно-оркнтоване моделювання фондового ринку

У статт'1 розглянуто основш положення концепцИ агентно-ор'кнтованого моделювання, надано трактування поняття «агент», проанал'вова-но агентно-ор1ентован1 модел'> фнансових ринюв. Основну увагу прид'шено агентно-ор'кнтованш модел'> фондового ринку Люкса - Марчез'>, яка за допомогою специально розробленого програмного модуля використана для побудови штучного ринку, що дозволяе iмтувати роботу фондового ринку та прогнозувати його цнову динамку. За результатами комп'ютерноi симуляцИ отримано прогноз динамiки змiни ринковоi цни та до-хiдностiакцй, розпод'ш трейдер'в на чартист'в iфундаменталкт'в, шдекснастрою, якийхарактеризуеспiввiдношеннямiжпесимстичними та оптимстичними чартистами. Запропонований шдюд може бути використаний для прогнозування динамки втчизняного фондового ринку або його окремих складових за умов високоi волатильностi цн та р'вкоi змiни настроив трейдер'ш.

Ключов'! слова: агенти, агентно-ор'кнтоване моделювання, модель штучного ринку, чартисти, фундаменталсти, ринкова цна акцй. Рис.: 6. Формул: 15. Шбл.: 11.

Примостка Андрй Олександрович - астрант, кафедра iнформацiйних систем в економщ Ки/вський нацональний економiчний ушверситет iм. В. Гетьмана (пр. Перемоги, 54/1, Ки/в, 03068, Укра/на) E-mail: [email protected]

УДК 519.866

Примостка А. А. Агентно-ориентированное моделирование фондового рынка

В статье рассмотрены основные положения концепции агентно-ориен-тированного моделирования, приведена трактовка понятия «агент», проанализированы агентно-ориентированные модели финансовых рынков. Основное внимание было уделено агентно-ориентированной модели фондового рынка Люкса - Марчези, которая была взята за основу при разработке программного модуля расчета искусственного рынка, позволяющего имитировать работу фондового рынки и прогнозировать его ценовую динамику. В результате компьютерной симуляции был получен прогноз динамики изменения цены и доходности акций, распределение трейдеров на чартистов и фундаменталистов, индекс настроений, который характеризует соотношение между пессимистическими и оптимистическими чартистами. Предложенный подход может быть использован для прогнозирования динамики отечественного фондового рынка или его отдельных составляющих при условиях высокой вола-тильности цен и резкого изменения настроений трейдеров.

Ключевые слова: агенты, агентно-ориентированное моделирование, модель искусственного рынка,чартисты, фундаменталисты, рыночная цена акций. Рис.: 6. Формул: 15. Библ.: 11.

Примостка Андрей Александрович - аспирант, кафедра информационных систем в экономике, Киевский национальный экономический университет им. В. Гетьмана (пр. Победы, 54/1, Киев, 03068, Украина) E-mail: [email protected]

UDC 519.866

Prymostka A. O. Agent-Oriented Modeling of Stock Market

In article the main points of the conception of agent-oriented modeling are considered, an interpretation of the term «agent» is presented, agent-oriented models of financial markets are analyzed. The main attention is paid to the agent-oriented model of stock market by Lux and Marchesi, which was used as a basis for development of a programming unit for calculation of artificial market to simulate stock market's activity and predict its price dynamics. As result of computer simulation, a forecast of dynamics of prices change and profitability of shares, distribution of traders on the chartists and fundamentalists, economic sentiment index that characterizes the relationship between pessimistic and optimistic chartists, have been obtained. The proposed approach can be used to predict dynamics of the domestic stock market or its individual components under the conditions of high volatility of prises and sudden change of traders' sentiments.

Key words: agents, agent-oriented modeling, artificial market model, chartists, fundamentalists, market price of the shares. Pic.: 6. Formulae: 15. Bibl.: 11.

