● 摘要
基于主体建模方法（ABM：Agent-Based Modeling）作为一种对复杂系统研究的新的范式已经被广泛应用于多个领域，尤其在金融市场这一典型的复杂适应系统里的应用更加全面和深入，已经形成了基于主体的计算金融学（ACF：Agent-Based Computational Finance）这一新的学科，ACF以非均衡、生成式的研究思路，从根源上探究金融市场的复杂动力学原理。但是当前ABM本身的研究还没有形成一个完整的理论方法体系，甚至没有提供一个标准的建模模式，这严重损害了其可信度，致使以ABM为基础的ACF尚未被主流金融学家所认可和接受。本论文就是针对这些问题展开研究的，构建了金融市场的基于主体建模研究方法的基本框架，并以SFI（Santa Fe Institute）人工股市模型为原型，建立了主体的模糊决策学习进化模型及以此模型为基础的基于主体的人工股市模型，对这些模型进行了检验、校准以及实证应用研究，取得了如下创新型成果： 1. 建立了基于主体建模，特别是基于主体的金融市场建模的基本方法技术框架。首先，我们结合社会科学和计算机仿真的特点，总结了基于主体模型的根本性特征，并明确了其基本的组成结构；其次，针对金融市场的基于主体建模进行研究，分析了建模过程中涉及到的各个方面的问题，提出了一套通用的建模策略，并给出了详细的建模步骤；最后，在对ABM所面临的问题进行分析的基础上，提出了开展ABM研究的两步走的思路以及构建基于主体模型应遵循的几个原则。我们认为目前的研究应该以简单性为最重要的原则，复杂性应当存在于模型运行的结果当中，而不是初始的设计当中。只有明确了ABM涉及的各种工具、方法和技术的作用机制，建立起一套可信的、完善的理论方法体系，才能使以此为基础的ACF真正获得认可，并向复杂的实际应用方面发展。 2. 针对经典的SFI人工股市模型的学习分类器系统中存在的错误和缺陷，我们将模糊数学理论引入人工市场模型中主体的决策学习过程，构建了一个新的模糊决策学习进化模型（FLCS：Fuzzy Learning Classifier System），用以完成主体的决策、学习和进化等功能。该模型纠正了原模型中市场分类状态存在相关性的错误，克服了原模型预设参数太多的缺陷，使得主体的决策和学习更加有效。 3. 在模糊决策学习进化模型的基础上，我们将真实金融市场的主要机制纳入其中，建立了基于主体的人工股市模型，提供了一个通用的人工股市仿真实验平台。该平台产生的仿真结果能够成功再现真实金融市场的各种形式化特征，证明了其有效性。它使用C#编程语言实现，能够在多种支持.Net框架的软硬件环境下提供具有一致性的仿真结果，为研究者发布和共享研究成果提供了便利。该平台具有多个可选的设置，在许多细节上可以选择不同的机制或方法，能够满足不同目的仿真实验的需要。 4. 研究了不同的仿真结果之间以及仿真结果与实证的数据之间进行一致性检验的方法，完善了仿真结果对模型各种参数的敏感性分析、模型鲁棒性检验以及将模型向现实校准等方面的手段和方法。并且运用这些技术，对于在所构建的实验平台上得到的大量实验数据进行了分析比较，得到了许多符合实际的结论，对于基于主体的人工市场模型的实际应用具有指导意义。我们发现：学习速度对于仿真结果影响巨大，它决定了系统是呈现复杂的、动态的、符合实际的动力学过程，还是进入一种相对静止的、简单的、接近现代金融理论的均衡状态；而且学习存在一个限度问题，过于频繁或太多的学习反而会损害学习的效果，模型运行次数对于学习有至关重要的影响；模型中主体数目及智能主体的比例对于学习有部分替代作用，它对系统是否呈现复杂动力学过程也有重要影响；模型中的涨跌幅限制对成交量有明显的抑制作用，但对于股价的波动则存在一个最优值，并非限制越紧股价波动就越小。 5. 将经过校准的仿真模型用于实证应用研究。首先，对基于主体的人工股市仿真实验平台进行改造，引入接受真实金融市场时间序列的环节，并运用验证和校准技术完成了仿真模型参数与初始条件的设置；其次，将真实股市的时间序列导入模型，模型运用这些数据进行“预学习”，对主体及其规则进行训练，并将得到的仿真结果与真实数据样本进行比较，进一步对仿真模型进行向现实的校准，强化仿真实验的可靠性；然后，将真实市场的“大小非解禁”问题引入仿真模型，模拟特殊主体各种不同的交易策略，进行多次仿真实验；最后，对各种不同实验条件下的仿真结果进行分析并与相关研究结果进行比较，发现少量持续地出售股票最符合“大小非”股东的利益，是其最优策略，但这一策略对于整个股票市场却有长期不利的影响，反之，短期大量抛售虽然对非流通股东不利，但对股市的长期走势反而是有利的。从这一点看，“大小非”解禁的政策规定似乎没有起到预想的作用，因此，在制定现实的宏观经济政策时不应只着眼于当前，而应当有长远的考虑。