理解短期主义和动态投资者网络如何影响投资者回报:基于代理人的视角

摘要

金融市场的未解释和不一致的行为提供了互联方法以更好地了解其复杂性的动机。经过验证的方法是将投资者视为形成信息网络以告知其投资决策的异质互动代理商。理由是，这些网络的拓扑有助于更好地了解金融市场的不稳定行为。引入投资者异质性也允许研究人员确定表现较高的投资者的特点以及投资者表现出短期主义的含义，这是一些对经济表现不利的特点。为了解决这些主题，实施了一个基于代理人的人工股票市场，投资者利用各种信息来源，包括来自其网络投资者的建议，以告知其投资决策。随着时间的推移，投资者通过连接到优惠的投资者 - oracles-or-or丢弃恶劣的顾问来更新他们的信息来源，并通过丢弃他们的信息来更新他们的网络，从而模拟投资者网络的演变。该模型最重要的发现正在揭示市场的行为是如何受到投资者时期的影响，短期行为导致市场上的更大波动。另一个发现是为什么短期投资者通常优于他们的长期同行，特别是在更挥发的环境中。通过对投资者网络的形成提供重要的见解及其市场波动和财富创造的影响（销毁），本文为需要收集，评估和跟踪的经验数据提供了重要的线索，以确保政策制定者和投资者更好地理解金融市场的动态。

1.介绍

自股市成立以来，投资者试图通过投资于这些市场来提高财富。然而，股票市场的不一致行为意味着大多数投资者未能掌握他们并实现投资目标。主导理论，至少在2000年代之前，投资者应该接受金融市场以有效的方式行事，导致资产因随机步行过程而匹配高斯分布（[1那2])。有效市场方法的基础，如有效市场假说(EMH)所概括[3.]，代表理性代理是否已经及时访问了所有必要的信息，正确评估了该信息，并使得最佳的投资决策，从而确保价格反映了最新和相关信息。但是，已发现与高效市场原则相关的金融定价模型只提供财政回报的粗略近似，并且未能解释偏远的事件[4.］．此外，两个关键影响源于EMH：价格总是对的，没有投资者可以在风险调整的基础上长期优于市场上的市场[5.］．

虽然有一些支持的证据表明，在平均投资者上一直无法表现出市场（[6.-8.])，确实有证据表明，一些投资者(本文以甲骨文公司(oracle)为代表)取得并维持了相对于市场的显著积极表现差异([9.那10])。本文考虑的投资表现可能的两种可能的决定因素是投资者贸易和投资者投资地平线的趋势。理发师和奥德·11]强调了与观察到的交易水平相反的解释，与本文最相关的理论是，过度交易的发生是因为投资者关注短期，这导致了过度投机交易[12]反过来，这导致劣势生成[11］．另外，研究发现，当面对波动的市场时，投资者最宜采用短线交易策略[13］．

关于金融市场的回归特征，已发现这些展示了一套具体的程式化事实，与基于EMH的高斯模型相矛盾。Kaldor [14]最初将风格化事实定义为稳定的模式，这些模式是从多个经验数据来源中提取出的细节证据。程式化事实的效用在于，它们使研究人员能够建立一个模型，能够识别、解释和交流需要科学解释的批判性观察，而不必承担解释经验证据中所有变化的负担[15]. 与金融市场相关的重要类型化事实是过度波动，新消息的到来不支持大规模波动的存在；重尾，表现出重尾或厚尾的回报；波动性聚集，大的变化伴随着进一步的大的变化；和成交量/波动率聚类，交易量和波动率显示相同类型的扩展内存([16那17])。正如后来所扩展的，利用这些程式化的事实已经被用来证明基于代理人的人工股票市场的效用。

资产回报的另一个重要特征是，它们在较长的时间间隔内符合幂律分布[18］．幂律回报的存在提供了一个关键的见解，即金融市场可以作为一个复杂的自适应系统(CAS)运行。在试图理解金融市场行为时，利用CAS框架已经变得越来越流行和相关(例如，参见[17那19那20.])。CAS的各个单独组件之间的依赖性和交互被认为是责任创建MacRoLevel Exceent Excomes [21]，包括极端的市场运动。允许投资者与其他投资者的信息互动并获得信息，使他们能够形成信息网络。这一进程的关键后果是，已发现投资者网络和金融网络能够影响市场的行为（[22-24]），他们解释了交易量和投资者的表现（[25那26])。关键的是，这种分析没有，也不可能，在由代表代理方法承保的模型中被考虑。

有关投资绩效，交易量和资产返回的非高斯分配的证据将打开几种引人注目的研究问题。具体而言，有关使高性能投资者独特的原因出现的问题，包括如何利用各种信息来源来确定其投资决策;他们经常交易;其他投资者试图复制其战略的后果是什么？本文通过将异构互动投资者与在动态网络上的不同投资视野中联系起来的这些问题进行了解决这些问题，交易信息流过网络。

与金融市场的回报状况不同，关于投资者网络的作用，尚未出现一套确定的、以经验为基础的理论。这个问题最有可能是由于研究领域的快速发展，以及在获取及时的数据以评估这些网络的静态和动态特性方面的初始和持续困难。Ozsoylev和Walden的发现[25]利用来建立一节中所呈现的模型的经验验证水平2。Of most significance is that the investors with the highest connectedness will earn the largest profits from trading more aggressively, and the market’s price volatility will be highest in an environment where the investor network exhibits an intermediate level of connectedness and lowest in markets with higher or lower levels of connectedness. The latter suggests that a scale-free topology will exhibit the highest volatility, a theory confirmed in various agent-based models (ABMs) (see [22那27那28])。

在CAS的领域中，界限大部分常规金融市场分析的标准分析工具在[29］．ABMS是一种可能的解决方案，因为它们允许研究人员从自下而上的角度来构建模拟，而代理商与其进行交互并适应他们的环境。利用基于代理的建模的另一个理由，即使在没有经验数据的情况下，也是ABM可以指导数据收集和照明核心动态[30.］．或者，ABM可以揭示负责生成金融市场的风格化事实的动态[31]，通过基于代理人的人工股票市场实现的实质性见解（如[）[32那33])。值得注意的是，原始模型在没有使用网络的情况下解释了大量内容[34］．尽管如此，在该框架内纳入网络正在成为一个既定的研究领域，因为通过引入结构异质性 - 这在投资者之间表现为网络[34]揭开了关于金融市场的程式化行为的新动力（最近的例子包括[22那28那35-37])。这些网络模型的共同主题是它们利用外部施加，静态，程式化的网络。因此，在没有经验支持的网络结构的情况下发生该区域的研究增益。

前面提到的网络建模方法的一个缺点是，它限制了对跨预定义静态网络的投资者行为的评估分析，因此不能提供对网络如何发展的洞察。然而，现在的研究正扩展到解释影响网络结构演变的动力学。ABMs已被证明是理解网络形成动态的成功工具[38[本文对研究领域进行了进一步的贡献。在人工股票市场文献中，有一项工作的工作组，这为本论文构成了基础，这实现了内源性地发展投资者之间的模型（见[31那39])。这些论文的中心主题是包括动态学习，投资者试图连接投资“大师”(定义为具有卓越投资业绩的代理人)，以改善他们的投资业绩。这一动态导致了普通大众的期望与古鲁的期望结盟。该模型的一个重要发现是，投资者形成的网络通过他们与大师的共享连接变得高度互连，并匹配无标度拓扑。本文以类似但不完全相同的方式使用甲骨文大师，因此为一个优秀的投资者改变了头衔。

