基于Agent的复杂金融系统多级羊群模型

2022-5-8 01:32:00

复杂金融系统的基于Agent的多级羊群模型Jun Jie Chen1,2，Lei Tan1,2，Bo Zheng1,2*浙江大学物理系，杭州310027，南京大学先进微结构协同创新中心，南京210093*电子邮件：zhengbo@zju.edu.cnAbstractIn复杂的金融系统、行业结构和波动性集群分别是时空相关性的重要特征。然而，这种结构的微观生成机制尚不清楚。特别是，如何在一个模型中产生这两个特性仍然是一个挑战。我们引入了一种新的交互机制，即多级羊群效应，构建了一个基于agent的模型，结合波动率聚类来研究行业结构。根据以往的市场表现，代理人是集体交易，其羊群行为包括股票、行业和市场层面的羊群行为。此外，我们还提出了根据历史市场数据而非结果的统计拟合来确定关键模型参数的方法。通过模拟，我们得到了纽约和香港证券交易所的行业结构和波动率聚类，以及互相关矩阵的特征值分布。这些性质与经验的一致。我们的研究结果定量地揭示了多层次的羊群效应是部门结构的微观生成机制，并在微观层面上为金融系统的时空互动提供了新的视角。金融市场是一个多体相互作用的复杂系统。近年来，大量历史金融数据引发了包括物理学家在内的各个领域科学家对定量研究市场性质的兴趣。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 01:32:04

通过物理概念和方法，已经获得了大量的结果1-19。从物理学家的角度来看，复杂金融系统的动态行为和社区结构可以用时间和空间相关函数来表征。在股票市场中，众所周知，波动率在时间上是长期相关的，这就是所谓的波动率聚集2、3、6、7、20。关于高阶时间相关性，我们发现，过去收益率和未来波动率之间的相关性在世界上几乎所有的股票市场4、11、21–24都是负的，而目前只有中国股票市场11、25的相关性是正的。换句话说，正回报和负回报对波动性的影响是不对称的，这就是所谓的波动性对称性。在金融危机期间，发达经济体的波动不对称性经历了局部极小值，而转型经济体的波动不对称性达到了局部极大值。通过研究股票12、18、27–35的相互关系，探索股票市场的空间结构。利用随机矩阵理论（RMT），可以识别社区，社区通常与商业部门31–33有关。分析价格回报的互相关矩阵C，以研究股票12、18、29–35之间的相互作用。C的最大特征值显著偏离Wishart矩阵的理论分布，Wishart矩阵是非相关时间序列的互相关矩阵。该特征值代表市场模式，即整个市场的价格协同运动，且对应特征向量的分量对于所有股票相对一致。对于发达市场而言，其他较大价值的每个特征向量都由某个业务部门的股票18、30、31主导。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-5-8 01:32:07

这些大的特征值代表扇形模式。时空相关性在理论上对理解价格动态至关重要，在实际中对投资组合的优化非常有用。扇形结构和波动性聚类分别是空间和时间相关性的重要特征，这是我们在本文中关注的。近年来，人们提出了各种模型来研究波动性集群，取得了一定的成功6、15、36–39，但行业结构的模型是现象学的，通常没有投资者的相互作用12、40。另一方面，尽管许多活动致力于宗派结构，但其微观生成机制尚不清楚。部门结构和波动性集群都是股票市场的重要特征，如何在一个模型中产生这两个属性仍然是一个挑战。作为一种强大的仿真技术，基于agent的建模广泛应用于各个领域37、38、41–45。最近，一个基于代理的模型被提出来模拟股票市场中收益率和波动率聚集的累积分布。构建模型的概念是从经验数据中确定关键参数，而不是人为设定。在本文中，我们构建了一个基于代理的模型，该模型具有一种新的交互机制，即多级羊群效应，以研究与波动率聚类相结合的部门结构。此外，我们还提出了根据历史市场数据而非结果的统计拟合来确定关键模型参数的方法。结果在股票市场中，股票价格的时间演化和股票之间的相互作用是复杂的。一个市场的价格动态自然包含每个股票的价格动态。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-5-8 01:32:10

