автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Имитационное моделирование рынка ценных бумаг на основе мультиагентного подхода

На правах рукописи

МИ4603222 ФЕДЕРЯКОВ АЛЕКСАНДР СЕРГЕЕВИЧ

ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ РЫНКА ЦЕННЫХ БУМАГ НА ОСНОВЕ МУЛЬТИАГЕНТНОГО ПОДХОДА

Специальность: 05.13.18 - Математическое моделирование, численные методы и комплексы программ

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

- з ИЮН 2010

Москва-2010

004603222

Работа выполнена в Российском новом университете.

Научный руководитель: доктор технических наук, профессор

РОМАНОВ ВИКТОР ПЕТРОВИЧ

Официальные оппоненты: доктор технических наук, профессор

ЛАБУНЕЦ ЛЕОНИД ВИТАЛЬЕВИЧ

доктор технических наук, профессор ЧОПОРОВ ОЛЕГ НИКОЛАЕВИЧ

Ведущая организация: Московский технический университет связи

и информатики

Защита состоится «16» июня 2010 г. в 16:00 часов на заседании Диссертационного совета ДМ 521.019.01 при Российском новом университете по адресу: 105005, г. Москва, ул. Радио, д.22.

С диссертацией можно ознакомиться в библиотеке Российского нового университета.

Автореферат разослан «{X,» мая 2010г.

Ученый секретарь диссертационного совета кандидат физ-мат. наук, доцент

Растягаев Д.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Рынок ценных бумаг является

незаменимым инструментом, позволяющим производить инвестиции в ценные

бумаги и оценивать стоимость активов. Даже в период кризиса трудно

преуменьшить его значение для экономики страны и мира, ведь акционерами

различных компаний являются десятки миллионов жителей планеты.

Активную роль на рынке ценных бумаг играют банки и инвестиционные

компании. Для них очень важна проблема прогнозирования цен на рынке

ценных бумаг, особенно в период кризисов, когда возрастает волатильность и

увеличиваются риски. Для лучшего понимания рыночных механизмов банкам

необходимо программное средство, которое бы учитывало фундаментальные

показатели компаний-эмитентов, технические индикаторы, постоянно

поступающие новости, настроения других трейдеров. Это позволило бы

повысить качество принимаемых банками решений, что укрепило бы их

положение на рынке. А это основа развития экономики страны.

Степень разработанности проблемы. Существует ряд инструментов,

призванных помочь инвесторам исследовать рыночные процессы и принимать

решения о сделках на рынке ценных бумаг. Из них самыми известными

являются MetaTrader, MetaStock, Ami Broker, Dynamic Trader, АЛОР-Трейд,

Omni Trader, Omega TradeStation. Эти инструменты позволяют проводить

мониторинг и анализ рынка в режиме реального времени, а также совершать

сделки прямо со своего рабочего места. Некоторые системы снабжены

встроенными языками программирования, которые позволяют расширять их

функциональность и создавать программы-советники. Такие программы в

нужный момент времени подсказывают, какие операции над ценными

бумагами надо совершать, однако использование лишь технических

индикаторов снижает качество их прогнозов.

Одним из методов решения задачи повышения качества прогнозов

является разработка системы поддержки принятия решений, использующей

технологию мультиагентного моделирования. Программные агенты могут

3

имитировать реальных трейдеров, проводя операции на виртуальном рынке ценных бумаг. В результате их взаимодействия виртуальный мир по своим показателям становится похожим на реальный, что позволяет использовать результаты симуляции для задач прогнозирования.

Этим вопросом занимались, начиная с конца 80-х годов, LeBaron В., Palmer R., Cohén, Maier, Kim и Markowitz, Beltratti и Margarita, Marengo и Tordjman, Rieck, Giansante S., Yue W., Marchesi M., Raberto M. и другие. В последнее время этим вопросом заинтересовались и российские исследователи: Романов В.П., Воронцов К.В.. Несмотря на значительное количество работ по данной тематике, реальных проектов, использующих мультиагентный подход для моделирования рынка, очень мало. Разработки, на которые ссылаются авторы статей и книг, либо неопубликованы, либо опубликованы без исходного кода, либо имеют существенные архитектурные ограничения, не позволяющие дальше их развивать.

Целью исследования является разработка улучшенной модели рынка ценных бумаг, а также мультиагентного программного комплекса, реализующего эту модель. Эти разработки должны повысить точность прогнозов динамики цен акций, что улучшит качество принимаемых инвесторами решений и, в конечном итоге, принесёт дополнительную прибыль их работодателям: банкам и инвестиционным компаниям.

В соответствии с поставленной целью в работе были определены и решались следующие задачи:

1) На основе анализа существующих моделей разработана новая модель рынка ценных бумаг с применением мультиагентного подхода.

2) Разработан набор требований к новому, более совершенному программному комплексу, используемому для моделирования рыночных процессов.

3) Выполнено проектирование архитектуры приложения, позволяющего взаимодействовать с виртуальным рынком. На её основе разработан

программный комплекс, используя среду программирования Borland Developer Studio 2006 и CASE-средство ModelMaker.

4) Разработана система критериев степени соответствия виртуального и реального рынков, а также методологию проведения экспериментов над виртуальным рынком.

5) Выполнена серия экспериментов над виртуальным рынком с целью определения степени его соответствия реальному рынку. Изучено, как выбор стратегии принятия решений агентами влияет на динамику котировок акций и другие экономические показатели.

6) Выполнена интеграция программного комплекса в систему поддержки принятия решений для трейдеров. Проведена оценка точности прогнозов программного комплекса и экспертов по набору статистических критериев.

7) Изучены другие варианты практического применения программного комплекса, а также перспективы для дальнейших исследований и разработок.

Объектом исследования является рынок ценных бумаг и закономерности, которые проявляются на нём.

Предмет исследования - мультиагентные технологии, модель виртуального рынка ценных бумаг, программный комплекс «FIMAS».

Теоретической основой исследования послужили труды российских и зарубежных специалистов по виртуальным рынкам ценных бумаг, а также книги, статьи и тезисы конференций по экономической теории, финансам, рынкам ценных бумаг, мультиагентным системам, теории проектирования сложных программных комплексов.

Методы исследования. В работе применялись методы системного, экономико-статистического, фрактального анализа, модальной логики, теории вероятностей, математической статистики, теории графов.

Информационной базой обоснования концептуальных положений исследования явились статистические данные по итогам работы различных

рынков ценных бумаг, эмпирические данные, материалы периодических изданий. Для обработки информации использовались общенаучные приёмы анализа, обобщения и сравнения, системный подход, абстрактно-логический, экономико-статистический и расчётно-конструктивный методы. Научная новизна

• Разработан новый тип модели рынка ценных бумаг и программный комплекс «ИМАБ», реализующий эту модель. Особенности архитектуры виртуального рынка:

о Впервые реализован механизм обработки поступающих ордеров в режиме реального времени. В других моделях используется «волновая» модель обработки ордеров, которая менее соответствует процессам, происходящим на реальном рынке ценных бумаг, о Значительно расширена иерархия классов, что позволило реалистичнее смоделировать взаимодействие агентов между собой и с внешней средой. Например, в модели ОАБМ всего 18 классов, тогда как в «ШМАБ» более 120 классов. В новой реализации биржа больше не является ядром виртуального мира, она всего лишь одна из участников экономических отношений, о Алгоритмы, которые применяют виртуальные трейдеры для принятия решений, более реалистичны по сравнению с алгоритмами аналогичных систем. Агенты сохраняют историю своих сделок, могут самообучаться и по мере приобретения опыта переходить на более оптимальные стратегии принятия решений. В отличие от существующих моделей, трейдеры принимают решения о покупке / продаже акций не обязательно раз в день: некоторые могут целый день играть на краткосрочных колебаниях, в то время как другие предпочитают долгосрочные инвестиции. Всего было реализовано девять различных стратегий поведения трейдера. В результате существенно повысилась адекватность программного комплекса по сравнению с аналогичными разработками.

• Впервые на виртуальном рынке были зафиксированы следующие закономерности, присущие реальному рынку ценных бумаг:

о эффект следования реальной цены за фундаментальной;

о полное соответствие графика распределения цены и объёма торгов;

о эффект банкротства 90% трейдеров-новичков и выживания остальных 10%;

о классический пример из теории игр, когда в результате сговора агенты могли получать большую прибыль.