本文报告了一个基于agent的人工股票市场模型的实现，其中投资者确定他们的最优信息源，包括来自动态投资者网络的信息。投资者网络会随着投资者定期调整向他们提供建议的代理人(顾问)而发展。代理还不断更新其各种信息源中的信任。在选择新顾问时，投资者会选择表现更好的投资者，即甲骨文公司(oracle)。这个过程的目的是让投资者通过接收最高质量的信息来提高他们的投资业绩。此外，投资者被分为短期和长期投资者，以测试考虑或多或少的信息和不同的决策阈值的影响。

本文的目的是评估在市场和代理层面将投资者连接到一个动态的投资者网络并允许他们利用不同的投资视野的后果(如果有的话)。在市场层面需要解决的具体研究问题是:为代理人提供选择顾问的灵活性会带来什么影响;由此产生的投资者网络拓扑采取什么形式;网络要多久才能稳定下来?允许投资者采取短视的做法会有什么影响?在代理人层面，关键问题涉及到确定特定代理人是否比其他代理人更成功地产生超额回报，如果是，他们的定义特征是什么?简而言之，Oracle的属性是什么?其目的是看看是否有可能在硅行业培养出一位沃伦•巴菲特(Warren Buffett，奥马哈先知)。论文结构如下2将实现的模型总结在部分中的结果3.,部分4.提供了对结果和部分的讨论5.总结本文。

2.方法和模型设计

本文的贡献来自哈拉斯和船只模型的两种材料变化[37]（以下简称H&S）。该模型使投资者以风险资产和无风险资产为单位，通过静态晶格网络进行连接。然后，投资者将不断获得三个信息来源：公共、私人和交易意图，即购买、持有或出售其顾问（网络链接）的风险资产，以帮助他们做出投资决策。然后，投资者根据其正确（或错误）预测风险资产价格变动的能力，调整对各种信息源的信任。信任更新和新的重新布线过程提供了一种潜在的机制，为产生资产泡沫的正反馈回路提供反馈。随着投资者对特定顾问的信任度增加，投资者之间的关系变得更加密切。利用H＆S模型作为一个基础的理由是，它提供了一个框架，其中影响投资决策的信息流过网络；考虑了适应和进化过程，以调整对每个信息源的信任；表明价格变动受邻居对代理人投资决策的影响程度；并生成与厚尾回报的程式化事实相匹配的资产回报。

在各种变化中，最重要的是允许投资者以不同的间隔，通过重新加热过程调整他们的信息网络。通过此过程，随着模拟演变，投资者可以选择更高质量的顾问（奥卡克斯）。Markose等人的工作。[39]和tedeschi等。[31]激发了这个功能，与Section2.2.1详细的修改。另一个改变是将投资者分为两类:长短期投资者。部分2.2.2提供了这个过程的全部细节:简单地说，扩展涉及投资者如何评估他们的同行的表现，更新他们对各种信息来源的信任，并作出决定。其目的是，短期投资者将更快地调整信任，并在做出交易决定时更保守。

部分2.2和2.3提供了重要性变化的模型和细节的简要说明。该模型和概述，设计和详细信息（奇数）文档[40]，详细说明该模型，可从http://tidy.ws/28jdyt检索。提供模型和奇数的基本原理是它允许复制模型的结果和传播，以激励额外的扩展。netlogo 5.3 [41]作为实现模型的编程语言。

2.1。模型背景

等式（1): agent使用的精确决策方程 等式（1）是投资者的方式结合三个信息源来确定决策度量资产 。与投资者的决策阈值相比较的决策度量 那确定代理人是否在每张桌上的风险资产中购买更多，持有或销售持有的一部分1. 信息源是其邻居的预期行为 那公共信息 那和私人信息 。公共和私人信息来源通常是分布式随机变量，其平均值为0.1（1)详细说明附加变量如何衡量每个信息源的影响。对于公众和网络信息，一组变量——初始偏差系数——保持不变，而另一组变量——信任系数——被更新，以反映投资者对市场和信息质量的反应时对每个信息源的信任。固定值由那 那和 那虽然变量系数是网络信任（ ）及公众信任( ）.固定变量在投资者中引发均匀地分布，与所述下限为0和由用户确定的上限。通过改变初始偏置的上限（简化为被读取为c₁， C_2，和C._3.)不同的模型动力学发生。所实现模型的参数扫描包括c的值₁从1到4不等，而其他的保持在1。一旦投资者做出决定，交易就会发生，风险资产的新价格就会内生地确定下来。投资者利用定价结果更新各种信念，包括对他们的顾问的信任(对外网络链接)。

2.2。代理课程

2.2.1。网络

在初始阶段，这个网络是由投资者与他们最近的邻居形成定向链接而创建的，从而创建一个晶格网络。对象的近邻数Ring_M参数，初始化时的顾问数量为Ring_M参数。直接链接投资者利用境外链接与他们希望获得信息的投资者联系;在这种情况下，被选中的投资者就会成为顾问，而顾问最终可能会成为甲骨文(Oracle)的一员。这个例子中的信息是投资顾问打算在当前时间步长(见1）））。顾问不会从连接到他们的投资者中寻求信息。数字1总结了以下各种关系:代理A (Oracle)有两个追随者(代理B和C)，但不寻求任何投资者的信息;代理人B有两个顾问(代理人A和代理人C)，但没有追随者;代理人C有一个顾问(代理人A)和一个跟随者(代理人B)。

这种功能的理由是投资者（追随者）成为奥克斯的纪律，而令人讨厌维持纪律的投资方法。这一点是通过如何在其投资业绩在地位增长的情况下增长的年度伯克希尔·沃伦 - 沃伦的投资车年度会议的出席表明42]，虽然他的投资风格仍然在集中的价值观上取决于[43]. 一般来说，per Gergaud&Ziemba[43]没有迹象表明他们的追随者会影响明星投资者的投资决策。

这种模式的更关键因素是，重组过程如何改变投资者的建议网络。重新布线过程的间隔由用户决定，通过重新绳索变量。当调用重新灌注程序时，投资者会评估他们在每个顾问中形成的信任（他们的出站定向链接）;他们相对于市场的表现;他们在他们从顾问中收到的信息中的总体信任。桌子2总结投资者的可能行动和每个行为的理由。响应的基础是投资者正在评估他们的环境，然后决定提高投资业绩的最佳课程。绩效涉及投资者在风险资产和无风险资产之间分配财富的方式。虽然重新加热过程发生在离散的间隔以离散的间隔，但投资者在每个步骤中更新他们对公共和网络信息的信任。因此，投资者可能在重新加工过程时的个别顾问中几乎没有或负面信服。

实现的模型具有Markose等人模型的几个差异化网络形成特征[39]和tedeschi等。[31］．首先是在启动时使用格子网络，而不是随机网络。至关重要的是，这种方法与瓦特和StrogaTz保持一致[44]，谁展示了小世界网络的关键要素如何（一个被认为是最真实网络的网络[[45) -聚类系数高但平均路径长度短-由晶格网络演化而来。利用网格网络还可以针对H&S框架进行更精确的验证。此外，该模型以离散的时间间隔重新连接网络，而在其他模型中，这个过程在每个时间段发生。做出这一改变的理由是，投资者确实会在每一步更新他们的信任，这样投资者就可以通过不将权重分配给顾问的可用信息，从本质上“切断”一个链接。实现的模型还允许投资者的多个出站链接，而Tedeschi等人[31每个投资者只有一个链接。

