Рынок-подражатель: Как стратегии инвесторов влияют на стабильность

Автор: Денис Аветисян

Новое исследование с использованием агентного моделирования показывает, как преобладание определенных торговых стратегий может дестабилизировать финансовые рынки и перераспределять прибыль.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

Автоматизированные торговые алгоритмы (АТА) дестабилизируют рынки, усиливая колебания и создавая условия для резких изменений цен, что демонстрирует их способность к самовозбуждению и формированию каскадных эффектов.

Агентное моделирование искусственного финансового рынка выявило, что фундаментальный анализ стабилизирует цены, а технический анализ усиливает волатильность и увеличивает прибыль для его последователей.

Существуют противоречивые мнения о влиянии увеличения числа инвесторов, использующих одинаковые стратегии, на прибыльность рынка. В работе, озаглавленной ‘Is an investor stolen their profits by mimic investors? Investigated by an agent-based model’, предпринято исследование этого вопроса с использованием агентского моделирования искусственного финансового рынка. Полученные результаты показывают, что увеличение числа агентов, придерживающихся фундаментальных стратегий, стабилизирует цены и снижает прибыль, в то время как увеличение числа агентов, использующих технический анализ, приводит к волатильности и повышению прибыльности. Возможно ли, что динамика между фундаментальными и техническими стратегиями определяет общую эффективность и справедливость финансовых рынков?

Понимание Рыночной Динамики: Агент-Ориентированное Моделирование

Понимание динамики финансовых рынков требует создания моделей, способных учитывать взаимодействие различных инвестиционных стратегий. Традиционные экономические модели часто упрощают поведение участников, рассматривая их как однородные сущности, что не позволяет адекватно отразить сложность реальных рынков. В действительности, каждый инвестор, будь то краткосрочный трейдер, долгосрочный инвестор или арбитражер, преследует собственные цели и использует уникальный набор правил для принятия решений. Именно взаимодействие этих разнообразных стратегий формирует рыночные тенденции, волатильность и ценообразование. Поэтому, для точного анализа и прогнозирования рыночных процессов необходимо разрабатывать модели, способные имитировать поведение множества гетерогенных агентов, каждый из которых действует в соответствии со своей собственной логикой и информацией.

Традиционные модели финансовых рынков, как правило, основываются на предположениях о рациональном поведении всех участников и не учитывают сложность возникающих взаимодействий. В результате, они часто оказываются неспособными адекватно описать наблюдаемые рыночные явления, такие как внезапные колебания цен, формирование пузырей и крахи. Это связано с тем, что рынки представляют собой сложные адаптивные системы, где поведение каждого участника влияет на поведение других, приводя к возникновению нелинейных эффектов и непредсказуемых закономерностей. Игнорирование этих взаимодействий приводит к упрощенным моделям, которые не отражают реальную динамику рынка и могут давать ошибочные прогнозы. Изучение этих возникающих явлений требует новых подходов, способных учитывать разнообразие стратегий участников и их взаимное влияние.

Разработана агент-ориентированная искусственная модель финансового рынка (АИФР), предназначенная для целенаправленного изучения взаимодействия различных инвестиционных стратегий и выявления возникающих эффектов. Модель функционировала в течение значительного периода времени — двадцати миллионов условных временных единиц — что позволило зафиксировать долгосрочные тенденции и закономерности, проявляющиеся в процессе торговли. Использование агент-ориентированного подхода обеспечивает возможность детального анализа поведения отдельных участников рынка и их влияния на общую динамику, в отличие от традиционных макроэкономических моделей, рассматривающих рынок как единое целое. Продолжительность симуляции позволила выявить стабильные паттерны и оценить устойчивость модели к различным внешним воздействиям, предоставляя ценные сведения о принципах функционирования реальных финансовых рынков.

Модель использует механизм непрерывного двойного аукциона для симуляции формирования цены, основанного на конкуренции между ордерами на покупку и продажу. В данном подходе, агенты, представляющие различных участников рынка, формируют свои ордера, которые затем сопоставляются системой аукциона в реальном времени. Цена актива определяется как результат взаимодействия этих ордеров, причем каждая сделка влияет на последующее формирование цен. Такой механизм позволяет изучать, как конкуренция между различными стратегиями трейдеров приводит к динамическому ценообразованию и формированию рыночных тенденций, имитируя сложный процесс, происходящий на реальных финансовых площадках.

Автоматизированные стабилизаторы активов (ASA) стабилизируют рынки, компенсируя отклонения цен и поддерживая равновесие.