о виртуальный рынок отличался слабой и умеренной эффективностью.

Практическая значимость

• Впервые мультиагентный программный комплекс данного класса был использован как инструмент поддержки принятия решений. До этого подобные модели разрабатывались лишь для академических целей. Существуют и другие возможные применения модели: расчет экономического эффекта от инвестиционных решений, обучение персонала стратегиям работы на рынках ценных бумаг, как инструмент поддержки принятия решений на валютных рынках.

• Исходный код ядра программы, включая процессы обработки транзакций и алгоритмы принятия решений агентами, открыт для публичного ознакомления и использования. Это является ценным материалом для специалистов, которые хотели бы продолжить работу в данном направлении, так как большинство подобных программных комплексов опубликованы без исходного кода.

На защиту выносятся

• Разработанная модель рынка ценных бумаг, алгоритмы принятия решений агентами, механизм ценообразования на виртуальном рынке.

• Мультиагентный программный комплекс, предоставляющий доступ к виртуальному рынку из внешней среды; система поддержки принятия

• решений для трейдеров.

• Методология и результаты сравнительного анализа виртуальных и реальных рынков ценных бумаг.

Апробация работы. Основные результаты диссертационного исследования были представлены на четырёх научных конференциях: «Ситуационные центры: модели, технологии, опыт практической реализации» (Москва, 2006; Москва, 2007) и «Computational Finance and its Applications» (Лондон, 2006; Кадиз, 2008).

Материалы диссертационного исследования отражены в шести публикациях (3 статьи в иностранных журналах, 3 в российских, 2 из которых входят в список ВАК) общим объёмом около 5,4 п.л.

Разработанный программный комплекс внедрён в систему поддержки принятия решений для трейдеров в ООО «ТК Фотон» и ООО «Таулинк», что подтверждают соответствующие акты о внедрении.

Объем и структура работы. Поставленная в работе цель позволила сформировать следующую структуру исследования. Диссертация состоит из введения, трех глав, выводов, списка литературы и приложений. Диссертация содержит 212 страниц основного машинописного текста, 100 формул, 56 рисунков, 13 таблиц, 28 приложений. Библиография включает 83 наименований, из них 37 иностранных источника.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы исследования, степень ее разработанности, формируются цели и задачи диссертационной работы, приводятся положения научной новизны, теоретической и практической значимости результатов исследования.

Первая глава посвящена анализу различных подходов к моделированию рынка ценных бумаг.

В §1.1 описана структура рынка ценных бумаг, а также приёмы, которыми пользуются трейдеры для оценки стоимости акций.

В §1.2 рассмотрены теории функционирования рынка ценных бумаг: теория эффективного рынка, теория случайных блужданий, теория хаоса. Определены закономерности, на которые указывают эти теории; дана оценка применимости каждой из них при моделировании рыночных процессов.

В §1.3 рассмотрены различные подходы к моделированию рынка ценных бумаг, начиная от классических, заканчивая поведенческими.

В §1.4 мультиагентные системы рассмотрены как инструмент имитационного моделирования. Изучены цели и задачи агентов, их поведение, модель обучения, логическая структура, взаимосвязь с окружающей средой.

В §1.5 приведён обзор моделей рынка ценных бумаг, использующих мультиагентный подход: Santa Fe, GASM, MoTor, A.T.O.M. Рассмотрены программные реализации этих моделей.

В §1.6 сформированы требования к программному комплексу. Во второй главе подробно рассматриваются вопросы, связанные с разработкой архитектуры виртуального рынка и программного комплекса. В §2.1 рассматривается математическая модель виртуально рынка. Обозначим понятие «виртуальный мир» буквой W (от слова world). Каждая итерация i меняет состояние виртуального мира. Следовательно, это состояние может быть представлено в виде функции:

Wn = fiW^A^N.r'1), (1)

где W° - начальное состояние виртуального мира, А° - начальное состояние агентов, N - совокупность новостей и событий, г" - виртуальное время в момент L Мир развивается под влиянием новостей N. Новости могут генерироваться как участниками этого мира (Nint), так и поступать из внешней

среды (Next). Пусть в i-ую итерацию у нас произошло к новостей типа Nint и I новостей типа Next. Тогда новостной фон итерации t может быть рассчитан как

»"=(у<)и(у4 ®

Допустим, в i-ую итерацию агент хочет получить совокупный новостной фон для компании К за последние h итераций. Новостной фон для каждой отдельной итерации имел значения ... Тогда коофиценты затухания

£ за последние h итераций будут рассчитываться по формуле

Lj = Ехр(-ц *(j-К) ), (3)

в которой параметр /л характеризует скорость затухания новостей.

Общий новостной фон компании К в i-ую итерацию будет равен сумме

новостей за предыдущие итерации, умноженных на коофиценты затухания Lh:

h

Qk = Yj (4'*Exp(-fi*(j-K))) (4)

i=i-h

Допустим, что сценарий подразумевает, что за промежуток времени П с виртуальным миром Wvirt должна произойти совокупность новостей и событий N. За это время виртуальный рынок генерирует ряд статистических характеристик С"irt... C£irt. Реальный рынок ценных бумаг Wreai тоже способен генерировать статистические характеристики C[eal... C£eal за тот же промежуток времени. Зададим критерий адекватности модели как функцию от динамики двух характеристик Cjeal, CJirt и доверительной вероятности а:

Kj = f(cyal,qirt,o) (5)

Модель удовлетворяет критерию Kj с уровнем значимости а, если Kj с (¿¿К™1П,где (j с (0, +со] характеризует важность критерия. Соответственно, задача исследования будет заключаться в оптимизации начальных параметров симуляции W°,A° и сценария N с целью минимизации уровня значимости а, соответствуя набору введённых критериев К^.Ж^.

10

- f(C[eal,Ci'rt,a) с ($iK™in,$1,K™ax) ■

f(c2eal,c2irt,a) с (Win,<2,K2max) f(qeal, qirt, а) K-nax)

ffrreal rvirt „\ ^ (r i■/■min / i/max~\ J\yn-l'bn-l'a) u vSti-l"n-l' Sn-1> "n-l )

/(СГ1, Сс («Vn.*r"0 а -» min

В §2.2 и §2.3 рассмотрены требования к архитектуре программного комплекса, а также технологии, использованные в процессе разработки.

В §2.4 изучены ключевые аспекты построения мультиагентных программных комплексов. Рассмотрены критерии выбора языка описания знаний, архитектуры агентов, агентской платформы и языка программирования. Подробно рассмотрена архитектура программного комплекса.

Существующие мультиагентные модели рынка ценных бумаг прошли большой путь от переноса математических моделей до создания объектно-ориентированных систем с множеством внутренних связей. Например, модель GASM состоит из 18 классов и нескольких вспомогательных структур. Однако моё исследование показало, что этого недостаточно, чтобы адекватно смоделировать структуру рынка ценных бумаг и его взаимосвязь с внешней средой. В моей разработке около 120 классов, и 15 UML-диаграмм. Это позволило значительно расширить возможности системы.

В отличие от большинства программных комплексов подобного класса, в моей модели центральным объектом является не рынок, а мир (рисунок 1). Он управляет течением времени, общими настройками, классификаторами, новостями; также его населяют некие абстрактные участники. Участник мира - это экономический субъект, например, человек или компания. Рынок является одним из участников мира, так что вполне возможно использовать несколько конкурирующих рынков в рамках одного эксперимента.

Время течёт дискретно с заданной периодичностью, при каждом шаге мир посылает сигналы всем объектам и участникам. Как с этим временем

распоряжаться - решают сами участники. Так как периодичность обычно очень маленькая, обычно от одной секунды до одной минуты, в отличие от аналогичных моделей, которые обновляют рынок раз в день, то создаётся эффект непрерывного течения времени.

Настройки виртуального мира

-o-TFMSWoil<IO|)tioiis

-о-Options

Управление виртуальным временем^.