2.2.2。投资者

为了促进推出两种投资者课程，用户将分配给短期或长期投资者类的比例设置。引入的％_长期可变促进此过程。投资者的课程有两种影响：投资者考虑的历史数量以及决策阈值的分布（ ）.利用过去的信息，以及利用多少过去的信息，是构建人工金融市场的重要组成部分[46］．理由是，短期投资者被视为近视评估市场生态系统的所有要素。凯的[12“短期投资者的”多动“的识别为这种方法提供了基础。

引入的变量适用于两个投资者类别，包括(2）说明该变量如何影响投资者考虑的历史数量。部分2.3.4透过(3.)和(4.），至于如何投资我通过内存权重变量来考虑历史 。随着时间的规模，过去的信息继续影响所提供的各种指标 那对于任何正值减少的时间，过去的业绩会影响当前决策的长度。例如，在实验报告中第3.，差异设置为0.05，相当于10个时段。

等式（2）：确定投资者的记忆重量 下一个修改是利用指数分布，界限在0和2之间，以分配决策阈值变量( ）从 （1）.对于长期投资者，分布是2减去指数分布的值。或者，短期投资者采用指数分布所产生的价值，注意到值从0增加到0.1。因此，短线投资者拥有较低的交易门槛，因为假设他们有较高的倾向，对最新的信息采取行动。有一种初步的观点认为，在这种假设下，短线投资者的交易量将会增加。然而，这种结果不一定会出现，因为短期投资者可能会努力保持对任何信息来源的充分信任，因此他们会变得对交易漠不关心。

2.2.3。风险资产

风险资产类包含单一资产 。资产具有被动作用，其价格变动是利息的主要变量。投资者收到私人和公共信息（和分别从（2))关于模型的每个步骤的资产。这些信息反过来又被用来指导他们的决策过程。因此，这些信息比收益流更广泛，但不像收益流那样具体。这种方法与H&S框架是一致的，该方法的基本原理是它将确保在Section中报告的动态3.仅与投资者的行为有关。

2.3。模型步骤

数字2详细说明流程和模型的一个步骤中包含的各种流程的执行顺序。模型中的第一步假设是每一步都有一些新的重要信息的一天，而每日的价格运动和交易决策更接近实际的金融市场。在一个步骤中，以与模型H&S一致的方式执行过程1到过程7(用黄色编码)。处理8a到10a(绿色编码的颜色)只在步骤数匹配或被整除时发生重新绳索变量（由用户设置）;例如，如果重新绳索可变等于500，模型将在步骤500,1000,1500等调用Rewire程序。

2.3.1。接收信息和评估信息(过程1和2)

第一个重复的过程是让投资者获得信息。然后他们结合这些信息来决定下一步的行动。关于私人信息 那每个投资者的信息来自通常分布的随机浮点，其平均值为0和有限差异（在这种情况下为1）。等式（1)暗示正(负)值推动投资者以较高的值买进(卖出)，其他同等条件，对投资决策具有更具重大影响。鉴于私人信息的随机性质，投资者的私人信息之间应该没有串行相关性。资产的公共信息当时是以相同的方式生成的，只是总体共享相同的值。由于投资者的独立性，他们会有不同的倾向来跟踪数据在源和它们的具体影响参数 。

要收集他们的网络信息，投资者会调查其顾问的预期行动。这变量(1）捕捉投资者邻居的预期行动。以下顾问行动的理由是，当投资者只能使用有界合理性时，遵循邻居可能会成为最佳[46］．从顾问收到的信息不同时加权，投资者基于对特定顾问的信任上期生成（T-1）。最后，每个投资者在将价值乘以其固定的影响术语之前，每个投资者都会汇总其顾问的加权行动 。请注意，与更多的顾问联系将增加给定的投资者跟踪他们网络行为的倾向。与Markose等人相似[39[通过测量群体的累积作用，可以评估掠过者，如图所示6.。

2.3.2。最终确定投资决定（第3条和第4条）

在确定其投资行动后，投资者检查他们是否有所需的资源来承担所需的行动并决定交易多少。前者的需要来自假设没有杠杆或缺货。因此，投资者必须在一段时间内具有无风险资产的正余额购买更多的风险资产，必须持有危险资产的正数量如果他们打算出售。如果投资者符合要求，他们每张桌子贸易1。如果投资者不符合交易要求，投资者必须坐在市场上。确定实际交易量资产当时 那该模型利用了交易比率变量 。用户设置transaction_ratio启动参数，由所有投资者固定和共享。最后，为了形成市场预订，所有投资者的订单都积累了。

2.3.3. 市场结算（流程5）

这个过程清算市场，并通过处理之前计算的市场账面来确定风险资产的新价格。在基于代理人的人工股票市场文献中，存在两个交替的市场清算过程，一个做市商和一个拍卖市场。与H&S模式一致，采用了做市商模式。Tedeschi等人[31[相比之下，利用拍卖市场，但他们的模型实施了150名投资者，与H＆S模型中的2,500相比相比。农民[47]为做市商模型提供了详细的理论基础，其主要支持是，这一过程确保市场不会因订单簿上的缺口而冻结，但它仍然可以根据资产的盈余(赤字)需求准确地确定适当的价格变动。

2.3.4。信任和投资组合更新（进程6 - 8）

一旦投资者意识到他们的回报，他们就可以利用信息来调整他们在网络提供的信息中的信任程度（ ）和公共来源 。随着信托发起的0，投资者开始在它是否提供了正确的建议的来源建立信任;即，如果该代理接收来自信息源的买入（卖出）信号和价格随之增加（减少），则权重（信任）增加。这个更新过程是在该点的短期和长期投资者常表现为差别。

等式（3.)是投资者用来更新其公众信任的过程，而(4.）投资者修改网络信任的机制是该机制。两个方程的本质是相同的，第一个术语在等式中通过变量折扣先前的信任值变量 。但是，每（2）该变量的不同两个投资者类。公式的第二部分增加了紧接在前的信息的评估，这已经通过打折后术语倍数。从这些方程式，较低的值增加最近历史的影响。至关重要的是,术语正常化资产的过去返回由过去回报率的标准差 。H&S [37]提供了理由:随着波动性的增大，更实质性的变化会在更高程度上增强信任。

等式（3.）：公共信托更新过程

等式（4.）：网络信任更新过程 最终的过程是为模型更新投资者的投资组合，以反映市场清算过程的结果。这一过程仅仅看到了投资者持有的危险和无风险资产的余额。

2.3.5。确定表现不足和表现突出者(过程9a)

当调用REWIRE程序时，投资者对其表现进行了详细的评估。首先，投资者确定投资组合的价值并计算重新加热步骤之间的返回。接下来，投资者确定他们是否有超出或未表现出他们的基准。长期投资者以自成立以来将其投资组合价值的增长与市场的增长进行比较。相比之下，短期投资者比较自上次重新加速过程以来，他们最近的投资组合反对市场回归。如果他们超出或表现出相关的基准，投资者将自己视为表演者（下）表演者。

接下来，该模型为每个投资者类别选择表现最佳的投资者(oracle)。考虑到长期投资者和短期投资者的表现标准不同，有一份投资组合价值最大的投资者名单，以及自上次重组过程以来回报最大的投资者名单。用户通过命令指示oracle的数量Oracle_options变量，具有存储在全局列表中的oracles的标识详细信息。可能是同一投资者在两个列表中的情况，但他们在不同的标准上。存储在这些列表中的投资者可以选择为顾问，如部分所述2.3.6。

