基于深度學(xué)習(xí)的智能交易Agent的交易行為研究

胡前芳，李保坤

（西南財(cái)經(jīng)大學(xué)統(tǒng)計(jì)學(xué)院，成都611130）

0 引言

一個(gè)證券市場(chǎng)的表現(xiàn)是該證券市場(chǎng)的制度結(jié)構(gòu)、市場(chǎng)環(huán)境以及交易者行為的綜合結(jié)果。其中交易者行為的多樣性使之成為市場(chǎng)發(fā)展變化最關(guān)鍵也是最復(fù)雜的因素，在不能實(shí)現(xiàn)對(duì)眾多交易者進(jìn)行實(shí)時(shí)調(diào)查的情況下，通過(guò)計(jì)算機(jī)程序模擬交易進(jìn)行市場(chǎng)交易行為研究成為必然。關(guān)于證券市場(chǎng)最初的模擬市場(chǎng)研究是在一個(gè)給定的競(jìng)爭(zhēng)市場(chǎng)環(huán)境下，市場(chǎng)中每個(gè)交易者給予一定的資本，根據(jù)不同的市場(chǎng)設(shè)置，研究怎樣有效實(shí)現(xiàn)其資源分配功能（Davis（1993）等），但是模擬市場(chǎng)始終沒(méi)有充分考慮市場(chǎng)交易者行為因素。

基于Agent的（仿真交易者）模型（ABM）可以克服模擬市場(chǎng)的一些理論和實(shí)驗(yàn)方案的局限性。第一個(gè)人工股票市場(chǎng)（SFI-ASM）是由Santa Fe研究所于1989年研究在復(fù)雜系統(tǒng)中具有自適應(yīng)能力的Agent的交互能否形成市場(chǎng)中預(yù)期的均衡而建立的，隨后研究員Arthur等在此基礎(chǔ)上建立了一系列人工股票市場(chǎng)，擴(kuò)展了研究范圍。該系列市場(chǎng)的建立基于不完全理性、非線性、非均衡以及非有效等概念，在這系列模型中，只需要調(diào)整一個(gè)參數(shù)就可以自動(dòng)得到股票市場(chǎng)的很多結(jié)論。自此以復(fù)雜自適應(yīng)系統(tǒng)為理論基礎(chǔ)的ABM在金融領(lǐng)域應(yīng)用研究不勝枚舉。

本文Agent的設(shè)定是在深度學(xué)習(xí)的基礎(chǔ)上融合了行為金融學(xué)，比一般的agent更接近真實(shí)交易者。模型中Agent在決策過(guò)程中分別擁有個(gè)人學(xué)習(xí)和社會(huì)學(xué)習(xí)兩種機(jī)制。設(shè)定的Agent之間的學(xué)習(xí)能力與學(xué)習(xí)速度并不完全一樣，不同的學(xué)習(xí)能力、不同的學(xué)習(xí)速度、不同的社交網(wǎng)絡(luò)的組合構(gòu)成完整的股票市場(chǎng)交易人員。對(duì)于第二個(gè)問(wèn)題的研究，本文將在人工股票市場(chǎng)中得到的結(jié)論運(yùn)用于中國(guó)股票市場(chǎng)，在人工股票市場(chǎng)中將完全按照中國(guó)股票市場(chǎng)的交易機(jī)制與市場(chǎng)環(huán)境設(shè)置，將相應(yīng)的結(jié)果與真實(shí)市場(chǎng)的股票價(jià)格變化情況進(jìn)行對(duì)比。

1 實(shí)驗(yàn)設(shè)計(jì)

本文的實(shí)驗(yàn)設(shè)計(jì)包括如下部分：整體市場(chǎng)結(jié)構(gòu)、交易機(jī)制、Agent類型及其學(xué)習(xí)算法。

1.1 市場(chǎng)結(jié)構(gòu)與交易機(jī)制

本文模擬一個(gè)撮合交易市場(chǎng)，該市場(chǎng)包含兩類資產(chǎn)：無(wú)風(fēng)險(xiǎn)的現(xiàn)金和有風(fēng)險(xiǎn)的股票。其中現(xiàn)金的供應(yīng)無(wú)限，且現(xiàn)金利率為rt,cash。股票總量等于所有Agent初始稟賦之和，每股交易成本率為ct，只要交易活動(dòng)發(fā)生，雙方均產(chǎn)生交易費(fèi)用，股票無(wú)股息或紅利等，Agent只能根據(jù)股票的買賣獲取收益，現(xiàn)金利率與交易成本率提前公布。模擬期內(nèi)包含1000個(gè)交易日，每個(gè)交易日分為80個(gè)小交易區(qū)間，相鄰交易日相隔3個(gè)小交易區(qū)間。任何交易都只能在交易時(shí)段內(nèi)進(jìn)行，市場(chǎng)信息通過(guò)市場(chǎng)價(jià)格的變化或Agent之間的關(guān)系傳遞。