■OTFMSWoiMTiine

atti Unites

-O-TFMSWoiW Виртуальный! мир j

attributes

+ UpdateAbletrterfaces: TFMSWorldT/meUpdateAbleList;

* Classificators: TFMSCIassificatorTypes;

* Options: TFMSWorldOptions;

* Participants: TFMSParticipants;

* Time: TFMSVNbrldTime;

* UpdateAbleCfcjects: TFMSUpdateAbles;

* UpdatePerioci Integer;

-о-Update bleObjects

-О-TFMSUpilote Abies

atti Unites

+ HemsI.J: TFMSUpdateAble;

Любой объект, нуждающийся в ]

периодическом обновлении |

Рис. 1. иМЬ диаграмма основных классов виртуального мира В программном комплексе «ИМ АЗ» роль задаёт только последовательность принятия решений экономическим субъектом. Непосредственно алгоритм принятия решений по каждому неоднозначному

вопросу делегируется стратегии принятия решений. Например, для роли трейдера были выделены следующие стратегии:

• стандартная стратегия трейдера;

• стратегия маркет-мейкера;

• стратегия трейдера-новичка;

• стратегия фундаментального трейдера;

• стратегии крупного инвестора;

• стратегия новостного трейдера;

• стратегия трендового трейдера;

• стратегия сглаживающего трейдера;

• стратегия скальпера.

Понятие стратегии принятия решений является новым для моделей подобного класса. Ранее каждый агент был привязан только к одному алгоритму принятия решений, и часто в качестве такого алгоритма использовался алгоритм «безрассудного трейдера» (zero intelligence trader).

Третья глава посвящена анализу работы программного комплекса.

В §3.1 рассматривается функциональность программного комплекса, его входные и выходные данные, а также методология проведения экспериментов.

В §3.2 вводятся критерии оценки степени соответствия виртуального рынка реальному:

• Соблюдение пропорций. Виртуальный рынок должен быть уменьшенной копией реального рынка ценных бумаг.

• Наличие характерных трендов и фигур. На графиках изменения цен на виртуальном рынке должны отчётливо просматриваться тренды, фигуры и линии, характерные для реальных рынков.

• Сходство статистических характеристик динамики цен и объёма торгов. В качестве критериев сходства выбраны критерии согласия Пирсона, Колмогорова, Романовского, Ястремского.

• Фрактальность рыночных процессов. Экспонента Хёрста должна принимать схожие значения на реальных и виртуальном рынках.

• Реакция рынка на действия отельных агентов. Она должна быть одинаковой на реальных и виртуальном рынках.

1. Соблюдение пропорций

В рамках диссертационного исследования мной был собран статистический материал по семи реальным биржам и двум виртуальным. Всего было рассмотрено 49 параметров, из которых 17 - исходные данные, и 32 синтетических параметра (рассчитанных из исходных данных). Краткие результаты исследования представлены на таблице 1.

Таблица 1

Сравнительный анализ параметров семи реальных бирж и моделей ИМАв и СА8М

Параметр. Реальный мир (по данным семи бирж) Виртуальный мир FIMAS (Сценарий "FundamentalTradersEx.fmp") Виртуальный мир GASM

Кол-во типов акций 600...3000 (в средн. 1000) 10.00 1.00

Процент ликвидных акций 4-50% 100.0% 100.0%

Активных брокеров (у которых больше 100 клиентов) 20-1000 2.00 [1]

Активных трейд. (на 1 брокера) 100-15000 250.50 [500)

Активных трейдеров (всего) Пропорц. обороту 501.00 500.00

Маркет-мейкеров = Число ликв. акций /10 1.00 -

Ликв. акц. на 1 маркет-мейкера 8-15 10.00 -

Кол-во транзакций 5 040 - 35 480 9.70-31.90 примерно

на 1 ликвидную акцию в день (в среднем 15 060) (в среднем 16.52) 350.00

Транзакций (на 1 трейд/день) 0.1-1000 (сред - 5) 2.00 0.70

Оборот (на одн. трейдера / день) 60-110 тыс. $ 487.59 -

Цена одной акции S 0.33-S 53.85 (в среднем $12.32) 15.49-175.40 (в среднем 50.84) -

Объём одной транзакции $200 000-$20 000 000 (в среднем $4 000 000) 435.95-4 793.79 (в среднем 1478.35) -

Отношение годового объёма 0.17 -10.59 0.02-0.08

торгов к капитализации (в среднем 1.64) (а среднем 0.04)

Если сравнивать абсолютные значения, то видно, что виртуальные биржи FIMAS и GASM примерно в 100 раз меньше реальных бирж. Если сравнивать относительные параметры, то заметно, что GASM просто не в состоянии генерировать необходимую для анализа статистику. Модель FIMAS показывает

хорошие результаты в области соотношения трейдеров, маркет-мейкеров, брокеров и количества акций, а также цены одной акции. Однако статистика показывает существенно заниженные значения объёма одной транзакции, что сказывается на остальные параметры: среднедневной объём торгов и Отношение годового объёма торгов к капитализации.

Ни один из виртуальных рынков РШАБ и вАЗМ в данный момент не поддерживает механизм разделения акций на ликвидные и неликвидные, так что процент ликвидных акций у обоих равен 100%.

Параметр количество транзакций на одну ликвидную акцию в день тоже существенно отличается от нормы. Есть предположение, что этот параметр также подвержен «эффекту масштаба», и что он связан со среднесуточным объёмом торгов логарифмической зависимостью.

2. Наличие характерных трендов и фигур

На реальном рынке ценных бумаг графики изменения курса акций и объёма торгов имеют ряд внешних особенностей. На них отчётливо видны лини и фигуры, характеризующие тенденции или перемены в конъюнктуре рынка. Эти фигуры возникают вследствие того, что большие группы трейдеров в короткий период времени принимают схожие решения.

Проведённый мной анализ показал, что на виртуальном рынке ценных бумаг встречаются те же фигуры и закономерности, что и на реальном, хотя не так часто и не так отчётливо. В диссертационной работе приведены примеры пример линий поддержки и сопротивления, фигур «двойные вершины», «двойное дно», «голова и плечи».

3. Статистические характеристики динамики цен и объёма торгов

В рамках диссертационной работы был проведён анализ графиков распределения курсов акций и объема торгов на реальном рынке ценных бумаг. График плотности распределения этих параметров мог быть смещён в ту или иную сторону; также могли отличаться размер пика и толщина хвостов.

В связи с этим, была выдвинута гипотеза о том, что процессы, происходящие на виртуальном и реальных рынках могут быть описаны одним и тем же законом распределения Dtheoretic, параметры которого отличаются в зависимости от условий эксперимента (конкретной конъюнктуры рынка). Чтобы найти Dtheoretic> было рассмотрено 12 различных типов распределений, которые сравнивались с распределением реальных данных - цен акций российских и зарубежных компаний за периоды от трёх месяцев до десяти лет.

В качестве критериев использовались критерии согласия Пирсона, Колмогорова, Романовского, Ястремского. По результатам 20 независимых экспериментов, было установлено, что в 96% случаях распределение реальных данных Drealmarket соответствовало распределению Коши, и только в 11% случаях - нормальному распределению (с 5% уровнем значимости).

На следующем этапе, Dtheoretic сравнивался с распределением цен акций и динамики объёма торгов виртуального рынка «FIMAS» за периоды от трёх месяцев до двух лет в сценариях «FundamentalTradersExperiment.fmp» и «RiskA.ndSpread.fmp» - Dvirtual market-

В ходе экспериментов было замечено, что при небольшом количестве значений (N < 100) или большом количестве групп (т > 15), виртуальный рынок обычно не удовлетворял критерию Пирсона, однако всегда удовлетворял

N

критерию Колмогорова. Для более адекватных результатов отношение — должно было больше 15. По результатам 20 экспериментов было отмечено, что в 94% случаях распределение на виртуальном рынке DVirtuai market соответствовало распределению Коши Dttleoretic. А это является одним из доказательств того, что процессы, происходящие на реальных рынках ценных бумаг и виртуальном рынке «FIMAS» имеют одинаковую природу.

4. Фрактальность рыночных процессов

Рынок ценных бумаг, как и многие другие нелинейные системы,

отличаются высокой степенью фрактальности. Экспонента Хёрста Н является

одной из важнейших характеристик таких процессов. В рамках

16

диссертационного исследования было проанализировано 60 временных рядов следующих трёх типов: случайный ряд с равномерным распределением, данные с реального рынка ценных бумаг (NASDAQ) и данные с виртуального рынка в сценарии «FundamentalTradersExperiment.fmp».

