蓝色实线：外部信息强度F和愚蠢的逻辑转换趋势a的不同值模拟的意见指数的时间演变。Herding参数和s系统大小固定为h=10-3和N=200。在单稳区市场参数（a，h）的情况下，增加输入信息强度的效果如图2所示。3，其中a=5·10-3和h=10-3.首先，我们注意到，信息输入的应用可能会导致类似双稳态的行为，如<hand F=0时所预期的，尤其是在输入强度较大的情况下（情况F=0.2）。这是由于引入了外部信息项作为羊群系数的一部分[见等式17]。有趣的是，我们还注意到，对于一个具有15/30特质水平的市场，即使是很小的输入强度（F=0.02），也能够迫使意见指数跟随外部信号的形状。与双稳态情况（a<H列）类似，较大的输入强度（F=0.2）迫使市场放大信息信号。尽管如此，更高水平的特质y现在允许在信号特别是乐观[i（t）>0]或悲观[i（t）<0]时，围绕完全乐观或悲观极端的意见指数立即出现。外部信息源的说服力如此强大，大多数噪声交易者很快被说服，将他们的观点与输入信号的乐观或悲观一致。在不同的投入强度和不同的市场参数下，标准化日收益率的行为[见等式（14）]如图所示。

4.德国DAX索引的检索是否也显示在第一个面板中，以进行视觉比较。观察双稳区市场参数的模型结果（第一列，a=5·10-4，h=10-3） ，我们注意到，外部信息源的说服力增强的一个明显效果是加强了波动性聚集现象，即大收益期和小收益期的聚集。即使在封闭市场（F=0）的情况下，某些波动性聚类已经内生产生，但与DAX数据相比，这些市场参数似乎没有充分体现这一特征。当引入低强度信息信号（F=0.02）时，可以观察到聚类效应的显著增强，使模型结果更接近DAX数据。然而，巨大的输入压力（F=0.2）会导致不现实的聚类放大：当信息输入改变信号，整个市场从乐观转向悲观，或者反之亦然时，模拟的22年中的所有回报都是在短时间内实现的。对于A=5·10，外部信息的影响类似，但较弱-3（第二列），对应于单稳态区域的值，但与h的数量级相同。对于a=5·10-2（第三列），然而，输入信号的影响似乎是可忽略的，无论其强度如何。这是可以理解的，要记住，作为远大于放牧倾向的异向转换趋势，动态由交易者观点的随机变化所主导，因此外部信息在计算回报的天数中是不相关的。观察标准化日收益率的时间序列（图。

4） 可能会导致人们认为使用的参数是退化的，也就是说，它们的值的不同组合可能会导致类似的结果，就像F=0.02，a=5·10的情况一样-4和F=0.2，a=5·10-3.然而，这种退化只是显而易见的，因为它可以通过简单地分析其他量级来显示，例如：标准化每日波动率的自相关函数[se e Eq.（15）]，测量为标准化每日收益的绝对值，如图5所示。重新研究了与前一图a相同的输入强度和市场参数，并在每个面板中显示了DAX标准化日波动率的相应自动相关函数，以供比较。如果我们首先关注双稳区（第一个c列，a=5·10）中市场参数的例子-4，h=10-3） ，我们发现绝对收益率存在非常显著的自相关关系，其下降速度非常缓慢，与之前的实证文献[2,4,57,58]一致。然而，在封闭市场的情况下（F=0），这种下降在大时间段内非常缓慢，我们仍然发现与DAX数据相比存在显著的自相关性。引入一个小的输入强度信号（F=0.02）能够改变这种行为，如DAXindex所发现的那样，lar getime滞后的自相关变得可以忽略，甚至略为负。相反，当输入强度增加到其最大值（F=0.2）时，模型的结果会受到16/300 1 2 3 4 5t形状的强烈驱动-20-10×10000 1 2 3 4 5-20-10×10000 1 2 3 4 5-20-10×10000 1 2 3 4 5-20-10×10000 1 2 3 4 5-20-10×10000 1 2 3 4 5-20-10×10000 1 2 3 4 5-20-10×10000 1234 5ta=5e-04=0.5h-20-10×10000 1234 5ta=5e-03=5h-20-10×10000 1234 5ta=5e-02=50小时-20-10×1000图4。标准化日收益率r（t）。