本文采用中國(guó)股票市場(chǎng)的交易機(jī)制：集合競(jìng)價(jià)與連續(xù)競(jìng)價(jià)。在價(jià)格方面遵循“價(jià)格優(yōu)先時(shí)間優(yōu)先”原則，在交易量方面采用“逐筆交易處理”原則。在每個(gè)交易期結(jié)束,Agent根據(jù)自身對(duì)下期收益率的預(yù)測(cè)決定自己下期股票的買入或賣出量。在該市場(chǎng)中，沒(méi)有借貸與賣空機(jī)制。在每一次的實(shí)驗(yàn)中，交易者的稟賦只在初始交易時(shí)設(shè)置，在之后的交易中不再重新設(shè)定，每次實(shí)驗(yàn)進(jìn)行1000次模擬，根據(jù)該系列實(shí)驗(yàn)逐步得到結(jié)論。

1.2 Agent

市場(chǎng)中的Agent都智能，他們都是用策略集來(lái)表示，不同之處在于各自的學(xué)習(xí)方式以及學(xué)習(xí)能力的不同。本文考慮三種不同的學(xué)習(xí)方式，在預(yù)訓(xùn)練過(guò)程中都采用去噪自編碼器（DAE），在微調(diào)過(guò)程分別采用Logistic回歸模型、決策樹、神經(jīng)網(wǎng)絡(luò)。通過(guò)DAE的訓(xùn)練層數(shù)、最后一層特征數(shù)以及微調(diào)模型參數(shù)的不同可將每大類學(xué)習(xí)方式分為多個(gè)小類，至此Agent之間的學(xué)習(xí)能力與學(xué)習(xí)速度并不完全一樣，不同的學(xué)習(xí)能力、不同的學(xué)習(xí)速度組合構(gòu)成完整的股票市場(chǎng)交易人員。

1.3 深度學(xué)習(xí)

自動(dòng)編碼器網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，包含以下主要部分：

圖1 自動(dòng)編碼器（AE）網(wǎng)絡(luò)結(jié)構(gòu)圖

x：無(wú)標(biāo)簽的輸入樣本集。

f：編碼器，輸入樣本集在編碼器的作用下轉(zhuǎn)換成隱藏層的變量。

h：隱藏層變量，h=fθ(x)=sf(Wx+b)，編碼網(wǎng)絡(luò)的激活函數(shù)為sf，參數(shù)θ={W,b}，W是一個(gè)m×n的矩陣，b是一個(gè)含n個(gè)元素的向量。

g：解碼器，隱藏層的變量通過(guò)解碼器轉(zhuǎn)換成一種重構(gòu)的輸入樣本集。

r：輸出層變量，r=g0,x=sg(W′x+b′)，解碼網(wǎng)絡(luò)的激活函數(shù)為sg，參數(shù)θ′={W′,b′}，W′是一個(gè)n×m的矩陣，b′是一個(gè)含n個(gè)元素的向量。

DAE的核心思想是在AE的基礎(chǔ)上，訓(xùn)練數(shù)據(jù)加入噪聲，通過(guò)學(xué)習(xí)去除這種噪聲而獲得真正的沒(méi)有被噪聲污染過(guò)的輸入。這使編碼器去學(xué)習(xí)輸入信號(hào)的更加魯棒的表達(dá)，也是DAE泛化能力比一般編碼器強(qiáng)的原因。具體過(guò)程是先對(duì)輸入樣本集x按照二項(xiàng)隨機(jī)隱藏噪聲qD分布加入隨機(jī)噪聲變成含噪聲的輸入樣本集x′，即x′～qD(x′|x)，然后通過(guò)損失函數(shù)完成DAE的訓(xùn)練。詳細(xì)過(guò)程如圖2所示。

圖2 去噪自動(dòng)編碼器（DAE）網(wǎng)絡(luò)結(jié)構(gòu)圖

如圖3所示，深度學(xué)習(xí)由預(yù)訓(xùn)練過(guò)程與微調(diào)過(guò)程形成，在預(yù)訓(xùn)練過(guò)程中，本文使用的DAE，多個(gè)DAE經(jīng)過(guò)層層訓(xùn)練之后得到最后的特征提取向量hN。在微調(diào)的時(shí)候，將特征提取向量hN作為訓(xùn)練的輸入變量，經(jīng)過(guò)微調(diào)之后得到最后的輸出值y′。將深度學(xué)習(xí)輸出與原始輸出不斷對(duì)比，然后調(diào)整，如此循環(huán)得出最接近原始輸出的深度學(xué)習(xí)輸出規(guī)則。