Фундаментальный и Технический Анализ: Сущность Различий

В основе разработки наших агентов лежат два основных подхода к инвестиционному анализу: фундаментальный и технический. Фундаментальный анализ предполагает оценку внутренней стоимости актива на основе экономических и финансовых факторов, в то время как технический анализ фокусируется на изучении исторических данных о ценах и объемах торгов для прогнозирования будущих движений рынка. Данные подходы реализованы в виде отдельных типов агентов — ‘Additional Fundamental Agents’ (AFAs) и ‘Additional Technical Agents’ (ATAs) — каждый из которых использует свою стратегию для определения оптимальной цены ордера и максимизации прибыли в условиях фиксированной фундаментальной стоимости актива, установленной на уровне 10000.

Дополнительные фундаментальные агенты (АФА) используют фундаментальную стратегию, основанную на оценке внутренней стоимости актива по отношению к его рыночной цене. Этот подход предполагает, что рыночная цена может отклоняться от истинной стоимости, и агенты стремятся извлечь выгоду из этих расхождений. Оценка внутренней стоимости производится на основе заранее определенных параметров и моделей, которые учитывают различные факторы, влияющие на стоимость актива. АФА формируют торговые позиции, покупая активы, которые, по их оценке, недооценены рынком, и продавая переоцененные активы, стремясь к получению прибыли при возврате рыночной цены к справедливой стоимости.

Дополнительные агенты технического анализа (ATAs) используют стратегию технического анализа, основанную на изучении исторических ценовых тенденций. В отличие от фундаментального анализа, который оценивает внутреннюю стоимость актива, технический анализ фокусируется исключительно на данных о ценах и объемах торгов за прошлые периоды. ATAs анализируют графики цен для выявления паттернов и трендов, которые, как предполагается, могут указывать на будущие движения цен. Данный подход не учитывает фундаментальные показатели компании или актива, а основывается исключительно на предположении, что история повторяется и прошлые ценовые движения могут предсказать будущие.

Обе стратегии — фундаментальный и технический анализ — используют $Ожидаемую Доходность$ в качестве ключевого компонента при определении оптимальной $Цены Ордера$ . При этом, в моделируемой рыночной среде, фундаментальная стоимость актива поддерживается на постоянном уровне в 10000 единиц. Это означает, что оценка отклонений цены от фундаментальной стоимости (для фундаментальных агентов) и анализ исторических ценовых тенденций (для технических агентов) направлены на прогнозирование будущей доходности, которая затем используется для расчета оптимальной цены ордера, максимизирующей ожидаемую прибыль.

В качестве базовой модели используется 1000 нормальных агентов (NAs), функционирующих с фиксированными параметрами: максимальное значение веса первого порядка — $w1_{max} = 1$ , максимальное значение веса второго порядка — $w2_{max} = 100$ , максимальное значение веса третьего порядка — $w3_{max} = 1$ , максимальное значение временного лага — $\tau_{max} = 10000$ , и стандартное отклонение случайного шума — $\sigma_{\epsilon} = 0.03$ . Эти параметры остаются неизменными на протяжении всего моделирования и служат отправной точкой для сравнения производительности агентов, использующих фундаментальный и технический анализ.

Моделирование динамики рыночных цен [latex]P_t^P[/latex] показывает, что использование 99 автоматических лимитных ордеров (AFAs и ATAs) не оказывает существенного влияния на ценообразование. — Моделирование динамики рыночных цен $P_t^P$ показывает, что использование 99 автоматических лимитных ордеров (AFAs и ATAs) не оказывает существенного влияния на ценообразование.

Результаты Моделирования: Стабилизация и Дестабилизация Рыночной Динамики

Моделирование показало существенные различия во влиянии агентов, следующих алгоритму адаптивной торговли (ATAs) и агентов, следующих алгоритму адаптивного формирования ордеров (AFAs) на динамику рынка. В частности, увеличение доли ATAs и AFAs до 99 агентов приводит к принципиально разным последствиям: AFAs инициируют отрицательную обратную связь, стабилизируя цены посредством корректировки отклонений от фундаментальной стоимости, в то время как ATAs усиливают ценовые колебания, создавая положительную обратную связь и потенциально дестабилизируя рынок. Эти различия демонстрируют, что состав агентской популяции оказывает значительное влияние на поведение рынка.

Моделирование показало, что увеличение доли агентов, следующих стратегии усреднения (AFAs), до 99 единиц приводит к формированию отрицательной обратной связи, стабилизирующей цены. Данный процесс заключается в коррекции отклонений рыночной цены от ее фундаментальной стоимости: при росте цены AFAs увеличивают продажи, оказывая давление на снижение, и наоборот, при падении цены — увеличивают покупки, способствуя росту. В результате, наблюдается тенденция к возвращению цены к равновесному уровню, определяемому фундаментальными факторами, что свидетельствует о саморегулирующемся характере рынка при доминировании AFAs.

