打字猴:1.704532044e+09
1704532044
1704532045 接下来,为了进一步阐明这个模型,我们简要地描述一下,这个预期系统在计算机上是怎样实现的。假设我们通过一个J=13位的位串数组来总结市场的状态。例如,其中第五位可能对应于“价格在最近三个期间都在上升”,第10位则可能对应于“价格已经超过了股息与利率之比的16倍”。在这样的位串数组中,用“1”表示所描述的状态出现了,用“0”表示该状态不存在或未发生。在每个预测器中,条件部分对应于这些市场描述器,因此也是一个13位的位串数组,每个位置上都填上了“0”“1”或“#”。“#”的含义是“不关心”。如果预测器中的条件数组中所有的“0”或“1”,都与描述器的位串数组对应位置相同,同时所有“#”都对应于一个“0”或“1”,那么我们就说预测器的条件数组匹配了当前的市场状态,或者说“识别”出了当前的市场状态。举例来说,条件(####1########)“识别”出了“价格在最近三个期间都在上升”这种市场状态。条件(######### 0 ###)则“识别”出了“价格没有超过了股息与利率之比的16倍”这种市场状态。每个预测器的预测部分则是一个参数数组,它会触发一个与之对应的预测表达式。在我们的实验中,所有预测器都使用了价格和股息的线性组合E[pt+1+dt+1]=a(pt+dt)+b。这就是说,每个预测器都保存了a和b的一组特定的值。因此,一个完整的预测器(#### 1 #### 0 ###)/(0.96,0)就可以解释为“如果价格在过去三个期间内一直在上升,且如果价格不超过股息除以利率r的16倍,那么就预测下一个期间的价格加股息之和相当于本期间的96%”。这个预测器能够识别出市场状态(0110100100011),或者说将被该市场状态激活,但是却不会对市场状态(0110111011001)做出反应。
1704532046
1704532047 很显然,在能够识别出多种市场状态的那些预测器当中,只有很少的“1”和“0”。那些更“专门化”的预测器则有更多的“1”和“0”。在实际的计算机实验中,我们为每个行为主体准备了一个全部由“#”组成的默认预测器。然后运用遗传算法创建新的预测器,途径有两个:要么让预测器的位串数组中的值发生“突变”,要么通过对一个预测器的位串数组的一个部分,与另一个预测器的位串数组的互补部分进行“重组”。
1704532048
1704532049 在每一个时期,每个行为主体观察市场的当前状态,并且注意到他的预测器中的哪一个与该状态相匹配。这也就是预测系统的工作方式。行为主体会对所有活动的预测器当中最准确的H个预测器给出的线性预测进行“统计分析”,预测下一个期间的价格和股息,然后根据得出的预期值及其方差,运用式(5)计算出想持有的股票数量,并生成适当的出价或要价。一旦市场出清了,下一个期间的价格和股息就会公布出来,同时活跃的预测器的准确性记录也会得到更新。
1704532050
1704532051 如上所述,在这个预期系统中,学习是以两种方式进行的。第一种学习是快速的,出现在当行为主体知道哪些预测器是准确的,且可以作为自己采取行动的依据,哪些预测器是应该被忽略的这种情况下。另一种学习则比较慢,出现在当遗传算法需要不时地丢弃不好的预测器,并创建新的预测器的时候。当然,这些新的、未经检验的预测器不会造成破坏,因为只有当它们被证明准确时,它们才会被作为采取行动的依据。这就避免了脆弱性,而且保证了机器学习理论家所称的学习过程的“优雅性”。
1704532052
1704532053 现在,我们应该可以看出,这种多位、多预测器架构有四个优点。
1704532054
1704532055 第一,这种预期架构允许市场在各种不同的状态或情况下,出现各种可能的动态变化,即呈现出不同的特性。因为每个预测器都是一个模式识别型的预期模型,因此可以“识别”出这些不同的状态,行为主体可以“记起”给定的某种状态下,以往曾经发生过的事情并激活适当的预测。这就使得行为主体能够在市场变化时,迅速地转换预测行为,就像迅速的“态度转变”一样。
1704532056
1704532057 第二,这种架构能够避免因特定的关于预期的函数形式而导致的选择偏差。虽然我们的预测器的预测部分是线性的,但是在任何一个时间,以市场条件的多种组合为条件的预测器,其多样性都是有保证的。并且对于任何一个行为主体来说,预测表达式也总是非线性的。从形式上看,它是一个分段线性的、非连续预测函数,其域为市场状态空间,并且其准确度适应于该空间的不同区域。当然,由于用“二进制”的描述器来描述市场条件,这肯定会使预测受到一定的限制。
1704532058
1704532059 第三,学习集中发生在需要学习的地方。例如,J=12位的描述器就可以区分4 000多种不同状态的市场状态。然而,在所有这些状态中,只有少数几种会经常发生。用于识别不经常出现市场状态的那些预测器条件,不会被很频繁地使用,它们的准确性也不会被很频繁地更新。并且在其他条件相同的情况下,它们的精度也将较低。因此,它们在预测器之间的竞争中,生存下来的可能性很小。这样一来,预测器将聚类在更常被“访问”的那部分市场状态空间上,而这正是我们所希望看到的。
1704532060