圖3 深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.4 市場(chǎng)參數(shù)設(shè)置

表1列出了前述基于人工智能Agent模型的股票市場(chǎng)運(yùn)行時(shí)的參數(shù)具體設(shè)置。

表1 市場(chǎng)參數(shù)設(shè)置

2 仿真實(shí)驗(yàn)分析

2.1 相關(guān)度量的界定

為了更好地研究市場(chǎng)交易行為變化，本文提出上漲力量、下跌力量、集中趨勢(shì)以及離散程度指標(biāo)分析市場(chǎng)交易者以及整體市場(chǎng)的交易行為。

上漲力量即整個(gè)市場(chǎng)中Agent提交的買入訂單促使股價(jià)上漲的綜合力量，下跌力量即整個(gè)市場(chǎng)中Agent提交的賣出訂單促使股價(jià)下跌的綜合力量。集中趨勢(shì)在統(tǒng)計(jì)學(xué)中是對(duì)頻數(shù)分布資料的集中狀況和平均水平的綜合測(cè)度，即一組數(shù)據(jù)向某一中心值靠攏的程度，它反映了一組數(shù)據(jù)中心點(diǎn)的位置所在，采用算數(shù)平均數(shù)進(jìn)行測(cè)度。離散程度與集中趨勢(shì)相反，是實(shí)驗(yàn)分析上表達(dá)誤差大小的參數(shù)，在統(tǒng)計(jì)學(xué)上描述觀測(cè)值偏離中心位置的趨勢(shì)，反映了所有觀測(cè)值偏離中心的分布情況，采用標(biāo)準(zhǔn)差計(jì)量。本文將分析市場(chǎng)每時(shí)每刻的上漲力量以及下跌力量的集中趨勢(shì)與離散程度，通過(guò)對(duì)比兩種力量的兩種指標(biāo)的變化趨勢(shì)分析市場(chǎng)整體交易趨勢(shì)的具體情況。其計(jì)算步驟如下：第一步，記錄所有Agent在每個(gè)交易日的訂單提交情況，假定每個(gè)交易日只有5個(gè)交易時(shí)段，第i個(gè)Agent在第j個(gè)交易日的訂單提交情況是Aij=[0,0,10,0,]，表示該交易者在該交易日的第3個(gè)交易時(shí)段以市價(jià)提交了10單位的買單，Aij=[0,-21,0,0,0]表示該交易者在該交易日的第2個(gè)交易時(shí)段以市價(jià)提交了21單位的賣單。第二步，記錄每個(gè)交易日的每個(gè)交易時(shí)段市場(chǎng)價(jià)格變化量，如第j個(gè)交易日的價(jià)格變化情況為△pj=[-2,3,2,-1,2]表示在第1、4個(gè)交易時(shí)段內(nèi)股價(jià)分別下跌了2、1個(gè)單位，第2、3、5個(gè)交易時(shí)段內(nèi)股價(jià)分別上漲了3、2、2個(gè)單位。第三步，加總所有Agent在相應(yīng)交易日的訂單提交情況，根據(jù)訂單的方向確定訂單力量，如果對(duì)應(yīng)時(shí)間內(nèi)的訂單為正表明整體力量向上漲方向移動(dòng)，記為上漲力量，反之向下跌方向移動(dòng)記為下跌力量。如在第j個(gè)交易日所有Agent訂單加總為Aj=[-100,50,58,-46,91]。那么該交易日的上漲力量為Uj=[0,3,2,0,2]，下跌力量為Uj=[-2,0,0,1,0]，整個(gè)交易日的上漲下跌綜合力量分別是9和-3。第四步，通過(guò)以上三步記錄所有交易日的上漲下跌綜合力量，與一般的統(tǒng)計(jì)方法相似，集中趨勢(shì)用相應(yīng)數(shù)據(jù)均值代替，離散程度用方差表示，根據(jù)設(shè)定交易期的長(zhǎng)短分別計(jì)算上下跌的集中趨勢(shì)與離散程度。