2.3.6。削减恶劣的顾问和选择新顾问（步骤10A-11A）

从表格2可以看出，表现不佳（在部分中鉴定）2.3.5)将削减“差顾问”的数量，“差顾问”指的是代理人的信任水平为负的顾问。一旦被发现，这位糟糕的顾问就会被列入名单，并被点名斯威尔戈。审核所有顾问后，斯威尔戈列表用于更新p_new_ad.变量，其目的是记录投资者在下一步可能选择的新顾问的数量。在确定了糟糕的顾问之后，投资者将切断与这些顾问的联系，并将他们及其信托记录从相关名单中删除。

投资者选择新顾问的初始进程是访问与其子类相关的优先级（oracles）列表，并随机选择所需的数字。在其网络信息中具有整体积极信任的优势，将选择一个额外的Oracle。对于在其网络信息中具有综合信任程度的绝佳的表现者，所选的oracles的数量来自他们的价值p_new_ad.变量。选择一个(或多个)甲骨文，投资者形成一个直接连接到甲骨文，从而重新布线网络。新顾问的初始信任级别为0。

3.结果和发现

3.1。实验设置和结果摘要

桌子3.提供用于各种实验的基线设置和参数变化的摘要。选择了设置，以确保对Harras＆Sornette的一致性一致[37]和Oldham ([23那27])。这些论文报告称，作为决定投资者受其网络影响的变量增加 - C表示由C增加₁（看 （1）） - 价格系列开始经历动荡加剧的时期。的网络影响水平升高最终导致投资者产生用于“放牧”发生足够的重量之间的正反馈回路;这是继他们最值得信赖的顾问的行为成为人群中常见的做法，与风险资产的价格随机不再移动，每个私人和公共信息的到来。资产泡沫还会出现，并指出其崩溃的催化剂是，投资者没有足够的资金来维持他们的购买势头。势头削弱了这种损失的正反馈循环，投资者开始在他们的邻国提供的投资建议失去信任，这意味着居民的投资策略变得不太同步。

研究问题为本节介绍的实验设计提供了信息，分析的本质是了解系统如何从Harras & Sornette的基线结果中变化[37］．桌子4.概述了两类实验的主要组成部分，并总结了研究结果。结合表格3.，读者应该注意，因为每个示范运行是2999个步骤的网络并没有出现最终重新布线;即，用于设置的1500（250）再配线的最终再布线发生在步骤1500（2750）。对这一决定的理由是，以允许在网络和代理特性的分析没有最终再布线过程的干扰。该方法提出Lee等人。[48]利用来决定运行的数量。该方法表明，运行的数量应使得所选变量的变化系数应该表现出足够的稳定性。

时间序列图和汇总统计图被用来呈现研究结果。时间序列图提供了一个程式化的时间解释使用黄土平滑技术。这个过程的好处是可以清楚地说明参数的每个组合是如何影响给定变量并消除不必要的噪声的。摘要统计图(范围图或条形图)用于说明给定参数组内的变化。数字3.通过图10对生态系统中短期投资者的百分比使用相同的颜色编码，利率变量绘制在y轴上。图的方面3.反映网络影响变量的不同级别（C₁）.数字4.通过10利用面网格，设置网络影响变量(c₁）由垂直方面描述和由水平刻面表示的重新布线设置。另外，网络影响可变平面具有（1）到（4）的前缀，而重新加热的面部具有（a）至（e）的前缀。因此，当引用时，将通过其坐标描述一面;例如，Facet B3指的是重新安装的设置为500和等于3.关于时间序列曲线的网络影响等级，X轴指示模拟的时间步长，而Y轴是变量兴趣。因此，在一个图中，每个方面共享相同的轴并且始终缩放。

3.2。详细结果

3.2.1。介绍短期投资者

数字3.介绍跨各个环境的程式化价格动态，这是在没有重新加速的情况下引入短期投资者的结果。Y轴表示来自每个实验组合的多次运行（60）的每个步骤的风险资产的最大值和最小价格之间的范围。关于验证，前赌注的预期是，50:50的短期投资者的混合物会对原始模型产生类似的结果。面部1和刻面2的结果提供了该假设的确认水平。然而，从Facet 3和Facet 4，似乎25:75的短期投资者混合产生了可比的结果。

短期投资者的引入产生了几个新的动态，这些动态的大小取决于生态系统的组成。第一个观察，如图所示3.FACET 1，只是当网络影响的水平超过1时，价格动态的任何材料变化。接下来，当短期投资者比例很高时，系统不需要网络影响水平对系统表示极高的价格运动;数字3.方面2表现出这一点。从图中3.方面3和Facet 4可以看出，较高比例的短期投资者导致风险资产价格的更快扩张和放气，因为投资者形成群体需要更少的时间。即使是25:75的组合也足以提高价格波动，因为长期投资者进入购买畜群。初步分析的最后一点是人口完全由长期投资者组成的人口的行为。从图中3.，看来，在任何情况下，价格系列是否变得可易发生。从这起得出的结论是考虑到更多的价格积分而无法改变顾问足以限制投资者的行为。

3.2.2。短期投资者与重组的结合

随着动态网络的引入，有必要评估金融市场和投资者网络的动态，更具体地说，是投资者演化其网络拓扑的形式。这一结果的相关性是，已发现投资者网络的拓扑结构影响市场的行为[35］．分析的第一阶段（部分3.2.2。（1））对系统对风险资产价格的响应以及驱动它的动态变量进行评估。第二个组件（部分3.2.2然后评估投资者如何在他们的网络中重新安排自己。。

（1)风险资产的价格行为。数字4.提供了危险资产价格行为的平面网格，提供了足够的证据表明重新兴奋确实对风险资产的价格变动产生了积极影响。该声明的唯一条件是网络影响参数的初始设置大于1.当与图中的剩余部分相比，在小平面A1至E1中的价格系列中缺乏活动可以看到这一事实4.. 因此，如果投资者能够在评估信息的地点和方式方面保持平衡的观点，短期主义很可能是一个无关紧要的问题。然而，如果投资者倾向于从c₁变量设置大于1，可以选择他们的顾问，许多影响产生。第一个暗示是，以前的“非波动”市场环境——即没有极端价格波动的环境——变得波动。从a3到e3方面都清楚地表明了这一点，最明显的例子是没有短期投资者。Facet e3显示，由于没有重新接线，也没有短期投资者，价格序列处于休眠状态。相反，在重新布线设置之后，其余的面记录价格中的材料运动，注意到黄土平滑将在实际重新布线步骤之前和之后展开动作。更普遍地说，当将列e中的方面与列a到列d的方面进行比较时，重新布线间隔对提前风险资产价格上行轨迹的影响是显而易见的。

数字5.通过说明最大下降和上升指标，更具体地说明了风险资产的价格运动特征。下跌(上升)是计算价格连续不断下降(上升)的价值，代表投资者可能经历的潜在收益(损失)。最大值是最长的上升和下降趋势。这些参数的优势在于，模拟中的时间步长的数量不会影响这些变量的大小，因为它们代表了数据的一个特定子集:即不间断的价格运动。数字5.用条形图所示的标准偏差绘制中位数最大抽取或up。