最近的研究表明，一个市场的价格动态可以分解为不同的运动模式，如市场模式和部门模式18、30、31。市场模式由市场中所有股票共同存在的互动驱动，而部门模式由部门内股票的互动主导。因此，市场的价格动态是多层次的。在金融市场中，羊群行为是一种集体行为46-50。投资者在做决策时会聚集在一起，这些群体可以扩大规模。由于投资者的羊群行为对价格动态至关重要，因此也可能是多层次的。在我们的模型中，我们假设代理人的羊群行为由三个不同的层次组成，即股票、行业和市场三个层次的羊群行为。多层次放牧。我们的模型是基于代理人的日常交易，即购买、出售和持有股票而构建的。在该模型中，有N个代理、N个股票和N个部门。每个部门包含n/NSECSTOCK。每个代理只持有一只股票，这是从n只股票中随机选择的。在真实市场中，投资者可能持有不同的股票。为了简单起见，我们假设一个理性的投资者会根据每只股票的表现分别交易他的股票，即使他的操作是基于一个投资组合。因此，一个投资者持有三只股票的情况与三个投资者持有一只股票的情况基本相同。第t天第i只股票的股价用Yi（t）表示，对数价格回报率isRi（t）=ln[Yi（t）/Yi（t）- 1)]. 由于投资者在真实市场中的交易决策是基于不同时间尺度的股票表现，因此我们在模型中引入了投资期限，以更好地描述代理人的行为。这已在参考文献中报道。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-5-8 01:32:14

15.投资期限为l天的投资者的相对份额ξl遵循幂律衰减，ξl∝ L-1.12. 最大投资期限由L决定。在LL=1ξL=1的条件下，我们将ξlto归一化为ξL=L-1.12/PLl=1l-1.12. 经纪人的交易决定是根据过去的价格回报做出的。在t+1天，对于持有投资期限为l天的股票的代理人，Pl-1m=0Ri（t- m）表示估计以前股票表现的基础。我们引入加权平均收益率Ri（t）来描述所有代理持有股票i的基础。因为ξlis是PL的权重-1m=0Ri（t- m），Ri（t）定义为Ri（t）=k·LXl=1“ξll-1Xm=0Ri（t- m） #。（1）我们设置了系数k=1/（PLl=1PLm=lξm），以确保Ri（t）的函数标度与Ri（t）的函数标度一致，即| Ri（t）| max=| Ri（t）| max（见补充信息S1）。如果L=1，则Ri（t）与Ri（t）完全相同。在该模型中，代理人的羊群行为包括股票、行业和市场层面的羊群行为。为了方便起见，我们用“股票代理人i”来表示持有股票i的代理人。如果股票i属于j区，那么这个代理人也可以用“j区代理人”来表示。由i股经纪人或j股经纪人组成的集团分别用“i股经纪人”或“j股经纪人”表示。图1（a）显示了多级放牧的示意图。同一股票中的经纪人首先分组。这种在种群水平上的放牧行为类似于其他模型中的放牧行为，这些模型只模拟一个种群。在真实市场中，同一部门的股票具有该部门的特征。因此，在我们的模型中，每个部门中的群体进一步形成更大的群体，即部门层面的羊群。最后，由于所有行业都具有整个市场的共同特征，这些集团在行业层面上形成了更大的集群。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-5-8 01:32:18

这是市场层面的羊群效应。（i）在牲畜水平放牧。每个股票中的代理首先聚为一组，称为I组。我们引入了一个放牧度DIT来量化这个水平上的放牧行为。在dayt，第i个种群的聚集度为ii（t）=‘ni（t）/ni，（2），其中‘ni（t）表示每个i-群中的平均代理数，而nii是第i个种群中的代理数。经纪人的羊群行为是基于他们对之前股票表现的估计。因为代理人在第t天的估计依据是| Ri（t- 1） |，我们设置| ni（t）=| Ri（t）- 1)|. 因此，DIi（t）=Ri（t- 1） |/Ni。（3）在第i个库存中，i-群的数量为Ni/\'Ni（t）=1/DIi（t），试剂随机加入其中一个i-群。在对所有n个股票进行股票水平的羊群之后，j-TH部门和整个市场中的I-群的数量分别用NIj（t）和NIM（t）表示，NIj（t）=Pi∈j[1/DIi（t）]NIM（t）=Pi[1/DIi（t）]。（4）我来了∈ j代表部门j中的存量i。（ii）部门层面的放牧。同一行业的股票具有该行业的特点。在这个层面上，经纪人的羊群行为是由该行业的价格联动驱动的，即一个行业的股票价格往往同时上涨和下跌。因此，同一部门的I-群将进一步形成更大的群，称为S-群。在这里，我们引入Hjmand来分别描述整个市场和j部门股票的价格变动程度。对于第j个扇区，每个S-群中的I-群平均数设置为n·（Hj）- HM），代表了该行业的纯价格运动。因此，放牧度isDSj（t）=n·（Hj- HM）/NIj（t）。（5）在扇区j中，S-群的数量为1/DSj（t），每个I-群加入其中一个S-群。（三）市场层面的放牧。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 01:32:21