上漲綜合力量與下跌綜合力量表示市場(chǎng)在Agent的不同訂單作用下的市場(chǎng)面結(jié)果：上漲綜合力量的值一般情況下為正，其值越大表示市場(chǎng)Agent通過(guò)買單將股價(jià)向上推得越高；下跌綜合力量的值一般情況下為負(fù)，其絕對(duì)值越大表示市場(chǎng)Agent通過(guò)賣單將股價(jià)下拉越低。理論上每個(gè)交易日股價(jià)是整個(gè)交易日上漲綜合力量與下跌綜合力量的較量結(jié)果，即股價(jià)變化量與上漲綜合力量和下跌綜合力量都相關(guān)。在兩種力量的基礎(chǔ)上計(jì)算出的集中趨勢(shì)是市場(chǎng)Agent訂單運(yùn)行方向，上漲集中趨勢(shì)向上表明市場(chǎng)買單運(yùn)行在上升通道，下跌集中趨勢(shì)向下增加表明市場(chǎng)賣單趨勢(shì)運(yùn)行在上升通道。訂單運(yùn)行趨勢(shì)一旦形成，將在一段時(shí)間內(nèi)繼續(xù)保持。而離散程度越大表明市場(chǎng)Agent在決策時(shí)搖擺不定，在這種情況下市場(chǎng)很容易出現(xiàn)大的波動(dòng)，要具體確認(rèn)市場(chǎng)變化情況需要綜合市場(chǎng)上漲下跌的集中趨勢(shì)與離散程度。

2.2 人工股票市場(chǎng)訓(xùn)練樣本結(jié)果

仿真實(shí)驗(yàn)首先隨機(jī)產(chǎn)生200個(gè)交易期內(nèi)的交易數(shù)據(jù)，隨后仿真Agent根據(jù)“歷史數(shù)據(jù)”進(jìn)行分析與決策，在Agent的決策下得到仿真股價(jià)的變化情況。每個(gè)實(shí)驗(yàn)經(jīng)過(guò)1000次仿真，得到如下結(jié)果，由于篇幅有限，圖4是具有代表性的實(shí)驗(yàn)一的實(shí)驗(yàn)結(jié)果，實(shí)驗(yàn)二到實(shí)驗(yàn)六的結(jié)果類似，在此不一一描述。圖4中(a)表示實(shí)驗(yàn)一中具有代表性的股價(jià)時(shí)間序列，(b)是通過(guò)跟蹤市場(chǎng)所有Agent交易記錄所得的市場(chǎng)總上漲力量與下跌力量的時(shí)間序列，(c)表示相應(yīng)股價(jià)收益時(shí)間序列圖，通過(guò)市場(chǎng)總力量與市場(chǎng)收益之間的差值得到實(shí)驗(yàn)誤差時(shí)間序列圖(d)，(e)與(f)分別表示市場(chǎng)中兩種力量的集中趨勢(shì)與離散程度的對(duì)比圖，通過(guò)該圖可以了解市場(chǎng)Agent整體交易行為的變化情況。

圖4 具有代表性的實(shí)驗(yàn)一的結(jié)果

（1）Agent整體交易行為與股市一般風(fēng)險(xiǎn)的關(guān)系

第一，當(dāng)市場(chǎng)中上漲力量大于下降力量的絕對(duì)值時(shí)，下一交易日的收益為正，即股價(jià)上漲；反之當(dāng)市場(chǎng)中上漲力量小于下降力量的絕對(duì)值時(shí)，下一交易日的收益為負(fù)，即股價(jià)下跌。理論上，每個(gè)交易日的收益是該交易日上漲力量與下跌力量的綜合對(duì)比，因此當(dāng)上漲力量大于下跌力量時(shí)，相應(yīng)時(shí)期內(nèi)的收益為正，反之為負(fù)。在實(shí)驗(yàn)一中得到的結(jié)果符合預(yù)期，圖4中(d)的誤差值為(b)中的上漲綜合力量與下跌綜合力量之和與(c)中市場(chǎng)收益時(shí)間序列之差，誤差基本在±6內(nèi)，極少數(shù)誤差超出6，但都在±8之內(nèi)，該結(jié)果與理論很一致，由于實(shí)驗(yàn)一的市場(chǎng)設(shè)定相對(duì)于實(shí)際市場(chǎng)更“理想”，該結(jié)論的實(shí)用性需要實(shí)際市場(chǎng)交易數(shù)據(jù)的進(jìn)一步實(shí)證檢驗(yàn)。

第二，相鄰幾個(gè)交易日的上漲力量與下跌力量的變化趨勢(shì)相反。圖4(a)中實(shí)驗(yàn)一的股價(jià)變化序列可以看做連續(xù)變化，相應(yīng)地，市場(chǎng)Agent在買賣單的決定上也應(yīng)該是平緩變化，所以買單、賣單的趨勢(shì)變化應(yīng)該相反。而實(shí)驗(yàn)一也正好驗(yàn)證了這一理論，圖4(b)中上漲力量增大時(shí)，下跌力量的值越來(lái)越小，反之亦然，圖4(b)中該現(xiàn)象很明顯。