与其他发现一致，重新加速间隔和网络影响具有明显的效果。这一点可以看出，用点“加速”打开;也就是说，随着间隔减小，最大抽取和up之间的间隙增加，没有短期投资者的场景是锚点。然而，在Facet 1中给出静音活动，结果表明，需要更高的网络影响水平来施加导致更极端的价格运动的正反馈回路。

较短的重新布线间隔和较高的短期投资者比例对拉升或拉升变量的综合影响可以在facet第3和4行看到。第一个观察结果是，大下巴张开得更大了，包括一些没有短期投资者经历重大资金抽回和抽回的情况(例如，facet a4和b4)，从而支持了这样一个概念，即即使是长期投资者，如果有能力更换顾问，也可以从动。第二个观察结果是，在facet第3行，颌骨以线性方式打开，而在facet第4行，颌骨的宽度是恒定的，除非重新布线过程没有发生。这一发现意味着投资者倾向于跟随邻居，由c₁变量，具有比重新布线间隔更显着的效果。

数字6.介绍进入投资者网络中的掌握如何影响风险资产的定价行为。备用系数 - 承担最常见的交易活动的人口的比例，从而排除持有 - 捕获资产泡沫的通货膨胀和通货紧缩。关于掠夺系数的主要观察是，集体行为在模拟，峰值的早期阶段中增长，然后对仿真的其余部分下降，从而镜像资产泡沫的阶段。解释这一过程的机制是，在投资者耗尽其可投资基金之前失去势头之前，积极反馈回路会影响力量影响。随着价格势头放缓，投资者开始对其顾问失去信任，这最终导致一些投资者开始离开购买牛群并减少其持有风险资产的持股。这种动态最终会产生销售群，从而在丢失人口中的任何同步行为之前扩展集体行为。

从分析不同特征投资者的相互作用影响人工股票市场的行为的分析时出现了多种影响。首先，短期投资者比例更高的短期投资者将增加市场的波动，因为这些投资者更加反动，并以提升的速度在顾问中建立信任。其次是，通过允许投资者选择他们收到的信息，赶紧建立信托，最终加速极端价格变动的实现。这些运动的大小和时间也受到投资者对以下顾问（网络影响变量）的偏好的影响。如果投资者不喜欢任何信息来源，那就是，c₁= C.₂= C._3.=1时，这些相互作用变得无关紧要。

（2）投资者网络的行为。本节建立了投资者和环境的特点如何影响投资者网络拓扑的演变。Ozsoylev和Walden [25]提出关于网络拓扑结构的重要性，通过解释市场将在投资者之间的连通性中间级别的中间水平，但具有更高或更低的市场的市场较低。因此，如果投资者形成无规模的网络，市场的波动应更高。这种动态的理由很简单，因为许多投资者往往遵循几个令人讨厌的决定，导致放牧的普遍性更高，价格更大。

评估网络拓扑演变的重要组成部分是投资者的投资表现，因为详细说明2.2.1，对重新加热过程至关重要。数字11分裂短期和长期投资者结果，并代表每个子类内的表现形式的中位数的演变。观察是，尽管在仿真的早期部分成功，但长期投资者在整个模拟方面难以完善。此外，较高比例的短期投资者强调了长期投资者的表现不佳。这些要点的理由是短期投资者早期加入（离开）一个重要的价格上涨（下风），首先退出（加入）向下（向上）更正。对于长期投资者的相反，在音乐停止时，“没有椅子就留下了留下”。这些结果意味着长期投资者将不太倾向于利用其信息网络。

一般而言，短期投资者出现更好地匹配或超过其基准。至关重要的是，匹配或超过市场的能力似乎取决于重新评估和选择顾问之间的较短间隔和长期投资者的比例。从这个观察结果的含义是，没有长期投资者“盛宴”，短期投资者难以胜过。他们可以通过重新加速投资者网络，这一过程来纠正这种情况，这是一个可能涉及忽略其他投资者的建议的过程。这些结果都为评估市场生态系统的需要提供了强有力的支持。

数字7.图示了网络中链路中位数的演变。评估链接数量的基本原理是提供了投资者，平均倾向于增加或减少顾问人数的证据，记住这一过程高度依赖于他们的投资业绩。更多链接指示更密集的网络，投资者平均利用更多的顾问，并在其网络信息中具有更高的信任。第一个一般观察是，链接数量通过时间下降。一个值得注意的例外是没有短期投资者（参见面部行1和2）。出现了链接的下降，因为投资者削减并不替代顾问，因为他们在顾问中的总体信任程度变为负面，因此他们正在表现出市场。第二种观察是，短期投资者的比例越来越逐渐变得逐渐变得越来越幅度。这一发现在较高，更有波动的价格与短期投资者增加的百分比增加。

Figure提出的问题7.是：哪个投资者课程忽略了邻居提供的信息，从而导致网络崩溃？为什么发生这种情况来自评估投资者的投资者的分布，这是投资者利用和投资者亚类的表现的顾问的数量。该分析的理由是，它将提供对投资者负责的条件，或以其他方式寻求建议。当投资者在擅长市场时增加了他们的顾问人数，并在网络信息和裁减顾问中具有积极的信任，并在他们对网络信息中具有负面信任和表现表现不佳时。

数字8.显示了不同投资者类别中值超出程度的动态。这些动态似乎与评估定价动态时显而易见的动态非常相似。其核心动态是，当长期投资者被迫在一个充满短期投资者的环境中竞争时，他们的表现就会很差。这一结果反过来又导致了信任的加速丧失，以及他们所拥有的顾问数量的大幅下降。如facet第2ii至4ii行所示，这一过程的一个关键条件是，网络影响水平必须高于1，这一设置已被证明会产生过度的价格波动。否则，长线投资者在适当的条件下，即在长线投资者比例较高的情况下，有能力表现得更好。在这种情况下，长期投资者不太倾向于减少投资顾问，平均而言甚至倾向于增加投资顾问。

或者，短期投资者普遍倾向于无视顾问，投资者人口的构成较少有影响力。重要观察是，当存在较少的挥发性环境时，即，当网络影响变量等于1时，短期投资者通常也不会表现并倾向于减少其顾问号（见Facet A1i）。这一发现化合物的证据表明市场的行为和某些班级投资者能力倾向于胜过的能力是对投资者生态系统的构成和影响其投资决策的倾向的高度有条件。

同样重要的是，要理解重组过程是如何创造出永久的“先知”(oracle)的，也就是那些拥有不成比例的追随者的顾问。数字9.通过说明每个投资者的追随者的数量和上下范围的中位数和上层和较低范围探索这方面，这些投资者是投资者的追随者，并代表了多少人正在寻求给定投资者的建议。期望是由于涉及寻求奥卡尔的投资者的流程，分布将是非常偏向的。但是，必须理解分布倾斜的程度，因为投资者在某些情况下仅在某些情况下搜索奥卡克斯2他们可能会失去对神谕的信心。

图中的直接印象9.正如预期的那样，证据具有高度倾斜的分布。更加严重地，出现各种设置的有意义的差异。根据小平面柱A，随着短期投资者的比例减少，偏斜的第一个差异随着短期投资者的比例而下降。来自面部柱A的另一个点是当将面A4与其他方面进行比较时，似乎上部峰值在模拟后一部分中下降之前的峰值。注意面部A4的类似极端价格特征以及投资者以更定期重新绕道的能力，这表明投资者倾向于对其他投资者的建议失去信心。

