Agent-based computational Economics: a new mainstream in Econophsics

Presentazione sul tema: "Agent-based computational Economics: a new mainstream in Econophsics"— Transcript della presentazione:

1 Agent-based computational Economics: a new mainstream in Econophsics
Marco Raberto DIBE, Università di Genova

2 Simulazione microscopica
La simulazione microscopica è uno strumento molto usato nella scienza I pionieri sono stati i chimico-fisici sin dai primi anni ‘50 (con simulazioni Monte Carlo) Le simulazioni sono poi diventate più realistiche, tenendo conto anche della dinamica nel tempo (Dinamica Molecolare) Queste tecniche sono esplose con l’aumento della potenza di calcolo disponibile

3 Simulazioni di sistemi economici e finanziari
La simulazione è oramai molto utilizzata anche in economia e finanza I modelli ad agenti eterogenei possono essere simulati Il mercato è rappresentato da vari agenti, ed il comportamento di ciascuno è simulato singolarmente C’è un meccanismo di formazione del prezzo e di calcolo di altre variabili macroeconomiche a partire dal mercato microscopico

4 Mercati artificiali Sono sistemi software complessi
Sono sviluppati con tecniche di ingegneria del software Sono una “facility” computazionale che: Consente di sperimentare con modelli diversi Consente una completa tracciabilità Può essere usato da trader reali come banco di prova

5 Uso dei mercati artificiali
Sviluppo e validazione di modelli Previsioni di volatilità (analisi di rischio) Ottimizzazione delle stime dei parametri Strumento di apprendimento Strumento di gioco realistico e interattivo Analisi “what-if” per: strategie di trading e gestione del rischio regolamentazioni

6 Santa Fe Artificial Stock Market
Il primo e più noto mercato artificiale è il Santa Fe Artificial Stock Market Sviluppato da Arthur et al. per simulare e validare il proprio modello genetico Si basa sul software di simulazione SWARM Linguaggio Objective C o Java e libreria di componenti disponibile su Sourceforge

7 S. Fe Artificial Stock Market

8 MIT Artificial Markets Project
Progetto recentemente iniziato al MIT da N.T. Chan e A.J. Kim Tre parti: Modelli di mercato e dinamica Studio delle condizioni di equilibrio Mercato artificiale su Web

9 Oxford Centre for Computational Finance
Centro di recente costituzione (2001) Partner: Sun, IBM, Reuters, NAG, Nomura 3 filoni: Matematica, Finanza e Econofisica Borsa artificiale di Neil Johnson

10 Realizzazione di un mercato artificiale
Per realizzare un mercato artificiale occorrono: Modelli dei titoli trattati Uno o più modelli di trader Modello delle transazioni Un meccanismo di formazione del prezzo Un meccanismo di integrazione temporale Calcolo di parametri macroscopici Delle interfacce ben definite con eventuali modelli e sistemi esterni (incluso Internet)

11 Modello di trader Stato del trader
Strategia di trading e previsione del prezzo Predisposizione al rischio Capacità di apprendimento Meccanismi di aggregazione e scambio di informazioni

12 Esempi di strategia Puramente casuale Ottimista/Pessimista
Fondamentalista Graficista Aggregativa (effetto gregge) Insieme di Condizione/azione Predittore lineare, 2 ordine, AR, ARMA Predittore neurale ...

13 Esempio di condizione/azione
Condizioni binarie: Ultima variaz. Prezzo: positiva Variaz. Prezzo 10gg: negativa Variaz. Prezzo 30gg: positiva Volume ieri > media si Azione: Comprare no limite 20% cassa disponibile Bontà condiz./azione: 25

14 Book degli ordini

15 Mercati artificiali: scelte tecnologiche
Un mercato artificiale è un grande sistema software Per realizzarlo, occorre scegliere le tecnologie giuste: Efficienza computazionale Rapidità e qualità di implementazione Facilità di modifiche e aggiunte successive Facilità di generare interfacce utente, verso Internet e verso altri sistemi