代理人在这个水平上的羊群行为是由整个市场的价格共同运动驱动的。不同行业的S-集团在整个市场上具有共同的特征，并聚集成更大的集团。这些群被称为M群。在该模型中，部门和市场水平的放牧度都是基于I-群计算的。协动度Hj表示相连的I-群的百分比，即相互协动的I-群。“\'H=（PjHj/nsec）代表连接的I组的平均百分比。由于这一级别的集团形成是由整个市场的价格共同运动驱动的，因此我们认为，不同行业的关联I-集团数量应相同，并等于“H·NIM（t）”。我们用NMj（t）表示“H·NIM（t）/hj，并称为第j个扇区的有效I-群数。NMj（t）满足Hj·NMj（t）=H·NIM（t）。另一方面，n·hm代表整个市场中股票的价格联动。因此，对于j区的这些群体，市场层面的羊群度为Mj（t）=n·HM/NMj（t），（6），M群体的数量为1/DMj（t）。对于不同的j，市场上的M-集团总数最多为1/DMj（t）。所有M-集团都已编号，j区的S-集团加入第一个/DMj（t）M-集团。在S群的形成过程中，同一种群中的I群往往不会加入同一个S群，否则这些I群会在种群水平的放牧过程中聚集在一起。同样，在M群的形成过程中，同一部门的S群往往不会加入同一个M群。换句话说，I-集团更愿意加入S-集团，而不存在来自同一股票的其他I-集团，S-集团更愿意加入M-集团，而不存在来自同一行业的其他S-集团。在三个级别的放牧之后，所有代理聚集成M组。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 01:32:25

由于在经验交易数据中，日内交易并不持久，我们假设每个代理人每天只做出一个交易决定。同一M-群中的代理人以相同的概率做出相同的交易决策。考虑到每个代理人经营一份股份，我们用φα（t）表示第α代理人在第t天的决定=1.购买-1卖出0持有，（7）M-集团的买入、卖出和持有决策的概率分别用Pbuy、PSELL和Phold表示。与之前的模型15、17相同，我们假设买卖概率相等，即Pbuy=Psell=P，因此Phold=1-2便士。第i种股票的回报率定义为该股票的供求差异，即买卖股票的代理数量之间的差异，Ri（t）=Xα∈iα（t）。（8）这里是α∈ i代表库存i中的试剂α。参数hman和Hj的测定。纽约证券交易所（NYSE）和香港证券交易所（HKSE）是本文研究的两个具有代表性的股票市场。纽约证券交易所是西方世界上最成熟的市场之一，而香港证券交易所是亚洲的一个重要市场。我们分别收集了纽约证券交易所和香港证券交易所150只股票的每日收盘价数据（方法）。为了比较不同的收益时间序列，引入了标准化收益ri（t），ri（t）=[ri（t）- hRi（t）i]/σ，（9），其中h··i代表时间t的平均值，σ=phRi（t）i- hRi（t）是ri（t）的标准差。引入Hhman和Hj参数，分别描述整个市场和j部门股票的价格协动程度。实际上，股票的价格协同运动可以通过不同股票回报的符号和幅度的相似性来表征。Wedenote一个部门的股票数量，以ns表示，因此ns=n/nsec。在计算HM时，我们只需设置ns=n。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-5-8 01:32:28