第一组，红线：1991年12月至2013年11月的德国DAXindex，显示用于比较。九项表，蓝线：外部信息F的三种不同输入强度和特质转换趋势a的三个值的模型结果。其余参数固定为h=10-3和N=200。信息信号，因此，自相关函数也是该信号形状的直接结果，与DAX数据非常不同。因此，对于受到低强度信息干扰的市场，可以发现长期滞后绝对收益自相关的预期行为，而对于封闭或完全驱动的市场，则不存在这种行为。对于一个特质倾向更大但与羊群倾向的数量级相同的市场（第二列，a=5·10）-3） 一方面，我们观察到clos ed市场示例（F=0）和a s mall信息影响案例（F=0.02）完全缺乏自相关性。另一方面，信息信号以其最大说服力（F=0.2）的进入再次导致自动关联函数的不切实际行为，这将由输入信息信号的形状驱动。在特质转换趋势值较大的情况下，由于市场由随机意见变化主导，我们发现无论应用的信息强度如何，绝对收益率都没有显著的自动相关性。17/301 150 300 450 600-0.20.00.20.40.61 150 300 450 600-0.20.00.20.40.61 150 300 450 600-0.20.00.20.40.61 150 300 450 600-0.20.00.20.40.61 150 300 450 600-0.20.00.20.40.61 150 300 450 600-0.20.00.20.40.61 150 300 450 600ta=5e-04=0.5h-0.20.00.20.40.61 150 300 450 600ta=5e-03=5h-0.20.00.20.40.61 150 300 450 600ta=5e-02=50小时-0.20.00.20.40.6模型轴图5。

归一化日波动率yv（t）的自相关函数（ACF）。黑点：模型r针对外部信息F的三种不同输入强度和特质转换趋势a的三个值得出结果。其余参数固定为h=10-3和N=200。蓝色实线：德国DAX指数波动率的校正ACF显示在每种情况下，以供比较。DAX数据再次对应于从1991年12月到2013年12月的时期。请注意，由于信息强度的值很小，F=0.02，对于市场参数的值，这里描述的模型能够重现DAX指数的主要统计特征。一方面，该模型模拟了DAX标准化日收益率的行为（见图4），从而产生了类似的波动率聚集效应。另一方面，该模型与标准化日波动率的自相关函数类似（见图5），再现了DAX自相关的缓慢衰减及其很长时间滞后的零和轻微负值。请注意，最后一个特征，即自相关函数的长时间滞后行为，并不是由接近外部信息的市场模型捕捉到的。为了完整性，我们还将绝对标准化日收益的概率分布包括在图1：绝对标准化日收益的概率分布中，对于图4和图5中使用的相同参数值：虽然它们缺乏时间结构隐藏了任何波动性聚集效应，但这些分布似乎支持我们选择参数值。

鉴于这些结果，我们选择外部信息强度的较小值F=0.02，用于后面介绍的r e搜索的其余部分。18/30共振现象我们分析了不同信息输入强度对市场的影响，发现小强度输入（F=0.02）产生的结果与真实财务数据一致。现在让我们来讨论这个问题，保持外部信息强度固定为F=0.02，并搜索模型参数的值，对于这些值，代理集合更准确地跟踪该信号的形状。因此，我们在这里关注的是研究市场最能反映外部信息到达的条件。如上所述，尽管所讨论的市场模型原则上有三个参数（a、h和F），但其中一个可以用作时间变量的重标度，因此只有两个相关参数。考虑到外部信息对系统的有效影响是由输入强度F和背景羊群系数h的相对重要性决定的[见等式（16）和（17）]，我们选择将后者保持不变，因此使用愚蠢的自然发痒倾向a作为我们的控制参数。特别地，我们选择h=10的值-3，F=0.02，N=200。因此，每种药剂的输入强度F/N比放牧系数（其最大允许值）小十倍。我们还对不同的系统尺寸（N=50和N=800）进行了模拟，发现了一个大致相同的行为，将在下面讨论。让我们首先考虑改变特质转换倾向a对噪音交易的意见指数x的时间序列的影响，插图inFig。6.