16 Programmazione a oggetti e procedurale
I linguaggi di programmazione a oggetti (Java, C++, Smalltalk) sono sempre più diffusi Tuttavia, le competenze di programmazione procedurale (Fortran, C, VB) restano forti nei settori scientifici Spesso, i linguaggi a oggetti (specie il C++) sono usati in modo procedurale

17 La scelta obbligata La POO è nata come strumento di simulazione (1967, linguaggio Simula) Il paradigma a oggetti consente di modellare il sistema in modo molto naturale I moderni OOPL (su moderno hardware) hanno anche ottime prestazioni Quindi, nel 2002, è impensabile non usare il paradigma a oggetti per sviluppare un mercato artificiale!

18 Il progetto GASM È il progetto: “Genoa Artificial Stock Market”
In corso presso l’Università di Genova, Centro Interdisciplinare per la Ricerca in Ingegneria Economico-Finanziaria (CINEF) Consiste nella realizzazione di un mercato finanziario artificiale ad agenti eterogenei e di un modello di economia ad esso collegato

19 Perché il nome GASM? Genova è stata un importante centro finanziario nel Medioevo. Vi furono inventati: La cambiale I primi contratti derivati L’interesse composto Briys e De Varenne, Risk, 2000.

20 Deliverables del progetto GASM
Il progetto prevede la realizzazione di tre moduli software tra di loro collegati: modulo AGENTI: scelte di investimento e strategie di trading, decisioni di consumo e risparmio modulo MERCATO: struttura di trading e meccanismo di formazione del prezzo modulo ECONOMIA: tasso di crescita dell’economia, remunerazione del capitale privo di rischio, liquidità. livello di risparmio

21 Obiettivi del progetto GASM
Realizzazione di un laboratorio computazionale per la conduzione di esperimenti Realizzazione di facilities per l’addestramento del personale operante in ambito finanziario

22 Interazioni tra i moduli
Scelte di investimento MERCATO AGENTI prezzi consumo e risparmio reddito ECONOMIA

23 Stato attuale del progetto
Modulo AGENTI Modulo MERCATO Il GASM è in grado di riprodurre i “fatti stilizzati” principali delle serie temporali finanziarie reali Sono stati condotti esperimenti sulla profittabilità di diverse strategie di trading e sull’influenza del livello di liquidità sui prezzi

24 Modulo Mercato Titoli trattati:
Uno o più azioni denaro liquido Sono possibili aumenti di capitale o riacquisto di azioni La formazione del prezzo su basa su un meccanismo realistico di incontro tra curve di domanda e di offerta

25 Modulo Agenti Gli agenti sono dotati di risorse finanziarie finite (liquidità e quantità di titoli) Il sistema tiene traccia del portafoglio di ogni agente Il numero di agenti coinvolti nel trading ad ogni istante è una frazione del numero totale di agenti Le scelte di investimento degli agenti (acquisto o vendita) sono casuali

26 La simulazione Temporizzazione a passi costanti
Gli agenti emettono casualmente ordini di acquisto e vendita compatibilmente con il loro portafoglio Ogni ordine è caratterizzato da un prezzo limite e da una quantità numerica di titoli Costruzione delle curve di domanda e offerta e determinazione del prezzo Clearing degli ordini Aggiornamento del portafoglio degli agenti

27 Agenti “casuali” Non dotati di intelligenza
Strategia di trading “casuale” con vincoli: risorse finanziarie (liquidità + titoli) volatilità del mercato Bassa probabilità di essere impegnati nel trading

28 Serie temporali simulate Clustering della volatilità
Noise level: dove L è la lunghezza della serie Inset di sinistra: fir in scala bilogaritmica Inset di destra: fit in scala semilogaritmica

29 GASM without cash inflow
The two stock prices are mean-reverting processes with constant mean Prices exhibit volatility clustering 10,000 Random Traders Stock 1 Stock 2