在t日，根据ri（t）的符号，这些股票被分为两种市场趋势，即上涨和下跌。t天上升和下降趋势的幅度定义为asv+（t）和v-（t）分别，v+（t）=Pi，ri（t）>0ri（t）/nsv-（t） =Pi，ri（t）<0ri（t）/ns。（10）这两种趋势通常是不平衡的，根据v+（t）和v的大小，我们假设这些股票由这两种趋势中的任何一种主导-（t）。主导趋势的振幅vd（t）和非主导趋势的振幅vn（t）为vd（t）=max{v+（t），v-（t） }vn（t）=min{v+（t），v-（t）哦。（11）我们将被归为主导趋势的股票称为“主导股票”。价格联动是所有NSStock的共同属性，因此总振幅为vd（t）- vn（t）。此外，我们还考虑了这些股票的收益迹象的相似性。这种相似性被定义为主导股票的百分比。主要股票的数量用nd（t）表示，百分比为ζ（t）=nd（t）/ns。我们取ζ（t）和vd（t）随时间变化的平均值- vn（t），分别用hζ（t）i和vd（t）- vn（t）. 然后，协动度和HjareHM=hζ（t）i·vd（t）- vn（t）市场Hj=hζ（t）i·vd（t）- vn（t）第j区。（12）这里| market和| j-th sector分别表示整个市场和j-th sector中股票的计算。纽约证券交易所和香港证券交易所的这些参数如表1所示。模型的模拟。股票数量为n=150，行业数量为nsec=5，这与我们为纽约证券交易所和香港证券交易所收集的经验数据（方法）相同。我们设定代理人N的数量为60万，最大投资期限L为1000个交易日（方法）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-5-8 01:32:33

在我们的模型中，94%的代理人的投资期限小于500天（方法），这与之前的研究类似。根据历史市场数据和投资报告估计，纽约证券交易所的买入或卖出概率为P=0.363，香港证券交易所的买入或卖出概率为P=0.317（方法）。通过分别为纽约证券交易所和香港证券交易所确定Hjmand，我们的模型生成每只股票的时间序列Ri（t）。模拟程序的示意图如图1（b）所示：最初，所有n个股票的第一个时间步的收益率都设置为0。在第t天，我们根据方程式（1）计算参与者的基础Ri（t），然后根据方程式（3）计算每个股票i的DIi（t）。第i个股票中的代理人随机加入1/DIi（t）i-群中的一个。接下来，第j扇区中的I群加入1/DSj（t）S群中的一个，然后第j扇区中的每个S群加入1/DMj（t）M群中的一个。在对这三个级别进行羊群效应后，同一M组中的代理以相同的概率（Pbuy、PSELL或Phold）做出相同的交易决定（买入、卖出或持有）。因此，t天每只股票的回报率用公式（8）计算。这些团体在做出决定后解散。重复这个过程，我们得到市场上所有股票的收益时间序列。对于均衡，每个股票的前10000个收益数据点被放弃，模拟的时间序列长度与经验数据的长度相同。模拟结果。通过对模拟收益率的计算，我们得到了行业结构和波动率聚类。对于每只股票i，波动率聚类的特征是波动率2,6的自相关函数，其定义为asAi（t）=[h | ri（t）| ri（t+t）|i- h | ri（t）| i]/Ai。（13）这里Ai=h | ri（t）|i-h | ri（t）| i，h··i代表时间t的平均值。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 01:32:36

因此，所有股票平均波动率的自相关函数为A（t）=PiAi（t）/n。如图2所示，对于纽约证券交易所和香港证券交易所，模拟的A（t）与经验数据的A（t）一致。为了描述空间结构，我们首先计算等时互相关矩阵C12、29、52，其中每个元素isCij=hri（t）rj（t）i.（14）这里h··i代表时间t的平均值，Cijm测量第i和第j个股票收益之间的相关性。从定义来看，C是一个实对称矩阵，Cii=1，区间内其他元素的值Cijare[-1, 1]. 关注的第一、第二和第三大特征值分别由λ、λ和λ表示。现在我们关注三个最大特征值的特征向量的分量ui（λ）。纽约证券交易所的实证结果如图3（a）所示。对于λ，相应特征向量的分量相对一致。λ和λ的特征向量分别由扇区（5）和扇区（1）控制，其分量明显大于其他扇区的分量。在我们的模拟中再现了这些特征，结果如下图所示。3（b）。香港联交所的实证结果如图4（a）所示。λ和λ的特征向量分别由扇区（1）和扇区（2）控制，这些特征由我们的模型模拟，如图4（b）所示。对香港联交所来说，情况有些复杂，因为香港联交所的公司通常经营各种业务。因此，λ的特征向量的分量并不像纽约证券交易所中的分量那样是统一的。λ和λ的主要部分不太突出，尤其是λ。此外，根据模拟收益计算特征值的分布。如图所示。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-5-8 01:32:39