上漲力量與下跌力量的變化在實(shí)驗(yàn)一設(shè)定的理想環(huán)境下的變化相反，但在實(shí)際市場(chǎng)中，條件并沒(méi)有實(shí)驗(yàn)中理想，比如存在股價(jià)操縱、內(nèi)幕交易等現(xiàn)象，買單賣單的變化并不完全相反變化。因此在實(shí)際中，買單賣單的變化出現(xiàn)不一致的情況一般情況下可以判斷為市場(chǎng)出現(xiàn)了異常，該結(jié)果可由真實(shí)市場(chǎng)數(shù)據(jù)檢驗(yàn)。

（2）Agent交易行為與牛市風(fēng)險(xiǎn)的關(guān)系

無(wú)論在長(zhǎng)期還是短期，股票市場(chǎng)都是上漲與下跌更替出現(xiàn)，不斷循環(huán)反復(fù)，即牛市與熊市不斷更替。在股市自然發(fā)生的狀態(tài)下，Agent最大的損失主要發(fā)生在每次牛市到頂后的下坡階段，其次是爬坡階段的轉(zhuǎn)換也可能發(fā)生較大損失，造成這類損失的風(fēng)險(xiǎn)就稱為牛市風(fēng)險(xiǎn)。

如圖4（e）與（f）所示，在上漲和橫盤的過(guò)程中，當(dāng)市場(chǎng)中Agent上漲力量與下跌力量的離散程度變大，且各自的集中趨勢(shì)越來(lái)越小時(shí)，牛市風(fēng)險(xiǎn)越來(lái)越大。如從（f）圖看出上漲力量與下跌力量的離散程度同時(shí)變大的時(shí)段有6處：第40～50個(gè)交易日；第112～120個(gè)交易日；第201～213個(gè)交易日；第331～350個(gè)交易日；第600～610個(gè)交易日；第770～780個(gè)交易日。（e）圖中兩股力量的集中趨勢(shì)同時(shí)越來(lái)越小的交易時(shí)段有：第201～213個(gè)交易日；第331～350個(gè)交易日；第600～610個(gè)交易日；第770～780個(gè)交易日。集中趨勢(shì)遞減的階段與離散程度遞增的階段重合期間共5個(gè)，剛好對(duì)應(yīng)人工股票市場(chǎng)中股價(jià)牛市階段的重要轉(zhuǎn)折點(diǎn)（對(duì)應(yīng)圖4(a)）。在理論上這與真實(shí)市場(chǎng)行情一致。在牛市行情的操作猶如刀口舐血，暴漲暴跌的現(xiàn)象屢有可見,如果短線操作成功的話會(huì)大有斬獲。但是一般投資人大多在此階段慘遭虧損,甚至落得傾家蕩產(chǎn)的局面，因此在該階段如果能識(shí)別出股市風(fēng)險(xiǎn)的變化至關(guān)重要。在牛市階段很多Agent手中大多擁有股票,以期待著股價(jià)進(jìn)一步上升，但是股價(jià)的漲升卻顯得步履蹣跚，即集中趨勢(shì)慢慢減弱。此情此景很多投資者開始搖擺不定，造成市場(chǎng)兩股力量離散程度越來(lái)越大。由于實(shí)驗(yàn)一的市場(chǎng)設(shè)定相對(duì)于實(shí)際市場(chǎng)更“理想”，該結(jié)論的實(shí)用性需要實(shí)際市場(chǎng)交易數(shù)據(jù)的進(jìn)一步實(shí)證檢驗(yàn)。

