本科毕业设计（论文）
外文翻译
信息驱动力及其在基于代理的模型中的应用
作者：Ting-Ting Chen，Bo Zheng，Yan Li，Xiong-Fei Jiang
国籍：中国
出处：www.elsevier.com/locate/physa
摘 要：近年来，大数据的科学探索引起了不同领域研究者的广泛关注。复杂金融系统是一种受外部信息深度影响的典型的开放系统。基于大规模的公共媒体和股票市场的数据，我们首先定义了一种信息驱动力，并分析了它如何影响复杂的金融体系。在牛市和熊市中，信息驱动力是不对称的。作为应用，我们提出了一个基于代理的模型。值得一提的是，在这个模型中，所有关键参数都是通过实证分析确定，而不是通过模拟结果的统计所拟合。利用该模型，我们能进行模拟系统的稳态特性和非稳态动态特性。考虑到外部信息的平均场效应，我们还提出了一个模拟金融市场的实验室少体模型。
- 介绍
复杂开放系统是多体系统，其与外部环境的相互作用是不可忽视的。众所周知，在处理开放系统时，外力起着至关重要的作用。作为复杂开放系统的一个重要例子，金融市场在很大程度上会受到外部信息的影响。尽管如此，在基于代理的模型中，我们对外部信息和它们的控制效果的认识还很有限。此外，代理之间的交互会被外部信息的影响。另一方面，仅从金融系统内部的相互作用来分析金融系统的统计特征，在实验室中是很具有难度的，因为实验对象较少。因此,外部信息在本实验中非常重要。
近年来，探索大数据的科学影响引起了不同领域研究者的广泛关注。人类与互联网互动产生的海量新数据源，让我们更好地理解外部信息对复杂金融体系的影响。例如，交易者的交易行为可以通过谷歌搜索量和Wikipedia主题视图时间来量化。网络搜索量和新闻量也与交易量呈正相关。利用谷歌查询的数据还可以研究交易者的时间洞察力。虽然基于代理的模型已经成为研究金融系统的关键工具之一，但在以往的基于代理的模型中，外部信息往往要么被忽略，要么被简单地视为外界干扰。
为了全面了解金融市场，研究金融市场的非平稳动态特性也很重要。在现象学上，大波动前后的动态弛豫过程都具有幂律性质，并且对应的日尺度是不对称的。已有的研究表明，外力可以使金融系统进入非平稳状态，并引起时间反转不对称性。我们的模型使我们不仅再现了金融系统的平稳统计特性，而且研究了金融系统的非平稳动态行为。在第二部分中，我们基于网络查询数据分析了信息驱动力。在第三部分中，我们构建了一个基于代理的信息驱动模型。第四部分，考虑到外部信息的平均场效应，我们提出了一个在实验室中模拟金融市场的少体模型。
- 经验主义信息的推动力
2.1. 数据
从Google Trends中，我们检索了2008年9月7日至2014年7月19日期间标准普尔500指数成分股的每周谷歌搜索量。搜索关键字为“股票代码 股票”。股票代码用来确保搜索的术语与股票市场相关。我们把Google Trends提供的搜索量与谷歌上在相同时间间隔内的搜索总数作比较。这里的零搜索量实际上不是零，而是低于某一个阈值。
此外，我们还收集了历史的市场数据，如同一时期标普500指数成分股的日、周收盘价和周交易量（均来自Yahoo! Finance）。排除那些经常报告搜索量为零或在这些时间段内没有可用市场数据的股票。最后我们得到了108只股票。在t时刻，第i支股票的谷歌搜索量、交易量和收盘价分别用Gi(t)、 Vi(t)和Yi(t)表示。定义对数价格收益为：
Ri(t) = ln[Yi(t)/Yi(t minus; ∆t)], (1)
其中∆t为时间间隔。对日收盘价∆t = 1天，对周收盘价∆t = 1周。为方便起见，本文将波动性定义为收益的绝对值。第二部分的计算是基于谷歌指数成份股的周搜索量、交易量和收盘价。在第三部分中，我们比较了日收盘价。
(a) (b)
Fig. 1. (a)谷歌搜索量和标准普尔500指数成份股交易量的概率分布。虚线对应a幂律，且吻合斜率= 3.5。(b)谷歌搜索量、交易量和信息状态的平均自相关函数标普500指数成份股中，交易量曲线略有下降，虚线给出了斜率= 0.30的幂律。如图虚线所示，我们也用了指数律拟合曲线，即, A(t) = c exp(minus;t/tau; ) with tau; = 26.。