1704532061 第四,也是最后一个优点,对于描述器的位串,可以进行分类或将它们组织成若干信息集,以便反映各种基本面因素(如价格-股息比)和技术面因素(如价格变动趋势等技术交易指标)。这种设计使我们能够准确地跟踪,哪些信息,即描述器中的哪几位,是行为主体正在使用或被忽略的。如果我们想研究技术交易是如何“涌现”出来的,这一点至关重要。在这样一个模型中,我们还可以设置不同的行为主体“类型”,即根据所访问的信息集的不同,来对行为主体进行分类。不过在本章中,所有行为主体都能“平等地”观察到所有市场信息。
1704532062
1704532063 在上述优点中,有几个或许也可以通过神经网络来实现。但是,神经网络不如我们的预测器系统透明。我们可以很方便地对预测器系统加以监视,以观察在每个时期,哪些信息被行为主体单独地或共同地使用。
1704532064
1704532065 复杂经济学:经济思想的新框架 [:1704531124]
1704532066 两种市场体制的涌现
1704532067
1704532068 实验设计
1704532069
1704532070 我们将用一系列实验从计算的角度研究我们的内生预期市场的行为。我们在所有这些实验中都保持了相同的模型参数,这使得我们可以利用这个模型,在相同条件下通过只允许受控的变化来比较市场结果。每个实验都运行25万个周期,来允许渐近行为出现(如果存在的话);并在不同的随机“种子”下运行25次,以便收集截面统计数据。
1704532071
1704532072 我们所用的基本模型如上节所述。在实验中,我们通过选择参数值,以及在必要时选择函数形式来运行特定的模型。具体参数值如下:N=25个行为主体,每个行为主体有M=100个预测器,这些预测器都是条件J=12位的市场描述器。股息服从如式(4)所示的一阶自回归过程,其自回归参数ρ设定为0.95,这是一个接近于随机游走、但持续的过程。
1704532073
1704532074 反映市场状态下的12位二进制描述器的含义如下:
1704532075
1704532076 1~6:当前价格×利率/股息>0.25,0.5,0.75,0.875,1.0,1.125
1704532077
1704532078 7~10:当前价格>过去5期,10期,100期,500期的移动平均价格
1704532079
1704532080 11:始终打开(“1”)
1704532081
1704532082 12:始终关闭(“0”)
1704532083
1704532084 前6个二进制描述符,即前6位反映了当前价格与当前股息之间的关系,用来说明股票的当前价格是高于还是低于其基本价值的。我们把它们称为“基本面”位。第7~10位则是“技术面”位或“技术交易”位,用来说明是不是存在某种价格运行趋势。如果没有用处的话,第7~10位将被忽略;如果出现了某种技术分析趋势,那么它们就会被采用。最后两位一直固定为“0”或“1”,用来对实验进行控制。这两位并不传达有用的市场信息,但可以告诉我们,行为主体会在任何时候在何种程度上根据无用信息采取行动。当某一位上是“0”或“1”时,我们就说这一位是“配置好”的。此外,预测器会被随机选择来用于重组,而且,当其他方面相同时,特异性较高的预测器,即它们包含的“配置好”的位数越多,被选择的概率就越低。这样一来,就引入了一种趋向“全#配置”的微弱的漂移机制,从而可以确保由特定比特位表示的信息,仅在行为主体发现它在预测中真正有用时才会被使用。有了这种市场信息机制,我们就可以讨论“涌现”了。例如,我们可以说,如果第7~10位在统计上明显更多地被“配置”了,那么就表明,市场中已经涌现出了技术交易模型。
1704532085
1704532086 我们假设,预测是这样形成的:每个预测器j存储价格和股息的线性组合E [pt+1+dt+1]=a(pt+dt)+b中的参数a,b的值,同时,每个预测器也会将它自己的预测方差的当前估计值保存下来。
1704532087
1704532088 在进行计算机实验之前,我们在基于计算机的模型上进行了两个测试用的预实验。第一,我们测试了这个模型是否可以复制标准理论的理性预期均衡(r.e.e)。我们先用解析方式,计算出同质理性预期均衡(h.r.e.e)下的预测参数a和b,然后将所有预测器的参数值固定为这些计算出来的结果进行测试。我们发现,这种预测确实是成立的:模型复制了同质理性预期均衡,它保证我们的计算机化模型能够正确地工作,这体现在它的预期、需求函数、行为聚合、市场出清和时间序列上。在第二个测试中,我们将一个给定的股息序列,以及一个与之对应的事先计算出来的同质理性预期均衡价格呈现给各个行为主体,并检验他们是否能够独立地学会掌握正确的预测参数。他们确实能,尽管有一点点变化,这是因为他们一直在探索预期空间,这就保证了我们的行为主体一直正确地学习。
1704532089
1704532090 实验
1704532091
1704532092 我们用基于计算机模型完成了两组基本实验,它们分别对应于行为主体对替代预期的“慢速探索”和“适中速度探索”。这两组实验产生了两种不同的市场体制,即市场的两种不同的特征性行为。在慢学习速度的实验中,遗传算法平均每1 000期才被调用一次,预测器发生转换的概率为0.3,预测值的精度更新参数θ设置为1/150。在适中探索速度的实验中,平均每250期调用一次遗传算法,预测器发生转换的概率为0.1,预测器的精度更新参数θ设置为1/75。[10]另一种做法是,在两组实验中保持相同的模型参数,然后将一些随机选取的预期参数,从以计算出来的同质理性预期均衡为中心的均匀分布中选取出来,在实验开始时赋予行为主体。
1704532093
[ 上一页 ]  [ :1.704532044e+09 ]  [ 下一页 ]