Prymostka Andrii O. - Postgraduate Student, Department of Information Systems in the Economy, Kyiv National Economic University named after V. Getman (pr. Peremogy, 54/1, Kyiv, 03068, Ukraine) E-mail: [email protected]

Зрозвитком та ускладненням суспкьних в1дносин виникае необх1дшсть спрощення представлення складних систем та урахування в них можливих дш користувача. Ефективним способом виршення ще! про-блеми став агентно-ор1ентований шдх1д до моделювання складних систем. Концепц1я агентно-ор1ентованого моделювання е одним 1з напрям1в розвитку парадигми об'ектно-ор1енованого програмування, що передбачае посл1довний переход, в1д команд до функцш, в1д функцш до об'ектш, в1д об'ектш до агент1в.

Ключова ¡деяконцепци агентно-ор1ентованого моделювання (АОМ) полягае в припущенш, що проси правила поведшки окремих агенйв генерують складну по-ведшку системи в цкому. 1м1туючиодночасш операцГ! та взаемодш багатьох агенйв, агентно-ор1енована модель дозволяе в1дтворити та передбачити появу складних явищ. Зараз АОМ використовуеться в багатьох

наукових галузях, таких як бгологгя, екологгя, фiзика, соцгологгя. Цглком 3aKOHOMipHO, що розвиток агентно-opieHTOBaHoro моделювання та комп'ютерно! технгки не Mir не поширитися на екoнoмiчну сферу. Як наслгдок, в екoнoмiчних науках сформувався окремий напрям дослг-джень, який отримав назву «aгентнo-opieнтoвaнa обчис-лювальна економгка» - АОЕ (Agent-based computational economics). Цей напрям e альтернативою стандартним пгдходам до моделювання, якг базуються на припущенш про гснування ринково! piвнoвaги (яка e швидше винят-ком), проте стають неадекватними, коли Г! не досягнуто. На противагу цьому, АОМ сконцентроване на вивченнг мiжoсoбистiснo! та сощально! взаемодГ! агентгв у дина-мiчнiй перспективг. Переваги агентно-оргентованого моделювання зумовили його поширення в дослгджен-нях економгчних процесгв та явищ, що й обумовлюе ак-туальнгсть пропоновано! статтг.

Дослцженню концепцй агентно-орieнтованого моделювання економiчних процейв у цкому, i фондового ринку зокрема, присвячено пращ багатьох науковщв, наприклад, таких як: Г. Марковщ, Т. К1м, Дж. Холланд, Дж. Х. Мклер, М. Лев^ Г. Левi, С. Соломон, Е. Зщанг, Т. Люкс, М. Марчез^ С. Чен, М. Грубер, А. Бахтизш, В. Вiтлiнський, А. Матвшчук, В. Гужва та iн. [1 - 11]. Разом з тим, вивчення та узагальнення наукових розробок засвцчуе, що парадигма агентно-орieнтованого моделювання знаходиться на еташ становлення, а тому по-требуе постiйних наукових пошукiв.

Метою статт е вдосконалення пiдходiв до агентно-орiентованого моделювання щново! динамiки фондового ринку шляхом побудови штучного ринку за допомо-гою iмiтацiйних методiв та спещально розроблених про-грамних продуктiв.

