基于Agent建模的人工金融市场计算实验框架

周洪涛，梁小兵，曾 伟，张立炎

(1.华中科技大学控制科学与工程系，湖北 武汉 430074;2.武汉理工大学自动化学院，湖北 武汉 430070)

随着实验经济学的兴起，人工金融市场研究文献稳步增加。基于Agent建模方法构建贴近现实的金融市场计算实验模型是学术界实验研究的一般思路。SMITH是实验经济学的先驱，他在1962年应用实验的思想处理决策制定来模拟股票市场[1]。虽然SMITH的实验并不是计算性的，因为其中制定交易决策Agent的是其学生，而计算机仅仅起到通信的作用。但其模型对计算Agent股票市场模型有很好的启发性。FÖLLMER在1974年首次将微观经济学的观点应用于股票市场中的交易者，并根据个体计算Agent的聚集行为解释它的动力学[2]。HOLLAND等在1991年给出了人工适应Agent模型的描述，强调了允许Agent学习的重要性[3]。此后，HOLLAND创立了复杂适应系统理论，在人工金融市场复杂适应系统中，详细讨论了遗传算法(GA)和分类器系统(CS)的使用[4-5]。中国台湾国立政治大学人工智能经济学研究中心的陈书衡等修正了Santa Fe人工股票市场模型中Agent的学习机制，提出了一个基于Agent模型的学校[6]。LEVY等在1994年建立了以他们的名字命名的股票市场微观仿真模型(LLM模型)[7-8]。意大利工程技术专家和物理学家RABERTO等一起于2001年建立了用他们所在城市命名的Genoa人工股票市场模型(GASM)[9-10]。

目前，基于Agent建模方法构建的人工金融市场模型各异，并未达成统一规范，这或许是造成计算实验金融研究结论各异的原因之一。国外学者较早从事人工金融市场研究，提出了一些有价值的典型市场模型，但是相关文献中并没有提及具体的计算机模型，造成了验证计算实验结论的困难。……