Таблица 2

Расчёт показателя Хёрста для различных временных рядов

Временной ряд Диапазон Среднее значение

Случайные значения с равномерным распределением [0.18...0.70] 0.41

Реальный рынок (NASDAQ) [0.45..0.72] 0.55

Виртуальный рынок «FIMAS» [0.35..0.58] 0.51

Общеизвестно, что фрактальный анализ не позволяет отличать искусственные ряды от настоящих. Однако, исходя из данных таблицы 2, можно сделать вывод, что динамика цены на виртуальном рынке гораздо ближе к реальному рынку, чем к случайным процессам.

5. Реакция рынка на действия отдельных агентов

Существует ряд представлений о том, как рынок должен вести себя при определённых условиях, какая должна быть его реакция на дестабилизирующие действия отдельных трейдеров или их групп. Например, реакцией на массированные продажи должно быть понижение цены, но не её повышение. А выставление коридора из двух заявок большого объёма и противоположной направленности приведёт к постепенному уменьшению ликвидности, вызванному падением интереса к краткосрочным спекуляциям.

В качестве критериев адекватности использовались 8 пар «типовое воздействие — типовой отклик», 3 из которых предложил в 2003 году Воронцов К. В. для проверки адекватности учебной имитационной торговой системы «Имитрейд».

В §3.3 рассмотрены два эксперименты, проведенные с помощью программного комплекса.

Эксперимент «Зависимость размера спрэда от склонности к риску трейдеров» не позволил получить реалистичные данные котировок, но проиллюстрировал классическую задачу теории игр. Если все трейдеры пессимисты и принимают безопасное решение выбрать цену маркет-мейкера, то в итоге они проигрывают. Если же они оптимисты и предпочитают рисковать, то в итоге выигрывают.

Эксперимент «Влияние фундаментальных трейдеров на динамику котировок акций» использует сценарий, в рамках которого на рынке существуют два маркет-мейкера, 50 трейдеров-новичков и 450 фундаментальных трейдеров. Сценарий настроен на то, чтобы одна из компаний сначала увеличивала свои активы, потом резко теряла, потом снова увеличивала.

Рис. 2. Справа - график изменения цены последней сделки и

фундаментальной цены. Слева - графики распределения средней, минимальной и максимальной цен акции.

Эксперимент показал, что цена акций на виртуальном рынке действительно следует за фундаментальной ценой (рис. 2). Также он продемонстрировал, что распределения цен акций и объёма торгов, получающиеся в результате взаимодействия программных агентов, очень близки к распределению на реальных рынках ценных бумаг.

Как и в предыдущем эксперименте, было установлено, что небольшие изменения в стратегии трейдеров могут существенно изменить ситуацию на рынке ценных бумаг. Это свидетельствует о том, что получившийся рынок

отличается слабой эффективностью, что очень характерно для большинства реальных рынков ценных бумаг.

В §3.4 рассмотрены аспекты практического применения имитационной модели и программного комплекса.

Одной из задач исследовательской работы была разработка системы поддержки принятия решений для трейдеров. Такая система была реализована в виде нескольких подключаемых модулей к программному комплексу «Р1МА8».

Для оценки качества прогнозов было проведено 12 экспериментов, при которых двухнедельные прогнозы экспертов по нескольким акциям сравнивались с аналогичными прогнозами системы поддержки принятия решений «ИМА8». В качестве статистических критериев были использованы показатели МАРЕ (средний абсолютный процент ошибки или средняя относительная ошибка прогноза), К2 (коофицент детерминации), и (коэффициент несоответствия Тейла).

Таблица 3

Результаты сравнения среднесрочных прогнозов экспертов и

системы поддержки принятия решений «Р1МА8»

Показатель Модель Среднее значение Диапазон

МАРЕ Эксперты 8,6 % 2°/о-32%

Система «Р1МАБ» 10,8 % 3%-40%

Ж2 Эксперты 0,53 0,31-0.82

Система «Р1МА5» 0,59 0,27-0.88

V Эксперты 0,08 0,01-0,26

Система «Р1МА5» ОДО 0,01-0,33

Эксперименты показали, что в краткосрочной перспективе эксперты были

заметно точнее, чем программный комплекс. В среднесрочной перспективе

прогнозы программного комплекса совпадали с прогнозами экспертов или были

чуть хуже их (табл. 3). Совпадения можно объяснить большой ролью

фундаментальных трейдеров на реальных рынках и тем фактом, что новости

одинаково оценивались виртуальными трейдерами, реальными трейдерами и

19

экспертами. Неудачи - тем, что в сценариях не используются стратегии, в которых учитывались бы многочисленные особенности дейтрейдинга.

Система показала хорошие показатели окупаемости. Но из-за описных выше противоречий программный комплекс «ИМАБ» не смог заменить опыт экспертов и автоматизировать процесс покупки-продажи акций.

Из других возможных применений были отмечены расчет экономического эффекта от инвестиционных решений, автоматизация биржевого надзора, обучение начинающих трейдеров различным стратегиям работы на рынке, симуляция экономической деятельности предприятий.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В ходе диссертационного исследования получены следующие научные результаты:

1) Впервые был произведён сравнительный анализ реального и виртуального рынков ценных бумаг по такому обширному набору критериев, включая наличие трендов и фигур, критерии согласия Пирсона, Колмогорова, Романовского, Ястремского и фрактальный анализ. Все критерии показали высокую степень соответствия виртуального рынка «РШАБ» реальным аналогам.

2) Было установлено, что виртуальный мир адекватно реагировал на внешние новостные воздействия. Это происходило благодаря тому, что фундаментальные трейдеры, в отличие от шумовых трейдеров, полагались на экономические индикаторы, игнорируя «случайные» блуждания. Впервые было установлено, что наиболее реалистичные результаты получаются тогда, когда количество фундаментальных и новостных трейдеров составляет 60-80% от всех трейдеров. Это доказывает, что на реальных рынках именно они, а не спекулянты, оказывают решающее влияние на динамику котировок акций.

3) На виртуальном рынке удалось воспроизвести классический пример из теории игр, когда в результате сговора агенты смогли получить большую прибыль. Также эксперименты подтвердили правило, что примерно 10%

новичков выживают после первых несколько месяцев торговли на рынке ценных бумаг.

4) Впервые мультиагентный программный комплекс данного класса был использован как инструмент поддержки принятия решений. В этой роли он продемонстрировал высокую точность прогнозов в среднесрочном периоде. Это позволило экспертам принимать более взвешенные решения, что в конечном итоге привело к увеличению прибыли компании.

По результатам проведенного исследования можно сделать следующие выводы и рекомендации:

1) Несмотря на то, что виртуальная биржа не соблюдала все пропорции реальных бирж и виртуальные агенты использовали очень примитивные стратегии, благодаря эффекту синергии она показывала статистические характеристики, очень близкие к реальным. Это подтверждает, что применение мультиагентных систем позволяет существенно увеличить точность имитационных моделей, хоть и является более трудозатратным методом.

2) В рамках выбранного подхода не удалось имитировать взлёты и обвалы на рынке ценных бумаг кроме как через манипулирование новостями. Одно из возможных объяснений этого факта состоит, что на рынке нет «эффекта бабочки», и он отражает лишь процессы в реальном секторе экономики, а также страхи и надежды инвесторов. Считаю, что ключ к решению этой проблемы лежит в области исследования нерациональных мотивов поведения трейдеров.

3) Выявлено, что виртуальный рынок по своим характеристикам относится скорее к умеренным и слабо эффективным рынкам. Именно такие рынки, а не эффективные являются наиболее распространенными в реальном мире. Дальнейшее изучение процессов, происходящих на виртуальном рынке, может помочь найти причину этой закономерности.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Федеряков А. С. Влияние фундаментальных трейдеров на процесс ценообразования на искусственном рынке ценных бумаг // Управление большими системами / Сборник трудов. - Выпуск 21. - 2008. - 107-130 с. -ISBN 1819-2440. (Изданиерекомендовано ВАК РФ)

2. Федеряков А. С. Моделирование рынка ценных бумаг на основе мультиагентного подхода // Нелинейный мир. - 2008. - № 9, т.6. - 515-520с. -ISSN 2070-0970. (Издание рекомендовано ВАК РФ)

3. Romanov V., Naletova О., Pantileeva Е., Federyakov A. The simulation of news and insiders' influence on stock-market prices dynamics in non-linear model И Computational Finance and its Applications II. - 2006 - Pages 309-318. - ISBN 184564-174-4.