Фшансовi ринки належать до класу складних систем, для моделювання яких необхцно вико-ристовувати адекватний iнструментарiй досл-джень. З удосконаленням програмного забезпечення та зростанням потужностi обчислювально'1 технiки отри-мали розвиток комп'ютернi симуляцй ринюв з шдиш-дуальними адаптивними агентами. Хоча кторш появи термiна «агент» досить складно вцстежити, вважаеть-ся, що вперше його використали Джон Холланд i Джон Х. Мклер у роботi «Штучнi адаптивнi агенти в еконо-мiчнiй теорй» у 1991 р. [2]. У контекст АОМ шд агентами розумшть сутностi, якi працюють, взаемодiють, розвиваються, навчаються, створюють цiнностi та об-мiнюються ними. У бкьш складних моделях штучного ринку шд агентами розумшть, о^м моделi поведiнки агента на ринку, також i модель навчання. Узагальнення кнуючих пiдходiв дозволяе стверджувати, що шд агентом сл1д розумiти не ткьки модель або набiр моделей будь-яко! складносй, але й пiдсистему, що може роз-глядатися як мiкромодель бкьш глобально! системи. Наприклад, у процей глобалшаци нацiональнi ринки можуть виступати агентами транснащонального ринку, але водночас i агентно-орiентованими системами для нащональних трейдерiв. Агенти мають властивостi ав-тономностi, iнтерактивностi, гетерогенностi, здатностi до розвитку та навчання. Поведшка агенив та !х вза-емодiя залежить вiд '1хнього минулого досвiду i у багатьох агентно-орiентованих моделях агенти змшюють свою поведiнку, опираючись на минулий досвц. Такий принцип поведшки агентiв створюе залежнiсть вц про-йденого шляху, тобто властивкть, яка характеризуе ге-терогеннiсть агенпв.

Метою АОМ е виявлення та пояснення агрегова-них закономiрностей (узагальнених властивостей) економiчноl системи, якi виникають з повторювано'1 взаемоди мiж автономними гетерогенними агентами. В основу концепци агентно-орiентованого моделювання покладено принципи децентралiзованого прийняття ршень багатьма автономними агентами та зростання внаслцок цього непередбачуваностi поведшки систе-мина макрорiвнi, яка формуеться шд впливом дiй на мiкрорiвнi. Але вирiшення цих досить складних питань вткюеться у вiдносно простш моделi окремого агента,

сукупшсть яких у процеа взаемоди формують щльову модель фiнансового ринку.

Oднieю з перших areHTHO-opieHTOBaHrn: моделей фiнaнсoвих ринюв, яка стала класичною, була модель Юма - Марковща (Kim and Markowitz), розроблена у 1989 р. [3]. Модель була створена для по-яснення кризи на фондових бipжaх США 1987 р., коли фoндoвi шдекси знизилися бкьше, шж на 20 %. Автори мoделi за допомогою методу Монте-Карло дотджу-вали зв'язок мiж часткою агентш, що використовували стратеги хеджування портфеля щнних пaпеpiв, та вола-тильшстю ринку. За характером модель Юма - Марковща e вyзькoспецiaлiзoвaнoю, тому в подальшому були розроблеш aгентo-opieнтoвaнi мoделi, в яких вцтво-рювалася бкьш загальна пoведiнкa тpейдеpiв. Першою з таких моделей була модель Левi - Левi - Соломона (Levy, Levy and Solomon, 1994 p.), яка зазнала численних модифжащй: це мoделi 1995, 1997, 2000 pp.; модель Соломона - Левi - Хуана (Huang and Solomon, 2000 p.) [4, 5, 6]. Однак пoдaльшi дослцження показали, що щ пеpшi мiкpoекoнoмiчнi aгентнo-opieнтoвaнi мoделi штучних pинкiв не вцповцали реальним емпipичним спостере-женням динамжи фондових pинкiв.