5.对于纽约证券交易所和香港证券交易所，模拟得到的大部分特征值分布和三个最大特征值与经验数据一致。讨论在金融市场中，部门结构和波动性集群分别是空间和时间相关性的重要特征。然而，扇形结构的微观生成机制尚不清楚。特别是，如何在一个模型中产生这两个特性仍然是一个挑战。为了研究与波动率聚类相结合的行业结构，我们构建了一个基于agent的模型，该模型具有一种新的交互机制，即多级羊群效应。该模型基于真实市场中投资者的个人和集体行为。根据以往的市场表现，代理人是分组交易的，他们的羊群行为包括股票、行业和市场层面的羊群行为。引入关键参数HMand Hj，分别描述整个市场和j部门股票的价格联动度。我们提出了根据历史市场数据而非结果的统计拟合来确定这些参数的方法。其他参数L和P也根据经验发现进行估算。通过分别为纽约证券交易所和香港证券交易所确定参数，我们的模型产生了相应的收益时间序列。从这些时间序列中，我们得到了部门结构和波动率聚类，以及互相关矩阵C的特征值分布。这些性质与经验性质一致。我们的研究结果定量地揭示了多层次的羊群效应是部门结构的微观生成机制，并在微观层面上为金融系统的时空互动提供了新的视角。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 01:32:42

多层次放牧的机制，包括用参数hman和Hj表征价格协同运动的概念，也可以应用于其他具有类似群落结构的复杂系统。方法数据。我们的数据来自“雅虎金融”（http://fifinance.Yahoo.com）。我们收集了纽约证券交易所基本材料、消费品、工业品、服务和公用事业5个业务部门的150只大盘股的每日收盘价数据，每个部门有30只股票。数据是从1990年1月到2006年12月，每个股票有4286个数据点。为了进行比较，我们还收集了香港联交所150只股票的每日收盘价数据，形成5个板块，每个板块30只股票，其中大部分是大盘股。数据是从2003年1月到2011年9月，每个股票有2146个数据点。香港联交所的行业结构有些复杂，因为香港联交所的一家公司通常经营各种业务。根据互相关矩阵C的特征向量的主要股票，香港交易所的行业没有纽约证券交易所严格，可能由两个业务部门组成。具体而言，第二个部门包括14只来自企业集团的股票和16只来自工业品的股票。第三部门包括12支基础材料股和18支技术股。其他三个行业的股票分别来自房地产开发、服务业和消费品。参数N和L。为了模拟真实股票市场的特性，代理人的数量不应该太小，因为我们假设每个代理人只操作一支股票。我们设定n=600000，即平均4000名代理人持有相同的股票。模拟结果对N不敏感。例如，对于N=450000或N=750000，我们得到了几乎相同的结果。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 01:32:46

N对行业结构和矩阵C的特征值分布没有影响，对股票平均波动率的自相关函数a（t）的振幅也有轻微影响。投资者的投资期限从一天到一年多不等。考虑到股市中可能会有一些投资期限较长的投资者，我们在模型中设定了L=1000个交易日。因此，根据投资者的相对比例，94%的代理人的投资期限短于500天，这表明大多数代理人不会在很长一段时间内估计以前的市场表现。L对时间和空间特性的影响很小。与N类似，模拟结果几乎相同，例如L=800或L=1200。参数P的确定。我们首先确定实际市场中单个投资者的每日买入、卖出和持有概率，分别用pbuy、PSELL和PHOLD表示。pbuy和psell应该相等，即pbuy=psell=p。theNYSE的150只股票的收益时间序列是从1990年1月到2006年12月。根据《2010年机构投资报告》，这几年美国前1000家公司的机构持股比例平均为60.3%（见补充信息S2）。股票市场上有两种投资者，即个人投资者和机构投资者。因此，个人投资者的持股比例为39.7%。根据参考文献15，投资者交易的股票数量与持有的股票数量之间的年平均比率为1.64。这个比率相当于投资者的年平均交易时间。由于机构投资者在交易时间贡献很少，我们忽略了他们的交易。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-5-8 01:32:49