下一个问题涉及如何对进化的网络拓扑进行分类。考虑到重新布线过程，即选择预言者的能力，预计该模型将演变为无标度网络。这一发现与Tedeschi等人的研究结果一致[31］．或者，网络可能无法保持其结构;也就是说，它将与随着市场的波动率导致投资者对来自网络的信息失去信心的随机网络匹配。这两个进程的差异将看到无垢网络维持中间级别的聚类和高度偏斜的程度，因为投资者连接到oracels，而随机网络将具有低水平的聚类，因为投资者不连接或者魔术牙始终如一地改变。从数字7.通过9.，加上集群和亲近系数（未提供）的分析，意味着短期投资者的生态系统中所占比例意味深长地影响拓扑结构。也就是说，无标度网络之间的投资者网络范围时，有短期投资者（并且因此较少挥发性）的比例较低，到当存在短期投资者的比例较高的随机网络（且因此更挥发性）。该结果意味着，在波动性更大的市场神谕自己有麻烦保持自己的状态，并且投资者往往忽视对公共和私人信息的其他投资者和重点的行动。

（3）追捕oracles。前一节确定了影响系统行为以及影响各种投资者课程的因素。调查结果使投资者需要了解他们所订的环境，因为系统的行为明显不同。投资者需要特别注意短期或长期投资者在市场上举行摇摆，以及投资者是否倾向于寻求其他投资者的建议。本节揭示了更成功的投资者的属性，从而识别投资秘密的秘密。

数字10显示投资者的投资组合中值价值以及每个重组阶段的各种投资组合价值范围。因此，该图没有捕捉到任何可能在重新布线间隔内积累然后消失的财富，这将在资产泡沫在重新布线间隔内来去时发生。最显著的结果出现在facet aii4中，相关参数看到资产泡沫出现，网络重新布线过程带来了繁荣。令人震惊的是，当生态系统完全由长期投资者组成时，财富分布极不平衡。出现极端结果的原因是，给定的投资者开始了正反馈循环，最有可能的原因是投资者的门槛相对较低，随着更多投资者追随该投资者的行动，泡沫膨胀，长期投资者对原始甲骨文建立了更高和可持续的信任。投资者是第一个离开购买群体的投资者，而其他长期投资者则慢慢调整，在最初的甲骨文之后开始抛售，从而为甲骨文提供了在市场顶部抛售的充分机会。因此，最初的甲骨文实现了低买高卖的完美结合。这种关系在较短的重新布线间隔时最为明显，但在较长的重新布线间隔时仍然有效。

前面提到的短线投资者以牺牲长线投资者的利益为代价获得财富的情况也很明显。同样，在较低的方面，至少有一个短期投资者的表现优于表现最高的长期投资者是显而易见的。随着短线投资者所占比例的减少，这一差距也会增加，这表明短线投资者在能够更快地适应市场方面具有优势。最后需要注意的一点是，物质不等式只发生在网络影响变量大于2的情况下。在这种情况下，也是短线投资者与更大比例的长线投资者的互动产生了结果。

在代理水平数据上进行了主要成分分析（PCA），以确定对财富创造的主要影响。第一个组件显示了网络动态的显着效果，具有换取来解释财富变化的最高贡献。考虑到这一结果，鉴于发现，通过允许代理人来重新影响市场的动态。这个动态在图中见过4.，在减少重新挤出的间隔的情况下增加了系统的活动，Ceteris paribus。第二个组成部分确定了投资者的投资决策过程，尤其是它们的判定阈值（较低的阈值是有益的）和人口的结构，从而证实了先前推断了投资者投资地平线的重要性和造型生态系统。

4.讨论

本文综合研究了各种领域，包括基于代理的人工股票市场（[13那22那37]），行为金融（[11那49那50.)，不断发展的社交网络([31那51.])，以及对投资者网络的实证研究([25那26那52.])及金融市场([17那53.])。通过成功地结合这些领域，本文提供了有意义的见解，以加强金融市场的波动性，不同的财富积累投资者，和有害的短期行为的影响的动态。在解决这些问题时，该模型加入了投资者网络可能如何演变的发展研究，以及网络的演变对市场行为的影响。关于短期主义的不利后果，该模型展示了短期交易者如何通过剥削长期投资者而获益，因为长期投资者需要更长的时间来适应不断变化的市场条件。然而，这一特征只有在投资者忽视其他信息来源、盲目从众时才有意义，而这种环境会产生更高的波动性。在这种情况下，投资者应该更加被动，这与LeBaron的结论一致[13］．相比之下，当市场不经历过多的价格变动时，短期投资者在徒劳的尝试中过度贸易，发现不存在的利润，结果符合理发师和奥德的工作[11］．

通过识别投资者倾向于形成和维持中间连通网络的情况，通过模型证明了对社交网络的更大了解如何发展的好处。了解这一过程基于实证结果，表明中间关联的投资者网络产生了更高的波动（[25那26])无标度拓扑与脆弱的市场相关联([28那54.])。基于代理的建模方法是适合这个目的，因为它可以在CAS中模拟异构相互作用剂的作用，从而露出机制负责，不仅无标度网络，但也极端的市场行为[55.］．更具体地说，本文揭示了良性环境随着投资者重新围绕其顾问网络而变得挥发的过程。批判性地，以更规则的间隔重新加速加速了挥发性升高的到来。这些调查结果还表明，即短期投资者的普遍存在普遍存在的普遍存在较高的波动性，负责网络变得相对不稳定，因为长期投资者从顾问中脱离。

虽然这篇论文提供了有意义的见解，但它应该被视为在追求获得更多的理解投资者及其社会互动如何影响金融市场的过渡步骤。为了增强模型的有用性，该模型应着眼于增强投资者的决策过程，降低一般的抽象水平，并改进使用经验数据来通知和校准模型。对于投资者来说，一个可能的改进将是让投资者学习(ABMs的一个重要好处[56.]）因此认识到馈送正反馈回路的条件并调整其投资方法。关于抽象，投资者识别和遵循令人苛刻的过程，并修改信托级别是现实改进的领域。在允许投资者搜索整个人口的同时，鉴于过去的性能数据在更长时间的情况下可行的领先投资者可行，可以调整搜索以允许一些代理商获得时间敏感的交易和投资数据。关于量化投资者信托，Gruber [57.]和Sirri & Tufano [58.]确定共同基金的资金流入和流出高度依赖于管理者的业绩;因此，流提供了事后的信任代理。此外，股票分析师的建议被发现对股票价格有积极的影响[59.]，从而可以深入了解投资者在奥卡尔中建立（并失去）信任所需的内容。

努力更好地通知模型与现实世界网络和交易行为数据至关重要。虽然该地区一直在有希望的工作（见[26那52.]）以时间敏感的方式捕获足够详细的数据仍然是一个具有挑战性的追求。至关重要的问题涉及投资者的机密性要求。因此，该研究领域的进步只会来自其股票注册处的特定公司或提供数据的特定公司[52.］．进行此分析的好处是，公司将对他们的主人（特别是短期对长期投资者）的人来说更令人欣赏，从而提高了他们解释市场信号的能力。或者，股票注册管理机构和托管人保持必要的股东数据，但由于隐私问题和投资者需要保护其知识产权，因此访问此数据非常困难。