Моделлю, в яюй вткено намагання екoнoмiстiв ввести гетерогенну природу до стохастичних моделей фшансових pинкiв, стала aгентнo-opieнтoвaнa модель, розроблена Люксом i Мapчезi (Lux - Marchesi, 1999 p., 2000 p.) [7, 8]. Модель надавала потенцшну можлиысть пояснення типових змш волатильност фондових pинкiв та прогнозування'1х щново! динамики. До класу альтерна-тивних моделей, що використовують нoвiтнi технологи комп'ютерного навчання, тaкi як мoделi адаптацИ лю-дини, належить aгентнo-opieнтoвaнa модель штучного ринку, створена в 1нститут Санта-Фе [9]. На вцмшу в1д попереднк АОМ, у мoделi Санта-Фе iнтеpaктивнi агенти, oкpiм природного впливу один на одного, ще й намага-ються вивчити правила ринку. Загалом прогнози мoделi e адекватними, але обмеження на гомогеншсть aгентiв ускладнила пopiвняння pезyльтaтiв моделювання з реальним ринком. Однак i ця модель мала низку недолкш, яю пiсля пyблiкaцИ 'И першо'1 версп тривалий час виправ-лялися як авторами мoделi, так й шшими науковцями. Ще одним прикладом aгентo-opieнтoвaнol мoделi штучного ринку e модель Чена та 6га (Chen and Yeh, 2001 p., 2002 p.), яю використали техшки генетичного програму-вання та показали в1дпов1дшсть мiж отриманими даними та емпipичними спостереженнями [10, 11]. За результатами вивчення переваг i недолшв aгентнo-opieнтoвaних моделей фондових ринюв для побудови штучного ринку обрано модель Люкса - Мapчезi як таку, що найбкьше вцповцае стану вiтчизнянoгo фондового ринку, осккьки в умовах його неpoзвиненoстi застосування бкьш складних моделей неефективне. Для побудови та тренування штучного ринку автором стат розроблено програмний модуль, який дозволяе iмiтyвaти поведшку агенпв та на-очно продемонструвати щнову динaмiкy ринку.

Лoгiчнa структура моделштучного фондового ринку базуеться на певних припущеннях, а саме: на ринку дie двi групи aгентiв-тpейдеpiв - фyндaментaлiсти i чартисти,

як1 можуть змшювати свою стратепю 1 переходити з гру-пи в групу. Кр1м того, серед чартистш виокремлюються п1дгрупи оптим1стичних 1 песимктичних учасник1в. Така складна динам1ка призводить до хаотичност середнк значень ринково! цши. Р1шення щодо куп1вл1 чи продажу акцш приймаються агентами за результатами поршнян-ня !х ринково! цши та фундаментально! (внутршньо!) вартост (щодо яко! кожен агент мае власну оцшку). За наявност1 незбалансованого попиту та пропозици акцш виникае зворотнш зв'язок м1ж динамикою груп агенпв та коригуванням цгни акцш.

Д

юсть аг

пс + п^ = N.

я+_ = У! N ехрСЦ),

я_

:у1 N ехр(_и1).

(2)

(3)

Стратет чартист1в формуеться шд впливом двох чинник1в: 1) повед1нка бкьшост трейдер1в - учасник1в ринку х = (п+ - п)/пс ; 2) поточний тренд (напрям руху) цши акци (йр/йЬ) (1/р). Параметри у1, а1 та а2 е, в1дпов1д-но, коеф1ц1ентами частоти перегляду стратеги агентом, важливост впливу погляд1в 1нших агент1в на виб1р стратеги окремого агента та впливу динамжи цш на його по-вед1нку. Тод1 дох1дн1сть описуеться залежшстю:

«2 йр 1 = «1 х +----.

У1 й р

(4)

Осккьки чартисти можуть взаемод1яти з фунда-ментал1стами, то ймов1рност1 переходу з одше! групи в 1ншу множаться на поточну частку чартист1в у загальнш юлькосй трейдер1в. Аналог1чно формал1зуеться зм1на стратеги трейдера з чартиста на фундаменталкта 1 на-впаки. В1дтак, формально 1снуе чотири вар1анти зм1ни стратеги агент1в, ймов1рн1сть настання яких описуеться залежностями:

я

+/

:у2 N еХР(и2,1).

я

/ += У2 ^ еХР(_и2,1).

я

-/

' У2 NеХР(и2,2)'

я

/- = У2 N еХР(- ^2,2 ).