请注意，这个参数没有最大允许值，因为它是信号强度F的情况：它唯一的限制是它必须是a>0，以便观点索引空间的极值不是吸收状态。因此，我们简单地选择了一个合理的范围，其中包括前几节中描述的和图2中观察到的不同行为：从完全双峰情况（a<< h） ，几乎有两个三角洲处于状态概率分布的极端；直到完全单峰情况（a>> h） ，具有几乎完美的高斯态分布。在第一种情况下（a=0.5h，面板a），系统显然无法跟踪输入信号的形状，事实上，意见指数在大部分时间内保持接近完全一致状态。这是由于相对于羊群趋势而言，fidiosyncratic行为的水平极低：噪音交易者倾向于形成一个巨大的共识群体，外部来源很难说服他们。即使诱导了双井有效电位，观察到两个井之间的感应的概率（与a成正比）也太小，无法让团队以足够大的速率脱离共识状态，以使市场适应外部信息的更新。在中间情况下（a=5h，面板b），当特质系数略大于羊群趋势时，我们观察到系统很容易遵循输入信号的形状。考虑到大于hgive的中间值上升到一个相当宽的单稳态有效电势，系统仍然可以被外部信号大幅度驱动，这一点可以理解。因此，市场似乎相当准确地反映了外部信息的传递。

在oppo站点上，对于非常大的离合系数值（a=50h，面板c），系统再次无法拟合输入信号的形状，并且意见指数的轨迹非常嘈杂。正如在方法部分的最后一部分所示，非常大的a值会导致单峰有效势的缩小，其极小值会围绕索引空间的中心移动。因此，外部信息输入具有几乎可以忽略的影响，市场似乎没有意识到这一点。通过这种方式，我们注意到，特质系数的不同值导致模型模拟产生的意见指数与用作输入的信息信号之间存在不同程度的一致性。为了量化这19/300 1000 5000吨-1-0.50.00.51.0a）低特异性，a=5e-4=0.5h0 1000 2000吨-1-0.50.00.51.0b）中等特质，a=5e-3=5h0 1000 2000 5000吨-1-0.50.00.51.0c）高特质，a=5e-2=50hZEW经济情绪指数指标见图6。特质转换倾向对观点指数的影响。绿点和绿色虚线：外部信息信号，经济情绪的ZEWIndicator，1991年12月至2013年11月的数据。

蓝色实线：针对不一致切换趋势a的不同值和参数h=10的固定值模拟的意见指数的时间演变-3，F=0.02，N=200。现象——也就是说，为了测量外部信息驱动下的市场响应质量，我们使用输入-输出相关性（IOC），定义为输入信号i（t）和系统输出x（t）之间的交叉相关函数的最大值，IOC=maxτnDi（t）- 嗨x（t+τ）- hxiEoσ（i）σ（x），（23），其中h·i表示随时间的平均值，σ（·s代表标准偏差，τ起时滞作用，maxτ{·}找到τ依赖函数的最大值[59]。注：IOC是一个标量量度，量化了输入输出互相关函数的最大值，它取决于时滞τ。大的rIOC与外部信息信号更好地夹带市场有关，对应于其最大值IOC=1，与时间序列i（t）和x（t）之间的完美匹配。注意，当与完美的输入输出对应相比时，输入信号的n放大在这里被理解为更差的匹配。对于三种不同的系统尺寸，输入输出相关性的结果如图7所示。所有这些现象都观察到了相同的一般行为：系统对输入的微弱信息的响应最大，这是特殊开关参数a的函数。如前所述，这种行为是一种众所周知的现象，通常被称为共振[60–64]。

