WikiDer > Адаптивное моделирование

Adaptive Modeler
Altreva Adaptive Modeler
Логотип Altreva Adaptive Modeler
Оригинальный автор (ы)Джим Уиткам
Разработчики)Альтрева
изначальный выпуск26 августа 2005 г.; 15 лет назад (2005-08-26)
Стабильный выпуск
1.6.0 / 20 июля 2020 г.; 4 месяца назад (2020-07-20)
Операционная системаWindows
Платформа.Net Framework 4.8
Доступно ванглийский
ТипПрограммное обеспечение финансовых рынков
ЛицензияFreemium
Интернет сайтwww.altreva.com

Altreva Adaptive Modeler это программное приложение для создания агентный имитационные модели финансового рынка с целью прогнозирования цен на акции или другие ценные бумаги, торгуемые на реальном мировом рынке.[1] Используемая технология основана на теории агентно-ориентированная вычислительная экономика (ACE), вычислительное исследование экономических процессов, моделируемых как динамические системы взаимодействующих гетерогенные агенты.

Адаптивное моделирование Altreva и другие агент-ориентированные модели используются для моделирования финансовых рынков, чтобы уловить сложную динамику большого разнообразия инвесторов и трейдеров с различными стратегиями, разными временными рамками торговли и разными инвестиционными целями.[2] Агентно-ориентированные модели на основе разнородных и ограниченно рациональный (обучающиеся) агенты показали свою способность объяснять эмпирические особенности финансовых рынков лучше, чем традиционные финансовые модели, основанные на представитель рациональный агенты.[3]

Технологии

Программное обеспечение создает агентную модель для конкретной акции, состоящую из совокупности торговых агентов и виртуального рынка. Каждый агент представляет виртуального трейдера / инвестора и имеет свой собственный торговое правило и фонды. Затем модель шаг за шагом развивается следующим образом: на каждом этапе импортируется новая (историческая) реальная рыночная цена. Все агенты оценивают свои правила торговли и размещают заказы на виртуальном рынке. Затем виртуальный рынок определяет клиринговую цену и выполняет все соответствующие ордера. Клиринговая цена принимается как прогноз реальной рыночной цены следующего шага. (Таким образом, виртуальный рынок служит на шаг впереди рынок предсказаний для реального рынка). Этот процесс повторяется для каждой новой полученной реальной рыночной цены. Между тем, правила торговли развиваются через специальную адаптивную форму генетическое программирование. Таким образом, прогнозы основаны на поведении всего рынка, а не только на наиболее эффективных торговых правилах. Это призвано повысить надежность модели и ее способность адаптироваться к меняющимся рыночным условиям.[4]

Избежать переоснащение (или же подгонка кривой) к историческим данным - и в отличие от многих других методов, используемых в программное обеспечение для торговли например, оптимизация торговых правил путем повторения бэктестинг, генетические алгоритмы и нейронные сети - Adaptive Modeler не оптимизирует правила торговли на исторических данных. Вместо этого его модели постепенно развиваются по имеющимся ценовым данным, так что агенты воспринимают каждое изменение цены только один раз (как в реальном мире). Также нет разницы в обработке исторических и новых ценовых данных. Следовательно, нет никаких особых причин ожидать, что историческая производительность модели, протестированная на исторических данных, будет лучше, чем ее будущая производительность (в отличие от того, когда торговые правила были оптимизированы на исторических данных). Поэтому исторические результаты можно считать более значимыми, чем результаты, продемонстрированные методами, основанными на оптимизации.[5]

Примеры и варианты использования

В примере модели для S&P 500 индекс,[6] Adaptive Modeler демонстрирует значительную избыточную доходность с поправкой на риск после транзакционных издержек. На основе проверенных исторических данных о ценах за 58-летний период (1950–2008 гг.) Была достигнута совокупная среднегодовая доходность в размере 20,6%, за которой следует совокупная среднегодовая доходность в размере 22,2% в течение следующих 6 лет вне выборки. (2008-2014).

Adaptive Modeler использовался в исследовании, чтобы продемонстрировать возросшую сложность торговых правил в эволюционной модели прогнозирования в критический период истории компании.[7]

При исследовании рентабельности техническая торговля в валютные рынки, исследователи, использующие Adaptive Modeler, обнаружили экономически и статистически значимую избыточную доходность вне выборки (после транзакционных издержек) для шести наиболее торгуемых валютных пар. Доходность была выше, чем при использовании традиционных эконометрических моделей прогнозирования.[8]

Adaptive Modeler также использовался для изучения влияния различных уровней рациональности трейдера на свойства рынка и эффективность.[9] Было обнаружено, что искусственные рынки с более умными трейдерами (по сравнению с рынками с менее умными или трейдеры с нулевым интеллектом) показали улучшенные характеристики прогнозирования, хотя также характеризовались более высокой волатильностью и меньшим объемом торгов (в соответствии с более ранними выводами). Рынки с более умными трейдерами также воспроизводили стилизованные факты лучших реальных финансовых рынков.

В качестве примера виртуальная разумная жизнь в сложная система (например, фондовый рынок), Adaptive Modeler использовался в качестве иллюстрации простых агентов, взаимодействующих в сложной (нелинейный) способ прогнозирования цен на акции.[10]

Смотрите также

Рекомендации

  1. ^ "ACE Comp Labs and Demos". Департамент экономики, Государственный университет Айовы. Получено 29 октября 2014.
  2. ^ «Чтение рынков - выводы из финансовой литературы». Бренда Джубин, доктор философии 2009-10-17. Получено 29 октября 2014.
  3. ^ ЛеБарон Блейк (2006). Агентские финансовые рынки: сочетание стилизованных фактов со стилем. Поствальрасовская макроэкономика. С. 221–236. CiteSeerX 10.1.1.125.997. Дои:10.1017 / CBO9780511617751.013. ISBN 9780511617751.
  4. ^ «Альтрева технология». Альтрева. Получено 29 октября 2014.
  5. ^ «Адаптивное моделирование». Альтрева. Получено 29 октября 2014.
  6. ^ «Примеры моделей». Альтрева. Получено 29 октября 2014.
  7. ^ Низкая корреляция между дивидендами и доходностью: пример Alitalia В архиве 15 февраля 2010 г. Wayback Machine. Федерико Чеккони и Стефано Заппакоста, IASTED Proceeding Modeling and Simulation 2008.
  8. ^ Новое свидетельство прибыльности технической торговли. Виктор Манахов и Роберт Хадсон, Экономический бюллетень, 2013, Том 33, Выпуск 4.
  9. ^ Манахов Виктор (2013). «ВЛИЯНИЕ КОГНИТИВНЫХ СПОСОБНОСТЕЙ ТРЕЙДЕРА НА СВОЙСТВА ФОНДОВОГО РЫНКА». Интеллектуальные системы в бухгалтерском учете, финансах и управлении. 21: 1–18. Дои:10.1002 / isaf.1348.
  10. ^ «Применение нового поведения на финансовых рынках» (PDF). Evil Ltd. Получено 29 октября 2014.