(5)

(6)

(7)

(8)

Величини и21 та и22 для цих переход1в залежать в1д р1знищ миттевих доход1в агент1в-чартист1в та аген-т1в-фундаментал1ст1в:

1йр

и 21 = «з

г + -

— Я -

Р/ - Р

и 2,2 = «3

ля формалшаци модел1 введено так1 позначення: N - ккьюсть агенпв, що працюють на штучному ринку; пс - ккьюсть агент1в-чартист1в; пу - к!ль-к1сть агент1в-фундаментал1ст1в; п+ - ккьюсть оптимк-тичних агент1в-чартист1в; п- - ккьюсть песимктичних агент1в-чартист1в; (п+ + п- = пс), р - поточна ринкова цша акц1й; ру - фундаментальна варткть акц1й. При цьо-му виконуються сп1вв1дношення:

(1)

г +

1йр

Я--

У2^

--s

Р/ - Р

(9)

(10)

Модель описуеться залежностями [7, 8]. Ймов1р-н1сть змшистратеги агент1в-чартист1в з оптимктично! на песим1стичну 1 навпаки за малий пром1жок часу ДЬ позначимо в1дпов1дно як п - ДЬI п Дt. Тод1:

Перша складова р1вняння (9) описуе дох1дшсть стратеги чартист1в з груп п+ та п , а друге - дохцшсть фундаментал1ст1в, де у2 - коеф1ц1ент частоти перегляду агентом свое! стратегГ!; а3 - м1ра чутливост1 до пох1дно! прибутюв (р1зниц1 м1ж ринковою ц1ною та фундаментальною варткстю); г - номшальш див1денди за акц1ею; Я - середнш р1вень дох1дност1 в економщц йр/йЬ - до-х1дшсть, яка залежить в1д зм1ни цши акцш. Кр1м того, осюльки доходи чартисти отримують одразу, а фунда-ментал1сти - т!льки у майбутньому, в модель вводиться дисконтуючий параметр з < 1. Таким чином, загальний дох1д обчислюеться як р1зниця м1ж в1дношенням за-гального доходу до цши акци (дох1д на одну акцш) та середньою величиною дох1дност1 в економщ (Я), яку отримують швестори за вкладеннями в альтернативш напрями швестування. З шшого боку, фундаментал1сти розглядають в1дхилення м1ж ц1ною та фундаментальною варт1стю ру як основне джерело можливостей для отри-мання доходу, який формуеться в момент повернення цши до фундаментально! вартост1 акци. А отже, велика р1зниця м1ж р та рЬ спонукае агент1в використовува-ти фундаментальну стратег1ю. До того ж, нехтування див1дендами у структур! доход1в фундаменталист ви-правдовуеться припущенням, що вони у довгостроковш перспектив! в1рно оцшили р1вн1сть реальних доход1в та середню дох1дшсть в економ1ц1 (г/р^ = Я). Таким чином, единим джерелом доход1в е арбпраж в1д р1знищ м1ж ц1-ною та фундаментальною вартктюакци (р / р^).

Р1вняння (10) представляе доходи песим1стичних чартисйв, як1 для запоб1гання втрат будуть вихо-дити з ринку та продавати шдозрш акц!!. 1х обе-режна позиц1я представлена стратег1ею пор1вняння се-реднього р1вня доход1в в економщ Я !з сумою номшаль-них див1денд1в та зм1ни цши акцш, яю вони продають. Це пояснюе, чому перш1 дв1 складов! у формулах для и2 х та и2 2 зм1нен1 м1сцями. Зм1ни ринкових ц1н моделюють-ся як ендогенна реакц1я ринку на незбалансовашсть попиту та пропонування на ринку. Якщо припустити, що оптимктичш чартисти створюють додатковий попит на ринку (купують), а песимктичш, навпаки,- додаткову пропозицш (продають), то змша потреб чартист1в об-числюеться за формулою:

ЕБС = (п+- п- )(с, (11)

де Ьс - середня величина транзакци.

Чутливкть фундаменталкив до коливання мiж ринковою цiною та фундаментальною вартiстю акцш описуеться формулою:

Pf - Р

EDf = nf у-

(12)

<

CQ 2

О

ZT

I

о

де у - параметр, якии характеризуе силу реакци.