（3）Agent交易行為與熊市風(fēng)險(xiǎn)之間的關(guān)系

在股市自然發(fā)生的狀態(tài)下，Agent想要得到最大收益，就必須把握住熊市底部階段，其次是爬坡階段的轉(zhuǎn)換也可能得到很大收益，需要把握住的這類風(fēng)險(xiǎn)變化就稱為熊市風(fēng)險(xiǎn)。如圖4(a)與(e)所示，Agent交易行為與熊市反彈之間的關(guān)系是：當(dāng)市場(chǎng)處于熊市一段時(shí)間之后，如果基于Agent的上漲力量與下跌力量的集中趨勢(shì)都慢慢變大，那么熊市開始反彈。理論上，在熊市的行情時(shí)持續(xù)屢創(chuàng)低價(jià)，在該階段愿意投資的Agent甚低。當(dāng)該低迷期持續(xù)一段時(shí)間之后，股價(jià)已跌至不合理的低價(jià)了，在此時(shí)買進(jìn)的Agent因成本極低再跌有限,大多不輕易賣出,而高價(jià)套牢未賣的Agent,因虧損已多,也不再追價(jià)求售,市場(chǎng)賣壓大為減輕。部分Agent開始較積極的買進(jìn)股票進(jìn)行短線操作,但也有不少自認(rèn)精明的Agent及嘗到未跌段做空小甜頭的Agent,仍予套現(xiàn)賣出。該期股票上漲的速度雖嫌緩慢,但卻是真正可買進(jìn)作長(zhǎng)期投資的時(shí)候,即為一般認(rèn)為熊市開始反彈了。如圖4(e)中的兩股力量的集中趨勢(shì)由小變大的階段分別為：第40～50個(gè)交易日；第240～250個(gè)交易日；第550～560個(gè)交易日；第640～650個(gè)交易日；第730～740個(gè)交易日。集中趨勢(shì)遞增的階段剛好對(duì)應(yīng)人工股票市場(chǎng)中股價(jià)熊市階段的重要轉(zhuǎn)折點(diǎn)（對(duì)應(yīng)圖4(a)）。由于實(shí)驗(yàn)一的市場(chǎng)設(shè)定相對(duì)于實(shí)際市場(chǎng)更“理想”，該結(jié)論的實(shí)用性需要實(shí)際市場(chǎng)交易數(shù)據(jù)的進(jìn)一步實(shí)證檢驗(yàn)。

3 實(shí)證分析

在人工股票市場(chǎng)模擬部分，分別模擬了四種實(shí)驗(yàn)中不同比例下Agent決策行為對(duì)市場(chǎng)趨勢(shì)的影響。為了驗(yàn)證四個(gè)不同實(shí)驗(yàn)條件哪個(gè)能更符合真實(shí)市場(chǎng)具體情況，本文運(yùn)用上證綜指1999年3月17日到2015年12月31日的1分鐘交易數(shù)據(jù)進(jìn)行反向驗(yàn)證，其中1999年的市場(chǎng)交易數(shù)據(jù)是最開始的訓(xùn)練樣本，因此得到的收益從2000年開始，得到下頁(yè)表2的結(jié)果。

如表2的結(jié)果所示，在這16年中，上證綜指的收益為2.59，而四種不同的實(shí)驗(yàn)設(shè)置下的收益分別是：15.24、3.21、5.89、4.09，三種實(shí)驗(yàn)環(huán)的設(shè)置在上證綜指的運(yùn)用上都能得到比大盤本身更好的收益。對(duì)于市場(chǎng)中只存在一大類投資者的情況，在不同的時(shí)間表現(xiàn)結(jié)果并不一致，沒(méi)有一類實(shí)驗(yàn)?zāi)茉诿磕甓急憩F(xiàn)得最好。該結(jié)果說(shuō)明現(xiàn)實(shí)市場(chǎng)中不止一類Agent存在，且每類Agent的比例一直在變化，因?yàn)橹挥蠥gent比例占絕對(duì)優(yōu)勢(shì)時(shí)，預(yù)測(cè)結(jié)果才能完全正確。實(shí)驗(yàn)一的三大類Agent比例為3：3：4，類似均分，正是因?yàn)樵趯?shí)驗(yàn)中固定了三大類比例，才得到了表3的結(jié)果。在16年內(nèi)實(shí)驗(yàn)一的收益是15.24，遠(yuǎn)遠(yuǎn)大于2.59，這說(shuō)明實(shí)驗(yàn)一相較于其他3個(gè)實(shí)驗(yàn)而言，能夠很好地預(yù)測(cè)出市場(chǎng)趨勢(shì)的變化，實(shí)驗(yàn)一的條件設(shè)置更接近真實(shí)市場(chǎng)情況。

表2 上證綜指實(shí)證結(jié)果比較

為了更加直觀地觀察實(shí)驗(yàn)一在實(shí)際市場(chǎng)中的表現(xiàn)情況，通過(guò)圖展示結(jié)果更加直觀。圖視的結(jié)果在交易時(shí)間越短越清晰。本文以上證綜指為例，大盤行情是整個(gè)市場(chǎng)狀態(tài)的反應(yīng)，在細(xì)節(jié)上的變化沒(méi)有單個(gè)證券多，但很具有代表性。樣本數(shù)據(jù)是歷史一分鐘交易數(shù)據(jù)，該數(shù)據(jù)時(shí)間范圍為：2013年1月1日到2016年12月30日，共971個(gè)交易日，233040個(gè)樣本交易數(shù)據(jù)。之所以選擇該段時(shí)間作為樣本期間，因?yàn)橹袊?guó)股市在2015年牛市到來(lái)之前經(jīng)歷了長(zhǎng)達(dá)7年的熊市，在熊市期間內(nèi)市場(chǎng)總是不溫不火，沒(méi)有多大變化，將所有時(shí)間內(nèi)的樣本包含在內(nèi)研究的意義并不大。本文選擇的樣本交易時(shí)間剛好包含了一個(gè)完整的牛熊轉(zhuǎn)換，且在該樣本期內(nèi)還包含很多小波段的變化，很具有代表性。樣本成交數(shù)據(jù)主要包括：開盤價(jià)、收盤價(jià)、最高價(jià)、最低價(jià)以及交易量。采用通信達(dá)的前復(fù)權(quán)數(shù)據(jù)。