4. Romanov V. P., Naletova O. A., Panteleeva E. A., Fedeiyakov A. S. Fractal model of estimating news and insider influence on market volatility // Automatic Documentation and Mathematical Linguistics. - 2007. - № 41. - Number 4 (August). - Pages 141-149. - ISBN 0005-1055.

5. Романов В.П., Налетова О. А., Пантилеева E. А., Федеряков А. С. Фрактальная модель оценки влияния новостной и инсайдерской информации на волатильность рынка // Научно-техническая информация. - 2007. - № 7. - 14-21с.-ISBN 0548-0027.

6. Romanov V., Slepov V., Badrina M., Federyakov A. Multifractal analysis and multiagent simulation for market crash prediction // Computational Finance and Its Applications III. - 2008. - Pages 256-266. - ISBN 978-184564-111-5.

Принято к исполнению 11/05/2010 Заказ № 1234

Исполнено 12/05/2010 Тираж 120 экз.

ООО «БМСА» ИНН 7725533680 Москва, 2-й Кожевнический пер., 12 +7 (495)604-41-54 www.cherrypie.ru

ВВЕДЕНИЕ.- 5

ГЛАВА I. АНАЛИЗ РАЗЛИЧНЫХ ПОДХОДОВ К МОДЕЛИРОВАНИЮ РЫНКА ЦЕННЫХ БУМАГ.-12

1.1. Рынок ценных бумаг.-121.1.1. Ценные бумаги и акции.-121.1.2. Оценка стоимости акций.-131.1.3. Фундаментальный анализ.-17

1.1.4. Технический анализ.-19

1.2. Теории функционирования рынка ценных бумаг.- 22

1.2.1. Теория эффективного рынка.-221.2.2. Теория случайных блужданий.-241.2.3. Теория хаоса.-281.3. Классические и современные подходы к моделированию рынка ценных бумаг.- 30

1.3.1. Классические модели рынка ценных бумаг.-311.3.2. Поведенческие модели рынка ценных бумаг.-321.3.3. «Эффект толпы».-361.3.4. Эффект нерационального поведения трейдеров.-391.4. Мультиагентные системы.- 42

1.4.1. Характеристики мультиагентных систем.-441.4.2. Принятие решений рациональным агентом.-451.4.3. Коллективное принятие решений в стратегических играх.-491.4.4. Координация совместных действий.-521.4.5. Обучение агентов.-561.4.6. Эффект эмерджентного интеллекта.- 58

1.5. Модели рынка ценных бумаг, использующие мультиагентный подход.- 60

1.5.1. Модель «Santa Fe» и её вариации.-601.5.2. Модель «Genoa Artificial Stock Market».- 64

1.5.3. Библиотека «МоТог» и система «Имитрейд».-661.5.4. Платформа «ArTificial Open Market».-691.6. Требования к функциональности проектируемого программного комплекса.- 70

ГЛАВА II. РАЗРАБОТКА АРХИТЕКТУРЫ ВИРТУАЛЬНОГО РЫНКА ЦЕННЫХ БУМАГ И МУЛЬТИАГЕНТНОГО ПРОГРАММНОГО КОМПЛЕКСА.- 73

2.1. Математическая модель виртуально рынка.- 73

2.1.1. Виртуальный мир и виртуальные агенты.- 73

2.1.2. Новостная среда.- 75

2.1.3. Роли и стратегии.- 762.1.4. Активы агентов.-772.1.5. Ордера и транзакции.-792.1.6. Система обработки ордеров.-802.1.7. Движение денежных средств при совершении транзакций.-822.1.8. Расчёт статистических характеристик рынка ценных бумаг.-872.1.9. Математическая формулировка задачи исследования.-892.2. Требования к архитектуре системы.- 90

2.2.1. Концепция компонентной разработки.-90

2.2.2. Сокрытие деталей реализации.- 91

2.1.3. Гибкость и модифицируемость.-92

2.2.3. Масштабируемость и эксплуатационная надежность.'.-922.2.4. Производительность.-932.3. Технологии и концепции, использованные при разработке программного комплекса.- 94

2.3.1. Архитектурные концепции.-942.3.2. UML и визуальное моделирование.-952.3.3. Применение скриптовой системы.-972.4. Архитектура программного комплекса.- 99

2.4.1. Выбор платформы для мультиагентной системы.-992.4.2. Взаимосвязь приложения, пакетов и компонентов.-1012.4.3. Виртуальный мир.-1042.4.4. Стандартные классы системы.-1082.4.5. Планы и стратегии.-1142.4.6. Запросы и транзакции.-121

2.4.7. Механизм формирования цен.-123

ГЛАВАIII. АНАЛИЗ РАБОТЫ СИСТЕМЫ.-125

3.1. Описание работы программного комплекса.-125

3.1.1. Функциональность.-1263.1.2. Входные данные.-1273.1.3. Выходные данные.-129

3.1.4. Организация экспериментов.-1333.2. Оценка степени соответствия виртуального рынка реальному.-135

3.2.1. Соблюдение пропорций.-1363.2.2. Наличие трендов и фигур.-1423.2.3. Сходство статистических характеристик изменения цен и . ' объёма торгов.:.-147

3.2.4. Фрактальность рыночных процессов.-161

3.2.5. Реакция рынка на действия отдельных агентов.-1643.3. Эксперименты, проведенные над виртуальным рынком.-167

3.3.1. Зависимость размера спрэда от склонности к риску трейдеров.-1673.3.2. Влияние фундаментальных трейдеров на динамику котировок акций.-171

3.4. Практическое применение программного комплекса.-180

3.4.1. Архитектура системы поддержки принятия решений.-1803.4.2. Математические критерии оценки качества прогнозов.-1843.4.3, Анализ работы системы поддержки принятия решений.-1883.4.4. Технико-экономическое обоснование.-1923.4.5. Преимущества и недостатки программного комплекса, выявленные в процессе эксплуатации.-194

3.4.6. Другие перспективы практического применения.-1973.4.7. Перспективы для дальнейших исследований и разработок.-199

Актуальность темы исследования. Рынок ценных бумаг является незаменимым инструментом, позволяющим производить инвестиции в ценные бумаги и оценивать стоимость активов. Даже в период кризиса трудно преуменьшить его значение для экономики страны и мира, ведь акционерами различных компаний являются десятки миллионов жителей планеты.

Активную роль на рынке ценных бумаг играют банки и инвестиционные компании. Для них очень важна проблема прогнозирования цен на рынке ценных бумаг, особенно в период кризисов, когда возрастает волатильность и увеличиваются риски. Для лучшего понимания рыночных механизмов банкам необходимо программное средство, которое бы учитывало фундаментальные показатели компаний-эмитентов, технические индикаторы, постоянно поступающие новости, настроения других трейдеров. Это позволило бы повысить качество принимаемых банками решений, что укрепило бы их положение на рынке. А это основа развития экономики страны.

Степень разработанности проблемы. Существует ряд инструментов, призванных помочь инвесторам исследовать рыночные процессы и принимать решения о сделках на рынке ценных бумаг. Из них самыми известными являются MetaTrader, MetaStock, Ami Broker, Dynamic Trader, AJIOP-Трейд, Omni Trader, Omega TradeStation. Эти инструменты позволяют проводить мониторинг и анализ рынка в режиме реального времени, а также совершать сделки прямо со своего рабочего места. Некоторые системы снабжены встроенными языками программирования, которые позволяют расширять их функциональность и создавать программы-советники. Такие программы в нужный момент времени подсказывают, какие операции над ценными бумагами надо совершать, однако использование лишь технических индикаторов снижает качество их прогнозов.

Множество интернет-порталов (например «Yahoo Finance» и «Trade The News») специализируются на предоставлении биржевых новостей в режиме реального времени. Но такие порталы не дают советов относительно того, какие ценные бумаги покупать, или дают за высокую плату.