Для узгодження 1з загальною структурою процес коригування ц1н також формал1зуеться за допомогою Пуасоновських перех1дних Имов1рностеИ, а саме: пе-рех1дн1 Имов1рност1 зм1ни цши на невеликиИ процент Ар = ± 0.001р за час АЬ визначаються функц1ями:

= тах[0, £( ЕБ + и)], (13)

ж1р = - т1п[0, £( ЕБ +ии), 0], (14)

де в - параметр для регулювання швидкост1 змши ц1ни, ББ = ББ$ + БОс - загальне перевищення попиту над про-позиц1ею. Тод1 динамка середнього значення ринково! ц1ни виражаеться диференц1альним ршнянням залежно-ст1 змши цши в1д перевищення попиту над пропозищею:

^-^Р = р-ЕБ = 0( ЕБГ + ЕБС). (15)

Очевидно, що змша ринково'! ц1ни акци впливае на р1шення агент1в дотримуватись т1е! чи шшо! стратегЦ: зростання ц1н збкьшуе оптим1стичн1 настро! та змушуе песим1стичних чартист1в переглянути сво! стратеги. Аналог1чно р1зниця м1ж ринковою щною акци та И фундаментальною варткстю може зменши-тися, що призведе до посилення фундаменталктських настро!в серед агент1в. У цкому, результуюче шдтвер-дження чи спростування погляд1в агент1в разом з1 зм1-ною дох1дност1 р1зних стратег1И приведе до перерозпо-дку агент1в м1ж групами та змшить загальниИ попит 1 пропозицш на ринку за поточниИ пер1од.

Також модель п1дтримуе можливкть екзогенного впливу на фундаментальну варткть. Для того, щоб н1 один з емшричних факт1в не був насл1дком впливу екзо-генних чинниюв, вважаеться, що фундаментальна вар-ткть р$е Гауйвською нормальною змшною: е( = 1п(р ($ Ь) -- 1п рЬ-1), де е( ~ N(0, сте ).

Сл1д в1дм1тити, що динамка Пуасоновського типу асинхронно! змши стратегш агент1в у симуляц1ях

може бути лише апроксимована. Зокрема потрiбно обрати достатньо маленью вiдрiзки змши часу для за-побiгання штучнш синхрошзащ! рiшень агентiв щодо змши стратеги.

Для проведення комп'ютерно'1 симуляци для побу-дови штучного ринку введено таю параметри - констан-ти модели ккьюсть агентiв N = 500; мшмкьна кiлькiсть агентГв в кожнiй стратеги - 4 («min = 4); фундаментальна вартксть акци Pf = 10; номшальш дивiденди r = 0,004; се-редня величина доходу R = 0,0004. Граничш випадки (ви-родження груп агентГв) примусово виключаються вста-новленням нижньо'1 межi кiлькостi агентГв в групi.

Змiннi параметри модели коефщент частоти пе-реоцiнки поглядiв оптимiстiв/песимiстiв v1 = 3; v2 = 2; коефiцiентами частоти перегляду агентами стратеги чартист/фундаменталкт; швидкiсть реакци агента (параметр для регулювання швидкост змши цши) ß = 6; середня величина транзакцГ! чартиста tc = 10/N; серед-нгй обсяг транзакцГ! чартиста на одиницю рiзницi цiн (y/p)f = 5/N; мiра важливостi поглядiв iнших трейдерГв-чартистiв а1 = 0,6; мiрa динамiки цiн а2 = 0,2; коефщент чутливостi до похГдно! доходiв для переходу мiж чартистами та фундаменталктами а3 = 0,5; дисконтуючий параметр s = 0,75.

За результатами симуляци, проведено! на основi описано! моделi за допомогою спещально розробленого програмного модуля, отримано прогноз динамки змгни ринково! цши (рис. 1) та графк логдохГдносй акцГ! (рис. 2).