这里描述的特殊机制可归类为非周期随机20/30共振[59，65]，因为系统对外部非周期信号的响应的最大值与随机项相对于确定性项的相对重要性有关：在我们的例子中，手a之间的比率。-6.-5.-4.-3.-2.-1a0。00.20.40.60.81.0a）b）c）N=50 N=200 N=800phxi图7。输入输出相关性IOC是特质切换趋势a的函数。相关性根据公式（23）计算。参数值为h=10-3，F=0.02，以及三种不同的系统尺寸，N=50、200、800。在N=200的情况下，还显示了系统在接近意见指数空间极限phxi时所花费时间的分形度量。箭头指向特质水平，其意见指数时间序列如下图所示。6，用相应的字母标记为：a）a=5·10-4，b）a=5·10-3，c）a=5·10-2在方法部分第二部分所述的金融市场框架内，系统响应的最大值仅意味着市场优化地再现了信息中所包含的乐观/悲观水平（例如，参见图6的面板b）。这些结果表明，存在一定范围的特质行为强度，这在很大程度上提高了外部信息对市场的吸引力。请注意，响应最大值的特殊值非常大，所有这些都意味着信息输入非常适合。还要注意的是，这些高水平的夹带出现在控制参数a的大范围值上：输入-输出c或相关稳定值高于0。7超过十年（特别是h.a.20h，h=10）-3).

然而，有两个区域的s系统似乎无法跟踪输入信号的形状：一个用于小于羊群系数的特殊参数值，另一个用于远大于羊群系数的值。为了理解这两种低夹带状态之间的差异，我们还在图7中显示了意见指数空间phxi极值附近系统所花费时间的分数。通过观察这一指标，可以清楚地看出，在低特质状态（a<h）下，市场无法跟随输入信号，因为噪声交易者群体将传入信息放大到完全一致（phxi） 1） 然后，这个群体发现很难离开这种共识，并适应21/30相反意义上的更新信息（另请参见图6的面板a）。相反，在高特质区域（a>20h）中，市场在试图同化输入信息时面临的问题是，作为噪声交易者，他们主要受自身特质驱动的引导，很少关注外部来源或其他交易者的态度，因此在统计上倾向于在两种可能性之间平分（phxi） 0）（另请参见图6的面板c）。考虑到社会和经济系统的规模可能会相当小，因此评估规模效应的重要性变得非常重要[36]。在我们的例子中，图7中三个不同大小示例的输入-输出相关曲线在a的小值时收缩在同一条曲线中，而在中间值和大值时，它们明显不同。这种行为可以从朗之万方程（19）中粒度项的函数形式来理解，它是唯一依赖于N的：与特质系数a成正比，与系统大小N成反比。

对于控制参数a的较小值，粒度项也很小，并且意见指数x在大多数情况下都保持在一致性状态附近。在中间a区域，依赖于颗粒N的项起着相关作用，将系统从一致状态中吸纳出来，其概率与输入信号的形状不相关。因此，一个大粒度的术语——所有试剂的数量N——会导致x与输入信号的一致性变差，从而导致输入输出相关性变小。最后，对于控制参数a的大值，系统甚至没有达到意见指数空间的极值，并且由于a的大值出现在两个项中，因此行为主要由漂移函数的第一项和颗粒项产生的噪声效应导致。请注意，当比较N=800和N=200的情况时，曲线之间的相对差异比比较N=50的情况时小。这仅仅是粒度项与系统大小N成正比的结果，因此对于越大的a和越大的N，结果变得越来越相似。结论本论文的目的是对以羊群行为为特征的金融市场上的外部信息源的影响进行定量理解。作为我们研究的出发点，随机形式主义结合了个体行为异质性以及社会互动的趋势，这是基尔曼开创性蚁群模型的传统。

与之前的理论（只考虑封闭市场的特殊情况）不同，我们考虑了外部信息的到来，其形式是对转换率的时间依赖性修改，定义了单个交易者的行为。在原始的放牧模型中，当主体相对于其特质倾向的放牧倾向增加时，会发生从单稳态行为到非稳态行为的转变。单稳态ca se可以理解为一个市场，其中两种可能的策略中的每一种都被大约一半的交易者使用，而双稳态配置对应于一个市场，其中始终有明显多数交易者使用其中一种策略，即使所选策略可以随时间变化。我们已经用有效势的单吸收能力重新解释了这种噪声诱导的跃迁。在这种情况下，我们已经证明，引入动态外部信息输入会对这种有效势产生一种依赖于时间的修正，而这种修正是对称性被打破的。我们使用了德国发布的经济情绪指数作为信息输入的例子。随着外部信息的到来，这一市场模型的紧张模拟已经表明，即使外部来源的一点力量或说服力也可能使市场无法跟踪其信息信号。