Одним из методов решения задачи повышения качества прогнозов является разработка системы поддержки принятия решений, использующей технологию мультиагентного моделирования. Программные агенты могут имитировать реальных трейдеров, проводя операции на виртуальном рынке ценных бумаг. В результате их взаимодействия виртуальный мир по своим показателям становится похожим на реальный, что позволяет использовать результаты симуляции для задач прогнозирования.

Этим вопросом занимались, начиная с конца 80-х годов, LeBaron В., Palmer R., Cohen, Maier, Schwartz и Whitcomb, Kim и Markowitz, Beltratti и Margarita, Marengo и Tordjman, Rieck, Giansante S., Yue W., Marchesi M., Raberto M. и другие. В последнее время этим вопросом заинтересовались и российские исследователи: Романов В.П., Воронцов К.В.

Несмотря на значительное количество работ по данной тематике, реальных проектов, использующих мультиагентный подход для моделирования рынка, очень мало. Разработки, на которые ссылаются авторы статей и книг, либо неопубликованы, либо опубликованы без исходного кода, либо имеют существенные архитектурные ограничения, не позволяющие дальше их развивать.

Целью исследования является разработка улучшенной модели рынка ценных бумаг, а также мультиагентного программного комплекса, реализующего эту модель. Эти разработки должны повысить точность прогнозов динамики цен акций, что улучшит качество принимаемых инвесторами решений и, в конечном итоге, принесёт дополнительную прибыль их работодателям: банкам и инвестиционным компаниям.

В соответствии с поставленной целью в работе были определены и решались следующие задачи:

1) На основе анализа существующих моделей разработана новая модель рынка ценных бумаг с применением мультиагентного подхода.

2) Разработан набор требований к новому, более совершенному программному комплексу, используемому для моделирования рыночных процессов.

3) Выполнено проектирование архитектуры приложения, позволяющего взаимодействовать с виртуальным рынком. На её основе разработан программный комплекс, используя среду программирования Borland Developer Studio 2006 и CASE-средство ModelMaker.

4) Разработана система критериев степени соответствия виртуального и реального рынков, а также методологию проведения экспериментов над виртуальным рынком.

5) Выполнена серия экспериментов над виртуальным рынком с целью определения степени его соответствия реальному рынку. Изучено, как выбор стратегии принятия решений агентами влияет на динамику котировок акций и другие экономические показатели.

6) Выполнена интеграция программного комплекса в систему поддержки принятия решений для трейдеров. Проведена оценка точности прогнозов программного комплекса и экспертов по набору статистических критериев.

7) Изучены другие варианты практического применения программного комплекса, а также перспективы для дальнейших исследований и разработок.

Объектом исследования является рынок ценных бумаг и закономерности, которые проявляются на нём.

Предмет исследования - мультиагентные технологии, модель виртуального рынка ценных бумаг, программный комплекс «FIMAS».

Теоретической основой исследования послужили труды российских и зарубежных специалистов по виртуальным рынкам ценных бумаг, а также книги, статьи и тезисы конференций по экономической теории, финансам, рынкам ценных бумаг, мультиагентным системам, теории проектирования сложных программных комплексов.

Методы исследования. В работе применялись методы системного, экономико-статистического, фрактального анализа, модальной логики, теории вероятностей, математической статистики, теории графов.

Информационной базой обоснования концептуальных положений исследования явились статистические данные по итогам работы различных рынков ценных бумаг, эмпирические данные, материалы периодических изданий. Для обработки информации использовались общенаучные приёмы анализа, обобщения и сравнения, системный подход, абстрактно-логический, экономико-статистический и расчётно-конструктивный методы. Научная новизна

• Разработан новый тип модели рынка ценных бумаг и программный комплекс «FIMAS», реализующий эту модель. Особенности архитектуры виртуального рынка: о Впервые реализован механизм обработки поступающих ордеров в режиме реального времени. В других моделях используется «волновая» модель обработки ордеров, которая менее соответствует процессам, происходящим на реальном рынке ценных бумаг, о Значительно расширена иерархия классов, что позволило реалистичнее смоделировать взаимодействие агентов между собой и с внешней средой. Например, в модели GASM всего 18 классов, тогда как в «FIMAS» более 120 классов. Также в новой реализации биржа больше не является ядром виртуального мира, она всего лишь одна из участников экономических отношений, о Алгоритмы, которые применяют виртуальные трейдеры для принятия решений, более реалистичны по сравнению с алгоритмами аналогичных систем. Агенты сохраняют историю своих сделок, могут самообучаться и по мере приобретения опыта переходить на более оптимальные стратегии принятия решений. В отличие от существующих моделей, трейдеры принимают решения о покупке / продаже акций не обязательно раз в день: некоторые могут целый день играть на краткосрочных колебаниях, в то время как другие предпочитают долгосрочные инвестиции. В результате существенно повысилась адекватность программного комплекса по сравнению с аналогичными разработками.

• Впервые на виртуальном рынке были зафиксированы следующие закономерности, присущие реальному рынку ценных бумаг: о эффект следования реальной цены за фундаментальной; о полное соответствие графика распределения цены и объёма торгов; о эффект банкротства 90% трейдеров-новичков и выживания остальных 10%; о классический пример из теории игр, когда в результате сговора агенты могли получать большую прибыль, о виртуальный рынок отличался слабой и умеренной эффективностью. Практическая значимость

• Впервые мультиагентный программный комплекс данного класса был использован как инструмент поддержки принятия решений. До этого подобные модели разрабатывались лишь для академических целей. Существуют и другие возможные применения модели: расчет экономического эффекта от инвестиционных решений, обучение персонала стратегиям работы на рынках ценных бумаг, как инструмент поддержки принятия решений на валютных рынках.

• Исходный код ядра программы, включая процессы обработки транзакций и алгоритмы принятия решений агентами, открыт для публичного ознакомления и использования. Это является ценным материалом для специалистов, которые хотели бы продолжить работу в данном направлении, так как большинство подобных программных комплексов опубликованы без исходного кода.

На защиту выносятся

• Разработанная модель рынка ценных бумаг, алгоритмы принятия решений агентами, механизм ценообразования на виртуальном рынке.

• Мультиагентный программный комплекс, предоставляющий доступ к виртуальному рынку из внешней среды; система поддержки принятия решений для трейдеров.

• Методология и результаты сравнительного анализа виртуальных и реальных рынков ценных бумаг.

Апробация работы. Основные результаты диссертационного исследования были представлены на четырёх научных конференциях: «Ситуационные центры: модели, технологии, опыт практической реализации» (Москва, 2006; Москва, 2007) и «Computational Finance and its Applications» (Лондон, 2006; Кадиз, 2008).

Материалы диссертационного исследования отражены в шести публикациях (3 статьи в иностранных журналах, 3 в российских, 2 из которых входят в список ВАК) общим объёмом около 5,4 п.л.

Разработанный программный комплекс внедрён в систему поддержки принятия решений для трейдеров в ООО «ТК Фотон» и ООО «Таулинк», что подтверждают соответствующие акты о внедрении.

Объем и структура работы. Поставленная в работе цель позволила сформировать следующую структуру исследования. Диссертация состоит из введения, трех глав, выводов, списка литературы и приложений. Диссертация содержит 212 страниц основного машинописного текста, 100 формул, 56 рисунков, 13 таблиц, 26 приложений. Библиография включает 84 наименований, из них 37 иностранных источника.

ЗАКЛЮЧЕНИЕ

Данная диссертационная работа посвящена разработке программного комплекса для моделирования рынка ценных бумаг с применением мультиагентного подхода. В рамках этой цели были решены следующие задачи:

• Проведён анализ различных подходов и инструментов для моделирования рынка ценных бумаг. Рассмотрены особенности мультиагентного подхода, а также ряд других технологий и концепций, незаменимых при проектировании систем данного класса.

• Разработана математическая и программная модели мультиагентного рынка ценных бумаг. С помощью CASE-средства ModelMaker была спроектирована архитектура программного комплекса на языке визуального моделирования UML.

• На основе этой архитектуры разработан программный комплекс «FIMAS». Работа велась в среде Borland Developer Studio 2006 на языке программирования Delphi. На данный момент программный комплекс «FIMAS» является самым передовым программным продуктом, использующим мультиагентный подход для имитации работы рынка ценных бумаг.