因此，个人投资者的年交易时间为1.64/0.397=4.13。由于每年有250个交易日，每日交易概率为4.13/250=pbuy（t）+psell（t）=2p。因此，纽约证券交易所的p为0.00826。对于香港联交所，我们无法获得相应的经验数据，我们假设p也为0.00826。同一M组中的代理是连接的。我们假设，如果集团中的一个代理人决定购买或出售股票，整个集团都会做出同样的决定。在该模型中，M-群中代理的平均数量为n·HM。因此，M-群isP的购买或出售概率为1- (1 - p）因此，纽约证券交易所的p为0.363，香港证券交易所的p为0.317。参考文献1。Mantegna，R.N.&Stanley，H.E.经济指数动态中的标度行为。《自然》杂志376，46-49（1995）。Gopikrishnan，P.，Plerou，V.，Amaral，L.A.N.，Meyer，M.和Stanley，H.E.金融市场指数波动分布的缩放。菲斯。牧师。E 605305（1999）。Liu，Y.等人。价格波动的统计特性。菲斯。牧师。E 601390（1999）。Bouchaud，J.P.，Matacz，A.和Potters，M.金融市场中的杠杆效应：延迟波动模型。菲斯。牧师。莱特。87, 228701 (2001).5. Tino，P.，Schittenkopf，C.和Dor ff ner，G.使用递归神经网络的金融波动性交易。IEEE Trans。神经网络。12, 865–874 (2001).6. Krawiecki，A.，Ho lyst，J.A.和Helbing，D.由于吸引子冒泡，金融时间序列的波动率聚类和缩放。菲斯。牧师。莱特。89, 158701 (2002).7. 《金融市场波动中的幂律分布理论》。《自然》杂志423267-270（2003）。Sornette，D.严重的市场崩溃。菲斯。众议员378，1-98（2003年）。博纳诺，G.，卡尔达雷利，G.，利洛，F.&曼蒂格纳，R.N。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 01:32:52

真实市场和模型市场中基于相关性的最小生成树的拓扑结构。菲斯。牧师。E 68046130（2003）。Johnson，N.F.，Jefferies，P.Hui，P.M.金融市场复杂性。（牛津大学出版社，牛津，2003）11。邱，T.，郑，B.，任，F.&Trimper，S.《金融动力学中的收益波动率相关性》。菲斯。牧师。E 73065103（2006）。沈杰和郑斌。金融动力学中的相互关联。EPL8648005（2009）。赵，L。等。复杂适应系统中的羊群行为。过程。纳蒂。阿卡德。Sci。美国10815058–15063（2011）。Preis，T.，Schneider，J.J.和Stanley，H.E.金融市场的转换过程。过程。纳蒂。阿卡德。Sci。美国1087674–7678（2011）。15。Feng，L.，Li，B.，Podobnik，B.，Preis，T.和Stanley，H.E.链接基于代理的金融市场模型和随机模型。过程。纳蒂。阿卡德。Sci。美国1098388–8393（2012）。16。Preis，T.，Moat，H.S.和Stanley，H.E.使用谷歌趋势量化金融市场的交易行为。Sci。第31684页（2013年）。17。Chen，J.J.，Zheng，B.&Tan，L.复杂金融系统中基于代理的不对称交易和羊群模型。《公共科学图书馆综合》8，e79531（2013）。18。蒋晓峰，陈铁通&郑，B.复杂金融动力学中的局部互动结构。Sci。《代表》45321（2014）。19。Meng，H.等人。美国住房市场的系统性风险和时空动态。Sci。众议员43655（2014）。20。丁，Z.，格兰杰，C.W.和恩格尔，R.F.股票市场收益的长记忆特性和新模型。J.帝国。财务部。1, 83–106 (1993).21. 布莱克，F.股票价格波动变化研究。美国统计协会1976年会议记录，商业和经济统计科，177–181（1976）。22。Glosten，L.R.，Jagannathan，R.和Runkle，D.E.关于股票名义超额收益率的预期值和波动性之间的关系。J.Financ。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 01:32:55