相反，强烈的信号强度会导致输入信号的放大：外部信息源的说服力如此之强，大多数交易者很快就被说服按照输入信号的意义来调整他们的策略，当外部信息的方向发生变化时，会引起重要的市场运动。此外，我们还将此次市场调查的结果与德国领先的股票市场指数DAX进行了比较，结果表明，引入s mall STRENGHTING信息信号能够重现真实金融数据的一般统计特性。特别是，低强度信号的引入使模型具有以下特点：波动聚集效应、短时间滞后的标准化日波动率的自相关缓慢衰减，以及长时间滞后的零和轻微负值。此外，我们还研究了市场对外部消息的到来做出最佳反应的条件，即：。，以最佳地反映信息输入中包含的乐观/悲观水平。观察到最佳响应的具体值范围取决于传入信息的强度和频率或变化率。特别是，我们发现了一系列与噪音交易者（h.a.20h）的阅读倾向相关的特质行为值，这些交易者优化了他们对弱信息输入的反应。我们已经证明了这种现象与后验随机共振的相似性。通过这一分析，我们确定了三种不同的市场机制来吸收新信息：1。

输入信息的放大；任何积极（消极）的新观点都会导致一个相当稳定的乐观（悲观）共识，市场需要很长时间来适应外部信息（低于共振范围a<h的白痴情绪转换趋势值）的更新。精确地模拟输入信息；市场最佳地反映了新闻的到达（共振范围内的a值，h.a.20h）。低估收到的信息；新闻传播的影响几乎可以忽略不计，市场似乎对此一无所知（a值高于共振范围，a>20小时）。在交易者很容易受到同龄人影响的市场（由集体放牧行为主导的市场）中，对放大效应起源的一种可能理解是，一旦外部信息来源能够说服少数交易者，他们就会通过影响其他交易者的决策，迅速将信息传播到市场的其他部分。相反，在投资者使用自己的经验独立行事的市场中，市场确实受到特殊行为的影响（制度3），即使外部来源能够说服他们，信息也不会传递到市场的其他部分：为了占领整个市场，外部来源需要单独说服每一位交易员。

当这两个因素（制度2）之间存在折衷时，即：。，当交易者和集体羊群行为之间有足够的沟通，允许将外部信息传播到大多数市场，但也允许个人和独立行为，以防止与外部信息来源一致的完全共识。对传入信息的过度反应可能会导致外部触发的恐惧或自信爆发市场，因此不必与交易资产基本价值的真实23/30变化相关。我们已经证明，这种外部信息的放大与短期内巨大的价格变化、巨大的波动性有关，因此也与市场的巨大不稳定性有关。本文给出的结果支持了这样一种观点，即在一个对外部信息开放的金融市场中，羊群行为相对于特质倾向的更大重要性可能在这种不稳定性的发展中起着重要作用。这里的分析只考虑了市场对外部信息的响应质量。进一步的自然步骤是研究新闻到达后市场的延迟，即考虑导致输入信号和系统输出之间的交叉相关函数最大化的时间延迟。我们的研究结果表明，不同的市场机制的存在，重新考虑了传入新闻的同化，为更全面的研究打开了大门，同时考虑到当今市场主体信息处理的重要特征。