• Введён ряд критериев для оценки степени соответствия виртуального рынка реальному. Система «FIMAS», а также некоторые другие мультиагентные модели рынков ценных бумаг проанализированы на соответствие этим критериям. На основе ряда наблюдений и экспериментов была доказана высокая степень адекватности данной модели реальному рынку.

• Разработан модуль, использующий мультиагентную модель рынка для прогнозирования будущих котировок ценных бумаг. Выявлена высокая точность прогнозов программного комплекса «FIMAS» по сравнению с прогнозами экспертов.

• Описаны другие варианты практического применения программного комплекса, а также перспективы для дальнейших исследований и разработок.

В ходе диссертационного исследования получены следующие научные результаты:

1) Впервые был произведён сравнительный анализ реального и виртуального рынков ценных бумаг по такому обширному набору критериев, включая соблюдение пропорций, наличие трендов и фигур, критерии согласия Пирсона, Колмогорова, Романовского, Ястремского и фрактальный анализ. Критерии показали высокую степень соответствия виртуального рынка «FIMAS» реальным аналогам.

2) Было установлено, что виртуальный мир адекватно реагировал на внешние новостные воздействия. Это происходило благодаря тому, что фундаментальные трейдеры, в отличие от шумовых трейдеров, полагались на экономические индикаторы, игнорируя «случайные» блуждания. Впервые было установлено, что наиболее реалистичные результаты в среднесрочной перспективе получаются тогда, когда количество фундаментальных и новостных трейдеров составляет 60-80% от всех трейдеров. Это доказывает, что на реальных рынках именно они, а не спекулянты, оказывают решающее влияние на динамику котировок акций.

3) На виртуальном рынке удалось воспроизвести классический пример из теории игр, когда в результате сговора агенты смогли получить большую прибыль. Также эксперименты подтвердили правило, что примерно 10% новичков выживают после первых несколько месяцев торговли на рынке ценных бумаг.

-2044) Впервые мультиагентный программный комплекс данного класса был использован как инструмент поддержки принятия решений. В этой роли он продемонстрировал высокую точность прогнозов в среднесрочном периоде. Это позволило экспертам принимать более взвешенные решения, что в конечном итоге привело к увеличению прибыли компании.

По результатам проведенного исследования можно сделать следующие выводы и рекомендации:

1) Несмотря на то, что виртуальная биржа не соблюдала все пропорции реальных бирж и виртуальные агенты использовали очень примитивные стратегии, благодаря эффекту синергии она показывала статистические характеристики, очень близкие к реальным. Это подтверждает, что применение мультиагентных систем позволяет существенно увеличить точность имитационных моделей, хоть и является более трудозатратным методом.

2) В рамках выбранного подхода не удалось имитировать взлёты и обвалы на рынке ценных бумаг кроме как через манипулирование новостями. Одно из возможных объяснений этого факта состоит, что на рынке нет «эффекта бабочки», и он отражает лишь процессы в реальном секторе экономики, а также страхи и надежды инвесторов. Считаю, что ключ к решению этой проблемы лежит в области исследования нерациональных мотивов поведения трейдеров.

3) Выявлено, что виртуальный рынок по своим характеристикам относится скорее к умеренным и слабо эффективным рынкам. Именно такие рынки, а не эффективные являются наиболее распространенными в реальном мире. Дальнейшее изучение процессов, происходящих на виртуальном рынке, может помочь найти причину этой закономерности.

1. Арженовский С.В., Молчанов И.Н. Статистические методы прогнозирования: Учебное пособие для аспирантов. - Ростов-на-Дону: Издательсто РГЭУ «РИНХ», 2001. - 74 с. - 1.BN 5-7972-0379-0.

2. Аскинадзи В.М. Инвестиционные стратегии на рынке ценных бумаг. -М.: Маркет ДС, 2004. 106 с. - ISBN 5-7958-0091-0.

3. Бердникова Т. Акционерное общество на рынке ценных бумаг. М.: Финстатинформ, 1997. - 142 с. - ISBN 5-7866-0014-9.

4. Бережная Е., Бережной В. Математические методы моделирования экономических систем. М.: Финансы и статистика, 2005. - 432 с. -ISBN 5-279-02940-8.

5. Бретт М. Как читать финансовую информацию. — М.: Проспект, 2004. -464 с. ISBN 5-7986-0085-8.

6. Вериженко И. Artificial Open Market // http://atom.univ-lillel.fr/

7. Вильяме Б., Грегори-Вильяме Дж. Торговый хаос II. М.: ИК "Аналитика", 2005. - 208 с. - ISBN 5-93855-032-7.

8. Воронцов К. В. МоТог Библиотека имитационного моделирования биржевых торгов // http://www.forecsys.com/ru/site/tech/MoTor/

9. Воронцов К. В. «Имитационное моделирование реальных биржевых торгов»// ИММОД-2003: 1-ая Всеросс. конф.: Докл. — Спб., 2003. — С. 25-29.

10. Воронцов К. В., Пшеничников С. Б. «Имитационное моделирование торгов: новая технология биржевых тренажеров»// Индикатор. — 2002. — No. 2(42).

11. Н.Воронцов К. В. ММВБ: учебная имитационная торговая система «Имитрейд» // http://www.forecsys.com/ru/site/projects/imitreid/

12. Дорси В. Анатомия биржевого рынка. Методы оценки уверенности и ожиданий трейдеров и рыночных тенденций. СПб. : Питер, 2005. - 395 с. - ISBN 5-469-00645-Х.

13. Жуков Е. Рынок ценных бумаг. Учебник. Второе издание. М: Юнити, 2007. - 463 с. - ISBN 5-238-00907-0.

14. Закарян И. Практический интернет-трейдинг. М: СмартБук, 2008. -384 с. - ISBN 978-5-9791-0043-2.

15. Иванов Ю. Скрипт-процессор для игрового движка. // http://vvww.mirgames.ru/articles/base/scriptprocessor.html

16. Израйлевич С., Цудикман В. Опционы: системный подход к инвестициям. Критерии оценки и методы анализа торговых возможностей. М.: Альпина Бизнес Букс, 2008. - 280 с. - ISBN 978-59614-0823-2.

17. Каратуев А.Г. Ценные бумаги: виды и разновидности. М.: КНОРУС, 1996. - 256 с. - ISBN 5-89247-005-9.

18. Касимов Ю. Введение в теорию оптимального портфеля ценных бумаг.- М.: Анкил, 2005. 144 с. - ISBN 5-8647-6222-9.

19. Кац Дж. О., МакКормик Д. JI. Энциклопедия торговых стратегий (3-е издание). М.: Альпина Бизнес Букс, 2007. - 400 с. - ISBN 978-5-96140609-2.

20. Колби Р. Энциклопедия технических индикаторов рынка (2-ое издание).- М.: Альпина Бизнес Букс, 2007. 837 с. - ISBN 978-5-9614-0628-3.

21. Колмыкова JI. Фундаментальный анализ финансовых рынков. — СПб.: Питер, 2006. 288 с. - ISBN 5-469-01542-4.

22. Коробов П. Математическое программирование и моделирование экономических процессов. 3-е издание. Киев: ДНК, 2006. - 376 с. -ISBN 5-901562-60-7.

23. Лялин В.А., Воробьев П.В. Рынок ценных бумаг. -М.: Проспект, 2006. -383 с. ISBN 978-5-482-01410-3.

24. Моррис Г. Японские свечи: метод анализа акций и фьючерсов, проверенный временем (3-е издание). М.: Альпина Бизнес Букс, 2008. -312 с. - ISBN 978-5-9614-0785-3.

25. Мультиагентные технологии // http://www.kg.ru/Lechnology/multiagent/

26. Мэтсон Э. Введение в Lua; Пер. с англ. Федотовских А. // http://www.gamedev.ru/articles/?id=70112

27. Натенберг ИГ. Опционы: Волатильность и оценка стоимости. Стратегии и методы опционной торговли. М.: Альпина Бизнес Букс, 2007. - 544 с. - ISBN 978-5-9614-0625-2.