2.2. 定义与结果
复杂金融系统是一个多主体相互作用的开放系统，其与外部环境的相互作用不容忽视。我们定义了一种基于网络查询数据和股票市场数据的信息驱动力，并分析了它是如何驱动金融系统的。网络数据查询不仅可以反映消息的传递情况，还可以作为投资者交易决策前信息收集过程的代理工具。本节中的计算是基于每周的谷歌搜索量和标准普尔500指数成份股的历史市场数据。
外部信息的状态，比如谷歌搜索量Gi(t)会比较复杂。这里，信息状态分为两种状态，它们是：
1 Gi(t) gt; Gmacr; i
Si(t)=
0 Gi(t) le; Gmacr; i (2)
i
i
其中 Gmacr; i是第i支股票中Gi(t)的平均值。当投资者在 Si(t) = 1时受外部信息的影响较大，而在Si(t) = 0时受外部信息的影响较小。
为了比较不同的时间序列，我们对时间序列Q (t′)进行归一化：
q(t′)=[Q(t′)minus;Q(t′)]/sigma;, (3)
其中lt;hellip;gt;表示超过时间t′的部分，sigma; =radic;Q (t′)2 Q (t′) 2 是Q (t′)的标准差。归一化变量Gi(t′), Vi(t′),和Ri(t′) 用 gi(t′), vi(t′) 和 ri(t′) 来分别表示。在图表1（a）中，我们发现谷歌搜索量和交易量的概率分布与幂律尾部基本对称。gi(t′) 与vi(t′)相似的现象让我们对外部信息与投资者交易行为这两者的关系产生了新的认识。为了研究时间动态，我们将变量q(t′)的自相关函数定义为：
A(t)=[q(t′)·q(t′ t)]/A0, (4)
其中A0=q(t′)2 。对每支股票来说，其自相关函数估值为 gi(t′), si(t′) 和 vi(t′)。然后我们将自相关函数对应到i上。在图1（b）中，gi(t′)，vi(t′)与si(t′) 的平均自相关函数在一定时期内表现出类似幂律的行为。另一方面，这三条曲线在tau;=26周左右开始偏离幂律。如果将曲线拟合成指数定律，可以发现谷歌搜索量的关联时间仅为tau;=26周左右，这表明了外部信息状态的大致持续时间。
为了研究外部信息对投资者交易行为的影响，我们计算了不同信息状态下交易量的平均移动时间。在这里我们采用关联时间tau;的谷歌搜索量作为移动时间窗的长度。因为tau;表示的是近似持续时间信息,所以移动时间窗的平均值t′isin;(t, t tau;)捕捉了股票市场的特征动态行为。事实上,最终的结果是tau;的鲁棒性范围为20到35周。成交量的移动平均时间用 V 1(t) 和 V 0(t) 表示为Si(t′) = 1 和 Si(t′) = 0，这样我们可以简单地计算得到：
V 1(t) = Vi(t′)tau; |S (t)=1,
i
i
V 0(t) = Vi(t′)tau; |S (t)=0, (5)
i
i
其中lt;hellip;gt;tau;表示平均时间窗口t′isin;(t, t tau;)。然后我们对第i个股票的信息驱动力进行了实证：
Ftilde;i(t) = V 1(t)/V 0(t) minus; 1. (6)
i
i
如果 Ftilde;i(t) gt; 0,也就是V 1(t) gt; V 0(t)，那么在 Si(t) = 1的状态下，投资者交易更频繁，外部信息推动市场更加活跃。正面信息驱动力反映了投资者在交易决策前的信息收集过程。如果 Ftilde;i(t) lt; 0,也就是 V 1(t) lt; V 0(<em
剩余内容已隐藏，支付完成后下载完整资料</em
英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[273054]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