30 Statistics without cash inflow
10 20 30 40 50 60 70 80 90 100 -0.2 0.2 0.4 0.6 0.8 1 1.2 lags Autocorrelation function 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 2 -2 -1 N(0,1) Absolute returns of Stock 1 Absolute returns of Stock 2 Linear fits for absolute returns gt 2 Stock1 = -5.52±0.03 Stock2 = -4.26±0.02 Raw returns of Stock 1 Raw returns of Stock 2 Comments Survival probability distributions exhibit fat-tails No-memory in the raw returns Slow decay in the autocorrelation function of absolute returns; both power law and exponential fits result statistically compatible

31 GASM with cash inflow 10,000 Random Traders
Cash inflow produces assets inflation Prices exhibit volatility clustering The two stock prices are mean-reverting processes with the same exponential trend of the cash inflow 10,000 Random Traders Stock 1 Stock 2

32 Statistics with cash inflow
10 20 30 40 50 60 70 80 90 100 -0.2 0.2 0.4 0.6 0.8 1 1.2 lags Autocorrelation function 0.16 0.18 0.22 0.24 0.26 2 -0.7 -0.6 N(0,1) Absolute returns of Stock 1 Absolute returns of Stock 2 Linear fits for absolute returns gt 2 Stock1 = -4.29±0.03 Stock2 = -3.92±0.03 Raw returns of Stock 1 Raw returns of Stock 2 Comments Survival probability distributions exhibit fat-tails No-memory in the raw returns Slow decay in the autocorrelation function of absolute returns

33 Rejected for constant term plus time-trend
Statistics (in all cases statistical significance at 5%) Without cash inflow With cash inflow Variance-ratio Test H0: Random Wall of a time-series Rejected Augmented Dickey-Fuller Test H0: Integrated time-series of order 1 Rejected for constant term Rejected for constant term plus time-trend Engle-Granger Methodology H0: Cointegrated time-series Accepted Ljung-Box Q-test H0: Absence of serial correlation in time-series returns H0: Absence of serial correlation in time-series absolute returns

34 Remarks on I(1) 1962 1964 1966 1968 1970 1972 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 10 1 2 3 4 S&P 500 GASM Stock 10,000 Random GASM with structural change (different trends in different periods)

35 (in all cases statistical significance at 5%)
S&P500 and GASM are cointegrated (in all cases statistical significance at 5%) S&P500 GASM with structural change (i.e., different cash inflows in different periods) Variance-ratio Test H0: Random Wall of a time-series Rejected Augmented Dickey-Fuller Test H0: Integrated time-series of order 1 Accepted Ljung-Box Q-test H0: Absence of serial correlation in time-series returns H0: Absence of serial correlation in time-series absolute returns In the case of structural change, ADF test can hardly reject the unit root hypothesis (Phillips-Perron test).

36 Race in a competitive market without cash inflow
1 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 0.1 0.15 0.2 0.25 0.3 0.35 time million € 0.16 0.18 0.22 0.24 Di=10÷50 Random Traders Mean-variance Traders Relative chartist Traders Di=50÷100 Mean-reversion Traders Di=100÷150 10,000 Random 10 Mean-variance 10 Relative chartist 10 Mean-reversion

37 Race in a competitive market with cash inflow
1 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 2 3 4 5 time million € Di=10÷50 Random Traders Mean-variance Traders Relative chartist Traders Di=50÷100 Mean-reversion Traders Di=100÷150 10,000 Random 10 Mean-variance 10 Relative chartist 10 Mean-reversion

38 Conclusioni L’economia ha raggiunto dimensioni tali da giustificarne l’analisi con metodiche fisico-matematiche La teoria classica dei mercati, fondamentale in alcuni settori applicativi, non riesce a descrivere bene l’andamento dei prezzi dei mercati reali I modelli ad agenti eterogenei sono molto più promettenti, ma richiedono un’elevata potenza di calcolo

39 Conclusioni Si sono presentati alcuni modelli ad agenti eterogenei
Si è discussa l’importanza dei mercati artificiali come strumenti di studio, analisi e addestramento Comunque… una teoria conclusiva dei mercati difficilmente sarà raggiunta perché l’economia evolve e reagisce ai suoi stessi modelli