圖5(a)是2014年1月2日到2016年12月30日上證綜指日收盤價(jià)，2013年整年的數(shù)據(jù)作為深度學(xué)習(xí)初始訓(xùn)練樣本，因此能得到2014—2016年上證綜指相關(guān)的上漲力量與下跌力量以及它們的均值、方差，如圖5(b)至(d)。下面將一一驗(yàn)證人工股票市場(chǎng)得到的基本結(jié)論。

（1）牛市風(fēng)險(xiǎn)識(shí)別

上證綜指在樣本區(qū)間內(nèi)的變化異?；钴S，主要上漲及調(diào)整波段有：2014年1月直接上漲至2015年1月，經(jīng)過(guò)一小段時(shí)間的調(diào)整后，在2015年4月有所動(dòng)搖，隨后一路上揚(yáng)至2015年6月的最高點(diǎn)。而在所有前述上漲波段或者調(diào)整波段的后期，市場(chǎng)上漲力量與下跌力量的表現(xiàn)都與人工股票市場(chǎng)中的結(jié)論一致。如圖5(c)與(d)中，在2015年1月時(shí)，上漲力量與下跌力量的集中趨勢(shì)越來(lái)越大，對(duì)應(yīng)的兩股力量的離散程度非常明顯地凸顯出來(lái)。在2015年4月兩股力量的集中趨勢(shì)與離散程度都比1月時(shí)候更加明顯，此時(shí)的離散程度，雙方都突破1000，上漲力量集中趨勢(shì)變小，下跌力量的集中趨勢(shì)反方向變小形成匯合狀態(tài)。2015年6月的兩股力量離散程度突破5000，是樣本期間內(nèi)最高點(diǎn)，對(duì)應(yīng)的上漲力量突然下降，下跌力量絕對(duì)值也變小。如圖5所示，2015年8月與年底時(shí)，兩股力量的變化依然是：上漲力量與下跌力量的離散程度變大，且各自的集中趨勢(shì)越來(lái)越小。

圖5 上證綜指實(shí)證結(jié)果

（2）熊市反彈識(shí)別

除了上漲波段剩下的就是下跌波段，如圖5(b)所示，在2015年3月底、6月以及8月的時(shí)候，上證綜指的上漲力量與下跌力量的絕對(duì)值都明顯處于上漲階段，且兩股力量的集中趨勢(shì)也越來(lái)越明顯，二者之間的變化趨勢(shì)非常一致。這與人工股票市場(chǎng)得到的結(jié)論一致。

（3）市場(chǎng)一般風(fēng)險(xiǎn)的識(shí)別

在正常的股票市場(chǎng)中，如果上漲力量大于下跌力量，那么股價(jià)應(yīng)該上漲。而且上漲力量集中趨勢(shì)與下降力量集中趨勢(shì)也應(yīng)該相反。該結(jié)論也同樣適用于中國(guó)股票市場(chǎng)，在上證綜指的檢驗(yàn)中可以看出。結(jié)合圖5中(a)、(b)，相對(duì)于整個(gè)區(qū)間的上漲力量與下跌力量的大小變化情況而言，2014年1月與2014年7月之間，上漲力量與下跌力量相互糾纏，很少存在上漲力量持續(xù)大于下跌力量的情況，也很少出現(xiàn)下跌力量持續(xù)大于上漲力量的情況。同時(shí)在該段時(shí)間內(nèi)，上漲力量與下跌力量的集中趨勢(shì)、離散程度都小，整個(gè)上證綜指的變化很微妙，基本處于盤整狀態(tài)，市場(chǎng)很不活躍，上證綜指收盤價(jià)幾乎呈水平狀態(tài)。2014年7月到2015年6月這段時(shí)間內(nèi)，上證綜指的上漲力量總趨勢(shì)上慢慢變大，下跌力量也慢慢減弱，上漲力量與下跌力量之間的差異也越來(lái)越明顯，特別是該段時(shí)間內(nèi)兩股力量的離散程度變化異常大。市場(chǎng)在該段時(shí)間越來(lái)越活躍，在交易意愿上上漲，因此在上證綜指的收盤價(jià)上體現(xiàn)出上漲的趨勢(shì)。2015年7月到2015年8月的時(shí)間內(nèi)，初期下跌力量非常大，中期上漲力量很足，后期下跌力量與上漲力量不相上下，加之股價(jià)已上漲到很高水平，所以上證綜指的收盤價(jià)下降幅度很大。在2015年8月到2016年1月之間，上漲力量大于下跌力量，但是上漲力量的相對(duì)大小并不明顯，所以該段時(shí)間內(nèi)，上證綜指收盤價(jià)呈上漲趨勢(shì)，但上漲非常緩慢。隨后又下降，最后回到了震蕩時(shí)期。綜上分析，在長(zhǎng)期趨勢(shì)交易中，上證綜指的上漲力量與下跌力量的變化關(guān)系與上證綜指價(jià)格變化在大體上非常吻合。這符合模擬人工股票市場(chǎng)模型得到的結(jié)論。