真实市场的一个最重要的特征是存在不同类别的投资者，其特征是对传入信息的敏感程度不同，如[25]中的经验所示。需要考虑的另一个方面是交易者对正面和负面消息的不对称行为，例如，导致恐惧的爆发，但只是缓慢的信心波动。请注意，当价格上涨和下跌时，不对称也可以作为一种不同的敏感度引入新闻。此外，我们关注的是全球被动接收新闻的情况。因此，如[44–47]中实证分析的那样，个人和主动信息研究的建模将留待未来研究。24/30支持信息1附录：有效势推导在本附录中，我们推导了原始Kirmandynamics和带有外部信息的模型的有效势，如公式（8）和公式（2）所示。（20） 在正文中。首先，让我们在这里重申等式（7）中给出的有效势UEFF（x）的定义，Pst（x）≡ C-1exp-Ueff（x）D, （S1.24）式中，Pst（x）为稳态概率分布，D为有效噪声强度，取D=h，常数C-1发挥异常化因子的作用。注意，这样定义的话，这个有效势函数的极小值将是动力学的吸引点，对应于静态概率分布的极大值。对于一般的福克-普朗克方程Pst（x，t）t=-x[q（x）P（x，t）]+十、Dg（x）P（x，t）, （S1.25）通过假设Pst/t=0，求解结果方程。

通过这种方式，一般有效势[39]可以写成asUeff（x）=-Zq（x）g（x）dx+DZg（x）xg（x）dx，（S1.26）并且，将此定义应用于正文中的福克-普朗克方程（2），基尔-曼动力学的特殊有效势为- a） ln（1）- x） 。（S1.27）注意，该有效势Ueff（x）不应与确定性势混淆，确定性势始终是不可预测的，并且可以通过简单地将等式（3）的确定性部分与x积分得到。即使在外部时变强迫的情况下，不可能写出稳态概率分布，但我们假设，在任何时间点，系统到准稳态的衰减速度比输入信号的变化速度快，即我们假设行驶速度慢。因此，我们将有效势的前一个定义作为这个时间依赖情形P（x，t）的近似值≈ C-1exp-Ueff（x，t）D. （S1.28）因此，将方程式（S1.26）应用到福克-普朗克方程式（18）中，得到了特定的函数式UEFF（x，t）=（h- a） ln（1）- 十）- xF i（t）（S1.29）适用于外部信息到达的模型。25/30S1图：绝对标准化DailReturns的概率分布-2.-1 | r|-4.-3.-2.-1.-2.-1.-4.-3.-2.-1.-2.-1.-4.-3.-2.-1.-2.-1.-4.-3.-2.-1.-2.-1.-4.-3.-2.-1.-2.-1.-4.-3.-2.-1.-2.-1.-4.-3.-2.-1.-2.-1 | r | a=5e-04=0.5h-4.-3.-2.-1.-2.-1 | r | a=5e-03=5h-4.-3.-2.-1.-2.-1 | r | a=5e-02=50小时-4.-3.-2.-1图8。标准化每日收益绝对值的概率分布，P（|r |）。第一个面板，红线：1919年12月19日至2013年11月的德国DAX指数，显示用于比较。九个面板的表格，蓝线：外部信息F的三种不同输入强度和特质转换趋势a的三个值的模型结果。

其余参数固定为h=10-3和N=200。感谢Marco Patriarca在撰写本文期间提出的有用意见和建议。参考文献1。Mandelbrot B（1963）特定投机价格的变化。《商业杂志》36:394-419.2。Cont R（2001）资产回报的经验特性：程式化事实和统计问题。定量金融1:223-236.26/303。De Vries CG（1994）将名义汇率回报的事实程式化。作者：van de rPloeg，F，编辑，国际Macr oeconomics杂志编辑，Ox ford:Blackwell。第348-389.4页。丁Z，Granger CW，Engle RF（1993）股票市场收益率的长记忆性质和一个新模型。经验金融杂志1:83-106.5。Fama EF（1970）《有效资本市场：理论和实证工作回顾》。《金融杂志》25:383–417.6。Alfarano S，Lux T，Wagner F（2005）基于主体模型的估计：不对称放牧模型的案例。计算经济学26:19-49.7。Kirman A（1992）代表个人代表谁或代表什么？《经济展望杂志》6:117-13 6.8。Kirman A（1991）金融市场的观点和投机泡沫的流行。作者：泰勒议员，剑桥布拉克韦尔货币和金融市场编辑。第354-368.9页。Kirman A（1993）蚂蚁，理性与招募。《经济学季刊》108:137–156.10。Brock WA，Hommes C（1997）随机性的理性路径。计量经济学65:1059-1096.11。L ux T，Marchesi M（1999）金融市场随机多代理模型中的标度和临界性。《自然》397:498–50.12。Cont R，Bouchaud JP（2000）她在金融市场中的行为和总体波动。宏观经济动态4:170–196.13。L ux T（2006）《金融权力法则：经验证据、模型和机制》。