结论

通过利用基于主体的建模的优势，本文对投资者如何繁荣产生了重要的见解，并识别出决策者应该考虑的信号，如果他们的目标是减少市场波动。对于投资者来说,他们必须保持警惕,他们发现自己的环境,如果有太多的短期投资者,他们可以试着保持领先于市场,许多人都尝试过并失败了,或者,像沃伦•巴菲特(Warren Buffett)提出的,找到一个可持续的投资策略和坚持下去。这一发现与Lo的[9.]自适应市场假设，这表明投资者的亚组可以在市场上生存和繁荣，更重要，可以影响市场，即使他们的策略在长期内没有最佳。如果没有实现自下而上的建模过程，无法实现这种洞察力。

对于政策制定者来说，主要考虑是否定外部性的外观，因为任何一个投资者都可以最佳地重新围绕信息网络。但是，当整个人口这样做时，它会出现均匀的投资方法，导致可预测的过度价格变动导致。批判性地，投资者网络的相关性并不一致，结果表明，在更挥发的环境中，投资者倾向于遵守其顾问。在现实世界中被动投资的兴起是对这些影响的可比现象;也就是说，在全球金融危机（GFC）的后果，投资者对积极管理失去了信心，并准备牺牲上行增长，以便较低的风险和市场匹配。显而易见的是，研究人员们致力于了解投资者如何形成和发展信息需求的努力，这是一种依赖模拟来提供初步见解的过程。

从本文中汲取的最后一个结论是迫切需要访问详细的经验数据。但是，单独的数据不会提供所有必要的答案，因为确定数据形式以某种方式识别数据形式，这反过来允许从业者确定是否以及为什么将发生阶跃变化以及它可能产生的效果和何种效果经济正在走向危险状态。因此，利用ABMS的研究人员必须继续平衡整合更多数据的必要性，同时还表明他们能够考虑更丰富的规格集的主要优点，这允许评估复杂现象[60.］．实用的解决方案是使用ABM加速将数据纳入其建模过程的过程的方法，并提供可以针对程式化事实验证的输出，从而提供更全面的解决方案。

附录

参见图11。

数据可用性

根据要求，可以从通讯作者处获得用于支持本研究结果的CSV文件和R脚本。此外，可以在http://tidy.ws/28jdyT上找到预加载实验的模型。

披露

没有专门的资金分配给本文的生产。然而，乔治梅森大学（GMU）通过其总统奖学金的慷慨支持促进了本文的生产。

的利益冲突

提交人宣布，关于本文的出版物没有利益冲突。

致谢

我还要感谢George Mason大学通过总统奖学金计划和我的论文委员会成员提供资金，包括Rob Axtell教授，Rick Booksaber博士，安德鲁骗子教授和德福德·洛佩兹教授，提供他们的在编写本文的见解和指导。