4 結(jié)論

本文在深度學(xué)習(xí)算法基礎(chǔ)上融合行為金融學(xué)理論模擬了采用集合競(jìng)價(jià)與連續(xù)競(jìng)價(jià)相結(jié)合的人工股票市場(chǎng)。一方面，不同投資者在面臨各種信息沖擊時(shí)會(huì)有各自特有的反應(yīng)，不同投資者根據(jù)其自身反應(yīng)做出不同的投資決策。而以上模擬結(jié)果是在沒(méi)有任何假設(shè)條件下得到的，因此具有一般性。另一方面，將模擬結(jié)果用上證綜指進(jìn)行實(shí)證檢驗(yàn)結(jié)果表明本文模型非常接近真實(shí)市場(chǎng)。

根據(jù)人工股票市場(chǎng)以及上證綜指實(shí)際數(shù)據(jù)，可得市場(chǎng)主要表現(xiàn)與市場(chǎng)Agent交易行為密切相關(guān)，主要有：

（1）Agent交易行為與牛市風(fēng)險(xiǎn)的關(guān)系：在上漲和橫盤的過(guò)程中，如果市場(chǎng)中Agent的上漲力量與下跌力量的離散程度變大，且各自的集中趨勢(shì)越來(lái)越小，那么發(fā)生較大損失的概率非常高。

（2）Agent交易行為與熊市反彈之間的關(guān)系：當(dāng)市場(chǎng)處于熊市一段時(shí)間之后，如果基于Agent的上漲力量與下跌力量的集中趨勢(shì)都慢慢變大，那么熊市開始反彈。

（3）Agent交易行為與股市一般風(fēng)險(xiǎn)的關(guān)系：在正常的股票市場(chǎng)中，如果上漲力量大于下跌力量，那么股價(jià)應(yīng)該上漲，而且上漲力量集中趨勢(shì)與下跌力量集中趨勢(shì)的變化結(jié)果也類似。

[1]Becker G S.Irrational Behavior and Economic Theory[J].Journal of Political Economy,1962,(70).

[2]Davis D D,Holt C A.Experimental Economics:Methods,Problems,and Promise[J].Estudios Económicos,1993,(8).

[3]Gode D K,Sunder S.Allocative Efficiency of Markets With Zero-Intelligence Traders:Market as a Partial Substitute for Individual Rationality[J].Journal of Political Economy,1993,(101)

[4]Chen S H,Liao C C.Agent-based Computational Modeling of the Stock Price-volume Relation[J].Information Sciences,2005,170(1).

[5]Anufriev M,Arifovic J,Ledyard J,et al.Efficiency of Continuous Double Auctions Under Individual Evolutionary Learning With Full or Limited Information[J].Journal of Evolutionary Economics,2013,23(3).

[6]Hommes C H.Chapter 23 Heterogeneous Agent Models in Economics and Finance[J].Handbook of Computational Economics,2006,(2).

[7]Bottazzi G,Dosi G,Rebesco I.Institutional Architectures and Behavioral Ecologies in the Dynamics of Financial Markets[J].Journal of Mathematical Economics,2005,(41).

[8]Chen S H,Yeh C H.Evolving Traders and the Business School With Genetic Programming:A New Architecture of the Agent-based Artificial Stock Market[J].Journal of Economic Dynamics&Control,2001,(25).

[9]Kluger B D,Mcbride M E.Intraday Trading Patterns in an Intelligent Autonomous Agent-based Stock Market[J].Journal of Economic Behavior&Organization,2011,79(3).

[10]Lebaron B.Agent-based Computational Finance:Suggested Readings and Early Research[J].Journal of Economic Dynamics&Control,2000,(24).

[11]Girvan M,Newman M E J.Community Structure in Social and Biological Networks.[J].Proceedings of the National Academy of Sciences of the United States of America,2001,99(12).