技术报告，第2006-12号经济学工作文件，基督教阿尔布雷希茨大学，基尔，经济经济学系。14.Stauffer D，Sornette D（1999）股票市场波动的自组织渗流模型。Physica A：统计力学及其应用271:496–506.15。Bornholdt S（2001）S-pin市场模型中的预期泡沫：跨尺度挫折的间歇性。国际现代物理学杂志C 12:667–674.16。Iori G（2002）股票市场中交易者活动的微观模拟：异质性、代理人互动和贸易摩擦的作用。经济行为与组织杂志49:269–285.17。Hommes CH（2006）第23章经济学和金融学中的异质代理模型。Elsevier，《计算经济学手册》第二卷。第11091186.18页。Chang SK（2007）一个具有社会互动和异质信念的简单资产定价模型。《经济动力与控制杂志》31:1300–1325.19。Eguiluz VM，Zimmermann MG（2000）信息传输和羊群行为：金融市场的应用。物理版本85:5659–5662.27/3020。Hanousek J，Koˇcentda E，Kutan AM（2009）欧盟新市场中，设定价格对宏观经济公告的反应：来自日内数据的证据。《金融稳定杂志》5:199-219.21。Kiymaz H（2001）股市谣言对股价的影响：来自新兴市场的证据。《跨国财务管理杂志》11:105-115.22。Jegadeesh N，Kim W（200 6）分析师r e推荐的价值：国际证据。金融市场杂志9:274-309.23。Arin KP，Ciferri D，Spagnolo N（2008），《恐怖行为：恐怖主义对股市回报和波动性的影响》。《经济学快报》101:164 167.24。Alanyali M，Moat HS，Preis T（2013）量化了金融新闻与股市之间的关系。

科学报告3.25。L illo F，Mic cich\'e S，Tumminello M，Piilo J，Mantegna RN（2015）新闻如何影响金融市场中不同类别投资者的交易行为。定量金融15:213-229.26。Johansen A，Sornette D（2002）金融市场的内生与外生崩溃。arXiv pr eprint cond mat/0210509.27。Bouchaud JP（2010）《市场的内生动态：价格影响和反馈循环》。arXiv预印本arXiv:10092928.28。Rambaldi M，Pennesi P，Lillo F（2015）围绕宏观经济的外汇市场活动建模：霍克斯过程方法。物理版E91:012819.29。Alfarano S，Lux T，Wagner F（2008）具有异质代理的金融市场中高阶矩的时间变化：一种分析方法。经济动力学与控制杂志3 2:101–136.30。Harras G，Sornette D（2011）《如何形成泡沫：近视适应剂的模型》。经济行为与组织杂志80:137-152.31。Shapira Y，Berman Y，Ben Jacob E（2014）对股票市场的短期羊群行为进行建模。新物理杂志16（5）：053040.32。Golub A，Chliamovitch G，Dupuis A，Chopard B（2015）用信息论揭示了不一致的线性依赖关系。熵，17（5）：606-2623.33。Alfarano S，Milakovi\'c M（2009）基于agent的放牧模型的网络结构和n依赖性。经济动力与控制杂志33:78–92.34。Alfarano S，Milakovi\'c M，Ra ddant M（2013）关于金融市场的制度等级和波动性的说明。《欧洲金融期刊》19:449-465.35。Kononovicius A，Gontis V（2012）基于代理的长期记忆非线性随机模型推理。物理A：统计力学及其应用391:1309-1314.36。Toral R，Tess one CJ（2007）观点信息动态中的有限尺寸效应。