Увеличение доли агентов, использующих алгоритм технического анализа (ATA), до 99 единиц приводит к усилению колебаний цен посредством процесса положительной обратной связи. В ходе симуляций наблюдалось, что когда цена отклоняется от фундаментальной стоимости, ATA агенты, следуя тренду, усиливают это отклонение, а не корректируют его. Это приводит к экспоненциальному росту ценовых вариаций и потенциальной дестабилизации рынка, поскольку агенты, действуя согласованно, создают самоподдерживающуюся ценовую динамику, оторванную от реальной стоимости активов. При дальнейшем увеличении доли ATA наблюдается снижение количества сделок после 20 временных единиц, что указывает на снижение ликвидности и усиление волатильности.

Результаты моделирования демонстрируют существенное влияние состава агентов на динамику рынка. В частности, наблюдается снижение количества сделок, совершаемых агентами, использующими стратегию автоматического трейдинга (ATAs), после 20 временных единиц. Данное снижение указывает на то, что, несмотря на первоначальную активность, ATAs со временем уменьшают свое участие в торговле, что может быть связано с исчерпанием возможностей для получения прибыли или адаптацией к рыночным условиям. Продолжительность активной торговли ATAs варьируется в зависимости от параметров, таких как ta и na, при этом агенты с ta = 100000 демонстрируют стабильное количество сделок, а агенты с na = 20 — резкое снижение.

Результаты моделирования показали, что агенты автоматической торговли (ATAs) с параметром задержки $t_a$ равным 100000 демонстрируют стабильное количество сделок во времени. В противоположность этому, агенты ATAs с параметром $n_a$ равным 20 характеризуются быстрым снижением количества совершаемых сделок. Данное снижение наблюдается в течение первых 20 временных единиц симуляции, что указывает на неэффективность данной конфигурации агентов в поддержании торговой активности и потенциальное влияние на рыночную ликвидность.

Среднее значение итоговой прибыли и количества сделок для агентов [latex] \text{fornan}_{a} [/latex] демонстрирует их эффективность в торговле. — Среднее значение итоговой прибыли и количества сделок для агентов $\text{fornan}_{a}$ демонстрирует их эффективность в торговле.

Исследование, представленное в данной работе, демонстрирует, как стратегии технического анализа могут приводить к усилению волатильности на финансовых рынках, создавая возможности для получения прибыли за счёт других участников. Это согласуется с идеями Томаса Куна о научных революциях, когда доминирующие парадигмы сменяются новыми, часто более эффективными, но и более дестабилизирующими. Он писал: «Наука не прогрессирует линейно, а скорее переживает периоды нормальной науки, прерываемые научными революциями». Подобно тому, как смена парадигмы в науке меняет взгляд на мир, преобладание стратегий технического анализа может изменить динамику рынка, создавая новые паттерны ценообразования и влияя на стабильность всей системы. В данной модели, агенты, использующие технический анализ, формируют положительную обратную связь, усиливающую рыночные колебания, что подтверждает важность понимания не только фундаментальных факторов, но и поведенческих аспектов рынка.

Куда смотрит рынок?

Представленная работа, исследуя взаимодействие агентов, придерживающихся фундаментального и технического анализа, лишь приоткрывает завесу над сложной динамикой искусственных финансовых рынков. Однако, вопрос о том, что остаётся за пределами смоделированной вселенной, представляется более значимым. Какова роль шума, не учтенного в упрощенных моделях поведения агентов, и как он искажает картину ценообразования? Недостаточно ли изучены эффекты задержек в получении информации, влияющие на реакцию агентов и, следовательно, на стабильность рынка?

Настоящая модель фокусируется на двух основных стратегиях, но реальный финансовый мир гораздо разнообразнее. Будущие исследования должны учитывать более сложные типы поведения, включая иррациональные решения, влияние новостей и психологические факторы. Особый интерес представляет изучение нелинейных взаимодействий между агентами и выявление критических точек, определяющих переход от стабильности к хаосу. В конечном счете, понимание системы требует не только анализа закономерностей, но и осознания границ нашего знания.

Попытка искусственно воссоздать финансовый рынок всегда будет упрощением. И все же, изучение этих упрощенных моделей позволяет выявить ключевые факторы, определяющие поведение рынка. Главный вопрос заключается в том, насколько эти факторы применимы к реальному миру и какие дополнительные переменные необходимо учитывать для получения более точных прогнозов. В противном случае, все наши модели останутся лишь элегантными иллюзиями.

Оригинал статьи: https://arxiv.org/pdf/2603.03671.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-03-05 11:15