48, 1779–1801 (1993).23. Engle，R.F.&Ng，V.K.测量和测试新闻对波动性的影响。J.Financ。48,1749–1778 (1993).24. Zakoian，J.M.阈值异方差模型。J.经济。Dyn公司。控制18931-955（1994年）。沈J.和郑B.关于金融动力学中的收益-波动相关性。EPL 8828003（2009）。26。Tenenbaum，J.等。转型经济体和发达经济体反应动力学的比较。菲斯。牧师。E 82046104（2010）。Erb，C.B.，Harvey，C.R.和Viskanta，T.E.预测国际股票相关性。财务部。肛门。J.50，32-45（1994）。28。Solnik，B.，Boucrelle，C.和Le Fur，Y.国际市场相关性和波动性。财务部。肛门。J.52，17-34（1996）。29。Laloux，L.，Cizeau，P.，Bouchaud，J.P.&Potters，M.金融相关矩阵的噪声修饰。菲斯。牧师。莱特。83, 1467 (1999).30. Gopikrishnan，P.，Rosenow，B.，Plerou，V.和Stanley，H.E.量化和解释金融市场中的集体行为。菲斯。牧师。E 64035106（2001）。Plerou，V.等。金融数据中交叉相关性的随机矩阵方法。菲斯。牧师。E 65066126（2002）。Utsugi，A.，Ino，K.和Oshikawa，M.金融市场中交叉相关性的随机矩阵理论分析。菲斯。牧师。E 70026110（2004）。Pan，R.K.和Sinha，S.新兴市场中股票价格运动的集体行为。菲斯。牧师。E 76046116（2007）。Podobnik，B.，Wang，D.，Horvatic，D.，Grosse，I.&Stanley，H.E.收集现象中的时滞互相关。EPL9068001（2010）。35。蒋晓福和郑，B.金融系统中的反相关和子部门结构。EPL 9748006（2012）。36。Lux，T.和Marchesi，M.《金融市场中的波动性聚集：交互因素的微观模拟》。《国际理论与应用金融杂志》3675–702（2000）。37。贾迪娜，I.，布乔德，J.P.&M\'ezard，M。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-5-8 01:32:58

长期波动相关性的微观模型。Physica A 299，28–39（2001）。38。Challet，D.，Marsili，M.&Zhang，Y.C.将少数民族游戏中金融市场和市场崩溃的事实程式化。Physica A 294514–524（2001）。任，F.，郑，B.，邱，T.和Trimper，S.分数相关的支付和少数民族游戏。Physica 371649–657（2006）。40。马文杰，胡志强和阿姆利卡尔，R.E.股票相关性的随机动力学模型。菲斯。牧师。E 70026101（2004）。Bonabeau，E.《基于代理的建模：模拟人类系统的方法和技术》。过程。纳蒂。阿卡德。Sci。《美国》997280–7287（2002）。42。Evans，T.P.和Kelley，H.土地覆盖变化家庭层面基于代理的模型的多尺度分析。J.环境。管理72, 57–72 (2004).43. 任，F.，郑，B.，邱，T.和Trimper，S.具有分数依赖和代理依赖支付的少数民族游戏。牧师。E 74041111（2006）。44。Farmer，J.D.和Foley，D.经济需要基于代理的建模。《自然》460685-686（2009）。45。Schwarz，N.和Ernst，A.基于代理的环境创新差异建模实证方法。技术。预测Soc。76, 497–511 (2009).46. Eguiluz，V.M.和Zimmermann，M.G.信息传输和羊群行为：金融市场的应用。菲斯。牧师。莱特。85, 5659–5662 (2000).47. Cont，R.和Bouchaud，J.P.金融市场中的羊群行为和总波动。宏观经济学。Dyn公司。4, 170–196 (2000).48. 黄，S.和鲑鱼，M.市场压力和放牧。J.帝国。财务部。11, 585–616 (2004).49. 郑，B.，邱，T.和任，F.两阶段现象，少数民族游戏和放牧模型。菲斯。牧师。E 69046115–1（2004）。50。Kenett，D.Y.等人的指数凝聚力分析显示，自2002年以来，美国市场变得容易出现系统性崩盘。《公共科学图书馆一号》，e19378（2011）。51。艾斯勒，Z.&克特兹，J。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 01:33:02