参考文献

1. P. A. Samuelson，“正确预期的价格随机波动的证明”，“工业管理评论，第6卷，第2期第2页25-38,1965。查看在：谷歌学术
2. M. F. M. Osborne，“股票市场的Brownian Motion”，行动调查，第7卷，第2期，第145-173页，1959年。查看在：出版商的网站|谷歌学术|Mathscinet.
3. E. F.Fama，“高效资本市场：理论和实证工作审查，”金融杂志，第25卷，第2期，第。383, 1970.查看在：谷歌学术|Mathscinet.
4. A. Kirou，B. Ruszczycki，M. Walser和N.F.Johnson，“集体人类行为的计算建模：金融市场的例子”计算机科学- ICCS 2008，卷。5101的计算机科学讲义，第33-41页，施普林格柏林，海德堡，柏林，海德堡，2008。查看在：出版商的网站|谷歌学术
5. N. Barberis和R. Thaler，行为金融学研究，国家经济研究局，剑桥，马萨诸塞州，美国，2002。
6. K.Cuthbertson，D. Nitzsche和N. O'Sullivan，“英国共同基金表现：技能或运气？”实证金融学杂志，卷。15，不。4，pp。613-634,2008。查看在：出版商的网站|谷歌学术
7. B. G.马尔基尔，随机走在华尔街：包括个人投资的生命周期指南， WW Norton & Company，纽约，纽约，美国，1999。
8. M. M. Carhart，“持久性互动基金表现”，财经杂志，卷。52，没有。1，pp。57-82，1997。查看在：出版商的网站|谷歌学术
9. A. W.LO，自适应市场：思想速度的金融进展，普林斯顿大学出版社，普林斯顿，NJ，美国，2017年。
10. J. O. Weatherall，华尔街的物理学：预测不可预测的简要历史，水手书，波士顿，马，2014。
11. BM理发师和T。Odean，“交易对你的财富有害：个人投资者的普通股投资表现，”财经杂志，卷。55，不。2，pp。773-806,2000。查看在：出版商的网站|谷歌学术
12. J.凯，股票市场和长期决策凯述评, 2012年。
13. B.勒巴伦，《异质收益学习与资产价格的长期波动》重新思考期望：宏观经济研究的前进方式，PP。169-206，普林斯顿大学出版社，普林斯顿，NJ，美国，2013年。查看在：谷歌学术
14. N. Kaldor，“资本积累和经济增长”资本理论，F. A. Lutz和D.C.C.Hague，EDS。，PP。177-222，Macmillan，伦敦，英国，1961年。查看在：谷歌学术
15. B.-O.海涅，M.迈耶和O. Strangfled，“典型化事实和模拟到预算的经济分析的贡献，”人工社会与社会模拟学报，第8卷，第2期4、2005。查看在：谷歌学术
16. R. Cont，《金融市场波动的群集:实证事实和基于主体的模型》，刊于经济学中的长记忆，pp.289-309，Springer，柏林，德国，2007年。查看在：出版商的网站|谷歌学术
17. N.F.Johnson，P. Jefferies和P. M. Hui，金融市场复杂性，牛津大学出版社，纽约，纽约，美国，2003。
18. F. Botta, H. S. Moat, H. E. Stanley, T. Preis, Y. Chen，“量化金融市场的股票回报分布”，《公共科学图书馆•综合》，卷。10，不。9，2015年物品ID e0135600。查看在：出版商的网站|谷歌学术
19. J. D. Farmer，M. Gallegati，C.Hommes等，“一个复杂的系统方法，构建了管理金融市场和经济的更好模型”，“C，卷。214，没有。1，pp。295-324,2012。查看在：出版商的网站|谷歌学术
20. D. Sornette，为什么股票市场崩溃：复杂金融系统中的关键事件，普林斯顿大学出版社，美国新泽西州普林斯顿，普林斯顿科学图书馆，2017年版。查看在：出版商的网站
21. S.Begušić，Z.Kostanjčar，D.Kovač，H.E.Tanley和B. Podobnik，“时间网络的信息反馈作为市场崩溃的预测因子”，“复杂性文章编号2834680,13页，2018。查看在：出版商的网站|谷歌学术
22. V.Panchenko，S. Gerasymchuk和O. V. Pavlov，“资产价格动态，具有异构信念和当地网络交互”中国经济动态与控制杂志（JEDC），第37卷，第2期12, pp. 2623-2642, 2013。查看在：出版商的网站|谷歌学术|Mathscinet.
23. M. Oldham，“市场波动由股息和投资者网络解释”，复杂系统研究进展，卷。20，没有。8，第1750007，2017年。查看在：出版商的网站|谷歌学术
24. 唐颖，熊建军，“金融网络拓扑动力学的复杂性:新兴市场和发达市场股票模型的研究”，复杂性，卷。2018年，第4680140,13页，2018年31页。查看在：出版商的网站|谷歌学术
25. H. N.Ozsoylev和J. Walden，“大型信息网络的资产定价”，“中国经济理论杂志，第146期。6, pp. 2252-2280, 2011。查看在：出版商的网站|谷歌学术
26. H. N.Ozsoylev，J. Walden，M. D. Yavuz，以及R.Bildik，“股票市场的投资者网络”，审查金融研究，卷。27，不。5，pp。1323-1366,2014。查看在：出版商的网站|谷歌学术
27. M. Oldham，《引入多资产股票市场以测试投资者网络的力量》人工社会与社会模拟学报，第20卷，第4期，2017年。查看在：出版商的网站|谷歌学术
28. K. Khashanah和T. Alsulaiman，“连接，信息跳跃和市场稳定性：基于代理的方法”，复杂性，卷。2017年，第6752086号，16页，2017年。查看在：出版商的网站|谷歌学术
29. J. D. Farmer和D. Foley，“经济需要基于代理商的建模”自然，卷。460，没有。7256，pp。685-686，2009。查看在：出版商的网站|谷歌学术
30. J. Epstein，“为什么型号？”人工社会与社会模拟学报，卷。11，不。4，2008年。查看在：谷歌学术
31. G.特德斯奇，G八神和M. Gallegati，“羊群效应的影响，从而带动市场：大师的兴衰”经济行为与组织杂志，卷。81，没有。1，pp。82-96,2012。查看在：出版商的网站|谷歌学术
32. L. Tesfatsion和K. L. Judd，EDS。，计算经济学手册， Elsevier，阿姆斯特丹波士顿，2006年。
33. D. Sornette，“物理与金融经济学（一七七六年至2014年）：困惑，伊辛和基于代理的模型，”物理学进展报告第77期6、Article ID 062001, 2014。查看在：出版商的网站|谷歌学术|Mathscinet.
34. S. Alfarano，M. Milakovic和M.Milaković，“应该在基于代理的金融的网络结构问题？”《2008-04年经济工作论文》，基尔大学经济学系，christian - albrecht， ２００８．查看在：谷歌学术
35. L. Ponta和S. Cincotti，“交易者的互动网络和金融市场的结构属性:基于代理人的方法”，复杂性文章编号9072948,9页，2018。查看在：谷歌学术
36. A. O. I. Hoffman，W. Jager和J. H.Von Eije，“股票市场的社交模拟：将其带到下一级别”人工社会与社会模拟学报，卷。10，不。2，p。7，2007年。查看在：谷歌学术
37. G. Harras和D. Sornette，“如何成长泡沫：近视适应代理的模型，”经济行为与组织杂志，卷。80，不。1，pp。137-152,2011。查看在：出版商的网站|谷歌学术
38. R. de Caux，C.Smith，D.克劳顿，R. Black和A.菲律宾，“通过当地代理人互动，”动态，小世界社会网络一代，“复杂性第19卷第2期6, pp. 44-53, 2014。查看在：出版商的网站|谷歌学术
39. S. Markose，A. Alentorn和A. Krause，“网络中的动态学习，牧师和大师效应”工作文件582.英国埃塞克斯大学经济系，2004年。查看在：谷歌学术
40. V. Grimm, U. Berger, D. L. DeAngelis, J. G. Polhill, J. Giske, and S. F. Railsback，“ODD协议:回顾和第一次更新，”生态模型，第221卷，第23期，第2760-2768页，2010年。查看在：出版商的网站|谷歌学术
41. U. Wilensky，netlogo。北北大学。Evanston，IL：连接学习和基于计算机的建模中心1999年。
42. a . Oyedale，“2018年沃伦·巴菲特的年度问答会议如何成为伯克希尔·哈撒韦全球股东必去的盛会”。查看在：谷歌学术
43. O. Gergaud和W. T. Ziemba，《伟大的投资者:他们的方法、结果和评估》，SSRN电子杂志, 2012年。查看在：谷歌学术
44. d·j·沃茨和s·h·斯特罗加茨，《小世界网络的集体动力》，自然，卷。393，没有。6684，PP。440-442，1998。查看在：出版商的网站|谷歌学术|Mathscinet.
45. M. Mitchell，“复杂系统：网络思维”，人工智能，第170卷，第18号，第1194-12122006页。查看在：出版商的网站|谷歌学术
46. R. Cont和J. Bouchaud，《金融市场的羊群行为和总体波动》，宏观经济动力学，卷。4，不。2，pp。170-196,2000。查看在：出版商的网站|谷歌学术
47. j·d·法默，《市场力量、生态和进化》工业和企业变革，卷。11，不。5，pp。895-953，2002。查看在：出版商的网站|谷歌学术
48. J.-S.Lee等，“基于代理的模型输出分析的复杂性”，人工社会与社会模拟学报第18卷第2期4、2015。查看在：谷歌学术
49. r·j·席勒，《谈话、信息和羊群行为》《美国经济评论》第85卷第1期2，页181-185,1995。查看在：谷歌学术
50. R. J. Shiller, S. Fischer，和B. M. Friedman，《股票价格和社会动态》，布鲁金斯经济活动论文， 1984年第5期。2，页457-498,1984。查看在：出版商的网站|谷歌学术
51. G. Tedeschi, G. Iori, M. Gallegati，《沟通和模仿在限价订单市场中的作用》，选B，卷。71，没有。4，pp。489-497，2009。查看在：出版商的网站|谷歌学术
52. F. Musciotto, L. Marotta, J. Piilo, R. N. Mantegna，《金融市场投资者的长期生态》，帕尔格雷夫通信，卷。4，不。2018年1日。查看在：出版商的网站|谷歌学术
53. R. Cont，《资产回报的经验属性:程式化的事实和统计问题》量化融资，第1卷，第2期，第223-236页，2001年。查看在：出版商的网站|谷歌学术
54. G. Caldarelli，S. Battiston，D.Garlaschelli和M. Catanzaro，“金融网络中复杂性的出现，”复杂网络E. Ben-Naim, H. Frauenfelder和Z. Toroczkai, Eds。，卷。6.50.那pp. 399–423, Springer Berlin Heidelberg, Berlin, Germany, 2004.查看在：出版商的网站|谷歌学术|Mathscinet.
55. D. D. Gatti，C. Di Guilmi，E. Gaffeo，G.Giulioni，M. Gallegati和A.Palestrini，“业务波动的新方法：异质互动代理，缩放法律和金融脆弱性”经济行为与组织杂志第56期4，pp。489-512,2005。查看在：出版商的网站|谷歌学术
56. C. M. MANAL和M. J. North，“基于代理的建模和模拟教程，”模拟杂志，卷。4，不。3，第151-162，2010。查看在：出版商的网站|谷歌学术
57. M. J.格鲁伯，《另一个谜题:积极管理共同基金的增长》财经杂志第51卷第1期3，第783-810页，1996。查看在：谷歌学术
58. E. R. Sirri和P. Tufano，《昂贵的搜索和共同基金流动》，金融杂志，卷。53，不。5，PP。1589-1622,1998。查看在：出版商的网站|谷歌学术
59. B. Barber，R. Lehavy，M. McNichols和B. Trueman，“投资者可以从先知中获利吗？安全分析师建议和股票回报，“财经杂志第56期2，页531-563,2001。查看在：出版商的网站|谷歌学术
60. R. Leombruni和M. Richiardi，“为什么经济学家对基于主体的模拟持怀疑态度?”物理A:统计力学及其应用，卷。355，没有。1，pp。103-109，2005。查看在：出版商的网站|谷歌学术|Mathscinet.

版权

版权所有©2019 Matthew Oldham。这是一篇发布在知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。