计算物理通讯2:177-195.28/3037。Van Kampen NG（2007）物理和化学中的随机过程。北荷兰，阿姆斯特丹。38.It^ok（1951）关于随机微分方程。Mem Amer数学Soc 4:1–51.39。San Miguel M，Toral R（2000）物理系统中的随机效应。摘自：Tirapegui E，Martinez J，Tiemann R，编者，不稳定性和非稳定性，荷兰斯普林格大学，非线性现象和复杂系统第5卷。第35-127.40页。Kirman A，Teyssi`erre G（2002）金融时间序列波动中长期记忆的微观经济模型。非线性动力学与计量经济学研究5:1-23.41。Walras L（1954）纯经济学原理，或社会财富理论。由威廉·贾夫（William Jaff’e）从原文（1874年）翻译而来。为美国经济学会和皇家经济学会出版。42.Samuelson PA（1965）证明了合理估计的价格随机波动。工业管理评论6:41–49.43。希利·PM，Palepu KG（2001）《信息不对称、公司披露与资本市场：对经验披露文献的回顾》。会计和经济学杂志31:405-440.44。Preis T，Reith D，Stanley HE（2010）不同规模经济生活的复杂动力学：来自sear ch引擎查询数据的见解。皇家学会哲学翻译A：数学、物理和工程科学368:5707–5719.45。Preis T，Moat HS，Stanley HE（2013）使用谷歌趋势量化金融市场的交易行为。科学报告3.46。Moat HS、Curme C、Avakian A、Kenett DY、Stanley HE等（2013）在股市波动之前量化维基百科的使用模式。科学报告3.47。Curme C，Preis T，Stanley HE，Moat HS（2014）量化股市波动前研究行为的语义。

美国国家科学院院刊111:11600-11605.48。Joulin A，Lefevre A，Grunberg D，Bouchaud JP（2008）股价上涨：新闻和数量起次要作用。arXiv预印本arXiv:08031769.49。Rangel JG（2011）宏观经济新闻、公告和股市跳跃强度动态。ing银行与金融杂志35:1263-1276.50。Drakos K（2010）恐怖主义活动、投资者情绪和股票回报。金融经济学评论19:128-135.51。Davis A（2006）《媒体效应与理性受众的问题：金融市场的教训》。媒体、文化与社会2 8:603-625.52。Tetlock PC（2007）为投资者情绪提供内容：媒体在股票市场中的作用。《金融杂志》62:1139–1168.53。Harras G，Tessone CJ，Sornette D（2012）噪音引起的集体动力学波动。物理版E 85（1）：011150.29/3054。Granovetter M（1978）集体行为的阈值模型。《美国社会学杂志》第83期：1420-1443.55页。Gillespie DT（1977）耦合化学反应的精确随机模拟。《物理化学杂志》y 81:2340-2361.56。Gillespie DT（1992）《马尔科夫过程：物理科学家导论》。学术出版社，圣地亚哥，约57页。Mandelbrot B（1997）某些投机价格的变化。《金融中的分形与尺度》，纽约斯普林格出版社。第371-418.58页。Cont R（2005）金融市场的长期依赖性。摘自：L\'evy-V\'ehel J，Lutton E，编辑，工程中的分形，斯普林格·隆多n.第159-179.59页。柯林斯JJ，周CC，卡佩拉AC，伊姆霍夫TT（1996）非周期随机共振。物理版次E 54:5575–5584.60。Benzi R，Sutera A，Vulpiani A（1981）随机共振的机制。物理学杂志A：数学与普通14:L453.61。本兹R，帕里西G，苏特拉A，Vulpiani A（1982）气候变化中的随机共振。告诉我们34:10-16.62。

Nicolis C，Nicolis G（19 81）气候变迁的随机方面——加性波动。Tellus 33:225–234.63。柯林斯JJ，Chow CC，Imhoff TT（1995）非周期随机共振不可约系统。物理版次E 52:R3321–R3324。64.甘迈托尼·L，汉吉·P，郑P，Marchesoni F（1998）随机共振。《现代物理学评论》70:223–287.65。Heneghan C，Chow CC，Collins JJ，Imhoff TT，Lowe n SB等（1996）量化猿周期随机共振的信息度量。物理版本E54:R222 8–R223 1.66。可到达的athttp://www.zew.de/en/publikationen/finanzmarktreport.php3.30/30