Зв'язок мГж динамкою вГдносних змгн цши та кгль-кГстю чартистш серед трейдерiв наведено на рис. 3. Збгль-шення юлькост чaртистiв веде до перюдичних флуктуа-цгй на ринку. Також можна побачити, що модель включае стабшзацшш параметри, що веде до зменшення кглькостГ чартистш пГсля деякого перГоду нестабГльностГ. Причина полягае в тому, що значш вГдхилення ринково!цГни вГд фундаментально! вартостГ акци ведуть до зростання потенцшного доходу стратеги фундаменталист, що спо-нукае деяку ккьюсть агентГв притримуватись 'й.

За результатами комп'ютерно! симуляци отримано прогноз динамки шдексу настро!в чартистГв як сшввГд-ношення мГж оптимГстично та песимГстично налашто-ваними агентами (рис. 4), прогнозш значення обсягГв ринку (рис. 5) та загального достатку агентГв (рис. 6).

О

<

ш

11 10.5 Trading Price

1 А 1 1 л А / 1

10 д ^MuNv-—^ •N^M^TUU VA^—•—— —-л.

9.5 V у v 1 (Щч Ч U т Ч

9 | ! J

0 50 100 150 200 250 300

0.1 0.05 0

-0.05 -0.1 -0.15

Рис. 1. Динамка змши ринковоТ цши акцм

Logreturns

Рис. 2. Логдохшнкть акцГТ

300

Рис. 3. Частка агетчв-чартиспв у загальнш кiлькостi трейдерiв на ринку

Рис. 4. 1ндекс настроТв (нормована рiзниця мiж оптимiстичними та песимiстичними чартистами)

5000 Traders holdings

1 t T' 1 1

4000 -

3000 -

2000 -

1000 -

0 ЙСГУ j -

-1000 -

-2000 -

-3000 л

-4000

-5000 H t i i

0 50 100 150 200 250 300

Рис. 5. Прогнозована динамiка обсягу ринку (кшьккть акцiй у трейдерiв)

Рис. 6. Загальний обсяг активiв усiх агентiв

висновки

Агентно-орieнтоване моделювання е iнновацiйним напрямом наукових дослцжень i успiшно застосовуеть-ся в рiзних галузях науки, у т. ч. в економщЬ 1нструмента-рш АОМ дозволяе представити складнi економiчнi сис-теми через простi правила поведшки окремих агентiв. У свгговш науцi розроблено низку агентно-орiентованих моделей фшансових ринкiв рiзного рiвня складностЬ Цi моделi використовуються для побудови штучних рин-кiв за допомогою комп'ютерно! симуляци. Реалiзацiю агентно-орiентованоí моделi фондового ринку здшсне-но за допомогою спещально розробленого програмно-го модуля, що дозволило iмiтувати поведшку агентiв та отримати прогноз основних iндикаторiв фондового ринку. Отриманi результати показали, що моделювання фондового ринку методами агентно-орiентованого шд-ходу е ефективним i може бути використане для про-гнозування динамiки украшського фондового ринку або

иого окремих складових за умов високо1 волатильност1 та р1зко'1 зм1ни настро1в треИдер1в, що характерно для в1тчизняних реалш. ■

Л1ТЕРАТУРА

1. Samanidou E. Agent-based models of financial markets / E. Samanidou, E. Zschischang, D. Stauffer and T. Lux // Rep. Prog. Phys. 70 409, 2007. - DOI:10.1088/0034-4885/70/3/R03

2. Holland J. H. Artificial Adaptive Agents in Economic Theory / J. H. Holland, J. H. Miller // American Economic Review. -1991. - № 81 (2) - Pp. 365 - 371.

3. Kim G. W. Investment rules, margin and market volatility / G. W. Kim and Markowitz H. M. // Journal of Portfolio Management. - 1989. -№ 16. - Pp. 45 - 52.