流动性和股票市场交易量的多尺度特性。EPL7728001（2007）。52。Plerou，V.，Gopikrishnan，P.，Rosenow，B.，Amaral，L.A.N.和Stanley，H.E.金融时间序列中互相关的普遍性和非普遍性。菲斯。牧师。莱特。83, 1471(1999).53. 欧阳，F.Y.，郑，B.和江，X.F.大中华区四个金融市场的空间和时间结构。Physica A 402236–244（2014）。54。Menkhoff，L.《基金经理使用技术分析：国际证据》。J.银行。财务部。34, 2573–2586 (2010).55. 《2010年机构投资报告：资产配置和投资组合构成趋势》。会议委员会研究报告，编号R-1468-10-RR（2010年）。致谢本研究部分得到了中国国家自然科学基金委员会11375149和11075137号和浙江省自然科学基金Z6090130号的支持。作者贡献J。J.C.，L.T.和B.Z.构思了这项研究；J、 J.C.和L.T.设计并执行了该研究；J.J.C.和L.T.对数据进行了统计分析；J.J.C.，L.T.和B.Z.讨论了结果，并对手稿的文本做出了贡献。其他信息竞争性财务利益：作者声明没有竞争性财务利益。MarketMgrGroupsHerdingGroupsHerdingGroupsI-herdingAgentsStock1Stock2Stockn-1StocknSector 1Sector NSECP前一个Ri（t）Ri’（t）多级放牧群购买、出售或持有Ri（t+1）AB图1。（a）多层次放牧的示意图；（b）模拟的过程。（a） “I-herding”、“S-herding”和“M-herding”分别表示股票层面、部门层面和市场层面的羊群行为。100101102t（日）10-310-210-1100A（日）纽约证券交易所gSimulation00。20.40.60.8100.20.40.60.81HKS E G模拟图2。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-5-8 01:33:05

纽约证券交易所和香港证券交易所波动率的平均自相关函数，以及相应的模拟。为清楚起见，香港联交所的曲线向下移动了20.00.10.2 | ui（0）| 00.10.2 | ui（1）| 0 30 60 90120 150Stock（i）00.10.2 | ui（2）|（1）（2）（3）（4）（5）NYSE00。10.2 | ui（0）| 00.10.2 | ui（1）| 0 30 60 90120 150股票（i）00.10.2 | ui（2）|（1）（2）（3）（4）（5）模拟图3。根据（a）纽约证券交易所的经验数据计算出的与互相关矩阵C的三个最大特征值相对应的特征向量分量ui（λ）的绝对值；（b）纽约证券交易所的模拟回报。股票按虚线分隔的业务部门排列。（1）：基本材料；（2）：消费品；（3）：工业品；（4）：服务；（5）：实用程序。00.10.2 | ui（0）| 00.10.2 | ui（1）| 0 30 60 90120 150股票（i）00.10.2 | ui（2）|（1）（2）（3）（4）（5）HKS E00。10.2 | ui（0）| 00.10.2 | ui（1）| 0 30 60 90120 150股票（i）00.10.2 | ui（2）|（1）（2）（3）（4）（5）模拟图4。根据（a）香港联交所的经验数据计算出的互相关矩阵C的三个最大特征值对应的特征向量分量ui（λ）的绝对值；（b）香港联交所的模拟回报。股票按虚线分隔的业务部门排列。部门（2）和（3）分别由两个业务部门（方法）组成。（1）：房地产开发；（2）：企业集团——工业品；（3）：基本材料-技术；（4）：服务；（5）：消费品。00.050.10.150.2NYSE gSimulation012 3400。050.10.15P（）HKS E GSIMulation 01020 3000.01P（）01020 3000.01P（）图5。纽约证券交易所和香港证券交易所的互相关矩阵特征值的概率分布，以及相应的模拟。插图中显示了三个最大特征值的概率分布。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