28. Плюммер Дж. Гибкая и масштабируемая архитектура для компьютерных игр, часть первая; Пер. с англ. Петров А. // http.Y/www.dtf.ru/articles/print.php?id=40757

29. Постулаты технического анализа // http://www.bull-n-bear.ra/technic/?tanalysis=postulates

30. Продажа инвестбанка Bear Stearns спровоцировала обвал мировых фондовых рынков // http://rus.newsru.ua/finance/17mar2008/bear.html

31. Рассел С., Норвиг П. Искусственный интеллект. Современный подход. Второе издание. М.: Вильяме, 2007. - 1407 с. - ISBN 978-5-8459-08872.

32. Рынок ценных бумаг: Учебник. / Под ред. В.А. Галанова, А.И. Басова. -2-е изд., перераб. и доп. М.: Финансы и статистика, 2006. - 448 с. -ISBN 5-279-02170-9.

33. Сорнетте Д. Как предсказывать крахи финансовых рынков. М.: СмартБук, 2007. - 400 с. - ISBN 978-5-9791-0042-5.

34. Стукалов Д. Теория волн Эллиотта. СПб.: Питер, 2007. - 304 с. - ISBN 978-5-91180-222-6.-20837. Тарп.В., Бартон Д.Р. Биржевые стратегии игры без риска. СПб.: Питер, 2007. - 398 с. - ISBN 5-469-00646-8.

35. Федеряков А.С. Влияние фундаментальных трейдеров на процесс ценообразования на искусственном рынке ценных бумаг // Управление большими системами / Сборник трудов. Выпуск 21. - 2008. - 107-130 с.-ISBN 1819-2440.

36. Фёдоров А. Основы финансовых инвестиций. СПб.: Питер, 2008. - 320 с. - ISBN 978-5-469-01680-9.

37. Хаертфельдер М., Лозовская Е. С., Хануш Е. Фундаментальный и технический анализ рынка ценных бумаг. — СПб.: Питер, 2004. 352 с. — ISBN 5-94723-788-1.

38. Чамкина Е. Сравнение моделей временных рядов. // http://www.basegroup.ru/solutions/scripts/details/comparemodel/

39. Ческидов Б. М. Модели рынков ценных бумаг. СПб. : Питер, 2005. -416 с. - ISBN 5-469-00855-Х.

40. Цисарь И. Ф., Нейман В. Г. Компьютерное моделирование экономики. -М.: Диалог МИФИ, 2002. 304 с. - ISBN 5-86404-172-6.

41. Шапиро Дж. Моделирование цепи поставок. СПб.: Питер, 2006. - 720 с.-ISBN 5-272-00183-4.

42. Швагер Д. Технический анализ. Полный курс (4-е издание). М.: Альпина Бизнес Букс, 2007. - 806 с. - ISBN 5-9614-0376-9.

43. Эрлих А. Технический анализ товарных и финансовых рынков. — Киев: Финансист, 2003 176 с. - ISBN 5-90008-206-7.

44. Arai К., Deguchi Н., Matsui Н. Agent-Based Modeling Meets Gaming Simulation. New York: Springer, 2005. - 180 p. - ISBN 4431294260.

45. Arthur B. W, Durlauf S.N., Lane D.A. The Economy as an Evolvingi

46. Bellifemine F.L., Caire G., Greenwood D. Developing Multi-Agent Systems with JADE. USA: Wiley, 2007 - 300 p. - ISBN 978-0-470-05747-6.

47. Cothren R. On the Impossibility of Informationally Efficient Markets: Comment // The American Economic Review. 1982. - № 4 (September). -Pages 873-874.

48. Ehrentreich N. Agent-Based Modeling / The Santa Fe Institute Artificial Stock Market Model Revisited. New York: Springer, 2007. - 230 p. - ISBN 3540738789.

49. Fama E.F. Efficient Capital Markets: A Review of Theory and Empirical Work // Journal of Finance. 1970. - № 2 (May). - Pages. 383-417.

50. Fama E.F. Efficient Capital Markets II // Journal of Finance. 1991. - № 5 (December). - Pages 1575-1617.

51. Federyakov A. Financial Market Simulation // http://fimas.sourceforge.net

52. Fischer S. Rational Expectations and Economic Policy. Chicago: University of Chicago Press, 1980. - 293 p. - ISBN 0226251349.

53. Galai D. Tests of Market Efficiency of the Chicago Board Options Exchange // Journal of Business. 1977. - № 2 (April). - Pages 167-197.

54. Geert B, Campbell R. H. Emerging equity market volatility // Journal of Financial Economics. 1997. - № 43. - Issue 1. - Pages 29-77. - ISSN 0304-405X.

55. Grossman S.J., Stiglitz J.E. On the Impossibility of Informationally Efficient Market // The American Economic Review. 1980. - № 3 (June). - Pages 393-408.

56. Johnson P. E. Artificial Stock Market // http://artstkmkt.sf.net

57. Ken- D. Artificial Planet // http://aiplanet.sourceforge.net/

58. Krouglov A. Mathematical Model of Stock Market Fluctuations in the Absence of Economic Growth. // http://ideas.repec.Org/p/wpa/wuwpma/0402022.html

59. Li H., Rosser B. J. Jr. Emergent volatility in asset markets with heterogeneous agents // Discrete Dynamics in Nature and Society. 2001. -№ 6. - Issue 3. - Pages 171-180. - ISSN 1026-0226.

60. Liu H., Loewenstein M. Optimal Portfolio Selection with Transaction Costs and Finite Horizons // Review of Financial Studies. 2002. - № 15. - Issue 3.- Pages 805-835. ISSN 0893-9454.

61. Lucas, Robert E., Jr. Models of Business Cycles. Oxford: Basil Blackwell, 1987. - 120p. - ISBN 0631147918.

62. Muth J. Rational Expectations and the Theory of Price Movements // Econometrica. 1961. - № 3 (July). - Pages 315-35.

63. Naiburg E. J., Maksimchuk R. A. UML for Database Design. Boulder, Colorado : Addison-Wesley, 2001. - 320p. - ISBN 978-0201721638.

64. Palmer R.G, Arthur B. W., Holland J. H., LeBaron В., Taylor P. Artificial economic life: a simple model of a stockmarket // Physica D. 1994. - № 75.- Issue 1-3. Pages 264-274. - ISSN 0167-2789.

65. Palmer R.G, Arthur B. W., Holland J. H., LeBaron B. Asset pricing under endogenous expectations in an artificial stock market // Economic Notes. -1997. № 26. - Pages 297-330. - ISSN 0391-5026.

66. Raberto M., Cincotti S., Focardi S.M., Marchesi M. Agent-based simulation of a financial market // Physica A. 2001. - Volume 299. - No. 1-2. - Pages 320-328. - ISSN 0927-7099.

67. Rollings A., Morris D. Game Architecture and Design. Scottsdale, AZ, USA: The Coriolis Group, 1999. - 742p. - ISBN 1576104257.

68. Romanov V., Naletova O., Pantileeva E., Federyakov A. The simulation of news and insiders' influence on stock-market prices dynamics in non-linear model // Computational Finance and its Applications II. 2006 - Pages 309318. - ISBN 1-84564-174-4.

69. Romanov V., Slepov V., Badrina M., Federyakov A. Multifractal analysis and multiagent simulation for market crash prediction // Computational Finance and Its Applications III. 2008. - Pages 256-266. - ISBN 978184564-111-5.

70. Rumbaugh J., Jacobson I., Booch G. The Unified Modeling Language Reference Manual, Second Edition. Boulder, Colorado: Addison-Wesley, 2004. - 752 p. - ISBN 978-0321245625.

71. Sargent, Thomas J. Rational Expectations and Inflation. New York: HarperCollins College Div, 1986. - 224 p. - ISBN: 978-0060457419.

72. Sellin P. Monetary Policy and the Stock Market: Theory and Empirical Evidence // Journal of Economic Surveys. 2001. - № 15. - Issue 4. - Pages 491-541. - ISSN 0950-0804.

73. Statistical significance analysis of the chaos-based prediction model. // http://www.tradingpro.com/papers/SSATradingPro.pdf

74. Thorsten H., Schenk-Норрё K. R. Survival of the Fittest on Wall Street // http://ideas.repec.Org/p/kud/kuiedp/0403.html

75. Using the RemObjects Pascal Script // http://www.remobjects.com/7ps01

76. Wooldridge M. Introduction to MultiAgent Systems. Chichester: John Wiley & Sons, 2002. - 348 p. - ISBN 978-0471496915.