4. Levy M. A microscopic model of the stock market: cycles, booms, and crashes / M. Levy, Н. Levy and S. Solomon // Economics Letters. - 1994. - № 45. - Pp. 103 - 111.

5. Levy M. Microscopic simulation of the stock market: the effect of microscopic diversity / M. Levy, Н. Levy and S. Solomon // Journal Physiquel. - 1995. - 5. - Pp. 107 - 108.

6. Richmond P. Power Laws are disguised Boltzmann Laws / P. Richmond and S. Solomon // International Journal of Modern Physics. - 2001. - Vol. 12, No. 3. - Pp. 333 - 343.

7. Lux T. Scaling and criticality in a stochastic multi-agent model of a financial market / T. Lux and M. Marchesi // Nature. -1999. - No. 397. - Pp. 498 - 500.

8. Lux T. Volatility clustering in financial markets: a microsimulation of interacting agents / T. Lux and M. Marchesi // International Journal of Theoretical and Applied Finance. - 2000. -№ 3. - Pp. 670 - 702.

9. Hoffmann A. O. I. Stock Price Dynamics in Artificial MultiAgent Stock Markets / A. O. I. Hoffmann, S. A. Delre, J.H. von Eije and W. Jager // Artificial Economics Lecture Notes in Economics and Mathematical Systems. - 2006. - Volume 564. - Pp. 191 - 201.

10. Chen S. H. Testing for non-linear structure in an artificial financial market / S. H. Chen, T. Lux and M. Marchesi // Journal of Economic Behavior & Organization. - 2001. - Vol. 46, issue 3. -Pp. 327 - 342 .

11. Chen S. H. Varieties of agents in agent-based computational economics: A historical and an interdisciplinary perspective / S. H. Chen // Journal of Economic Dynamics and Control. - 2012. -Vol. 36, issue 1. - Pp. 1 - 25.

REFERENCES

Chen, S. H., Lux, T., and Marchesi, M. "Testing for non-linear structure in an artificial financial market". Journal of Economic Behavior & Organization, vol. 46, no. 3 (2001): 327-342.

<C

CQ 2

o

-j-I

o

o

<

s

U

Chen, S. H."Varieties of agents in agent-based computational economics: A historical and an interdisciplinary perspective". Journal of Economic Dynamics and Control, vol. 36, no. 1 (2012): 1-25.

Hoffmann, A. O. et al. "Stock Price Dynamics in Artificial Multi-Agent Stock Markets". Artificial Economics Lecture Notes in Economics and Mathematical Systems, vol. 564 (2006): 191-201.

Holland, J. H., and Miller, J. H. "Artificial Adaptive Agents in Economic Theory". American Economic Review, no. 81(2)-Pp (1991): 365-371.

Kim, G. W., and Markowitz, H. M. "Investment rules, margin and market volatility". Journal of Portfolio Management, no. 16 (1989): 45-52.

Lux, T., and Marchesi, M. "Scaling and criticality in a stochastic multi-agent model of a financial market". Nature, no. 397 (1999): 498-500.

Lux, T., and Marchesi, M. "Volatility clustering in financial markets: a micro-simulation of interacting agents". International Journal of Theoretical and Applied Finance, no. 3 (2000): 670-702.

Levy, M., Levy, N., and Solomon, S. "Microscopic simulation of the stock market: the effect of microscopic diversity". Journal PhysiqueI, no. 5 (1995): 107-108.

Levy, M., Levy, N., and Solomon, S. "A microscopic model of the stock market: cycles, booms, and crashes". Economics Letters, no. 45 (1994): 103-111.

Richmond, P., and Solomon, S. "Power Laws are disguised Boltzmann Laws". International Journal of Modern Physics, vol. 12, no. 3 (2001): 333-343.

Samanidou, E. et al. "Agent-based models of financial markets". Reports on Progress in Physics, no. 70409 (2007).

BI3HECIHQOPM № 1 '2015

www.business-inform.net