Задача
Соединение экономического анализа и моделирования систем — нечастое явление. Поэтому между экономическим анализом и имитационным моделированием все еще нет крепкой связи.
Экономическая наука основана на множестве теорий, но в этом проекте использовались лишь три из них.
Согласно первой, в основе ожиданий лежат ранее полученные данные. Эти ожидания представляют собой прогнозы относительно потребительского спроса, которые определяют подъемы и спады в финансовом цикле.
Согласно второй теории, принятие решений определяется поведением, отвечающим принципу разумной достаточности, то есть выбором не оптимального, а первого удовлетворительного результата.
Кроме того, в исследовании использовалась теория перспектив, которая помогает понять, как формулируются проблемы и просчитываются варианты для принятия более правильных решений.
Решение
Исследователь решил разработать агентную модель экономических и финансовых циклов, используя три теории, приведенные выше.
Инженер построил поведенческую агентную модель, которая помогает лучше понять роль принятия решений в условиях неопределенности, наблюдаемых в сложной финансовой системе. После запуска модели он получил различные результаты финансовой системы, меняя условия и настройки, связанные с экономикой.
Для этого исследования разработчик модели выбрал AnyLogic. С его помощью можно визуализировать выходные данные системы и варианты поведения, подключаться к источникам данных, создавать и управлять ими, использовать сложных агентов со способностью принимать решения и многое другое.
Чтобы создать модель, потребовалось связать между собой проект и теорию. Модель не охватывала некоторые аспекты, поэтому в проект были добавлены ограничения (характеристики среды). Вот некоторые из них:
- Внутренняя и внешняя активность системы, данные и случайности — поведенческие агенты сами определяли свою судьбу, данные из «реального мира» не использовались.
- Время и исторические данные.
- Финансовые взаимосвязи.
- Финансовые утечки в модели (она не являлась системой замкнутого цикла, поэтому все ее аспекты можно было тестировать).
- Популяция и жизненный цикл агентов — фиксированный размер популяции с бесконечной продолжительностью жизни.
- Взаимодействие, связность и пространственность агентов — использовался тип сети «малый мир».
- Взаимосвязи, доверие и репутация агентов.
- Всем поведенческим агентам присваивались состояние (State) и интенсивность (Strength).
Каждый агент в модели имел специальные атрибуты и находился на определенном уровне (см. диаграмму ниже).
- Агенты уровня 1 — это поведенческие агенты в модели и первичные драйверы системы.
- Агенты уровня 2 — это неповеденческие агенты, которые использовались как средство накопления.
- Агенты уровня 3 — это транзакционные агенты, их можно создавать и удалять.
В центре модели находился Экономический агент (Economic Agent, EA). Он основан на процессе принятия решений и имеет соответствующий механизм. Этот агент получал входные данные и мог определять выходные. В зависимости от результатов он получал положительное, отрицательное или нейтральное состояние, которое далее могло усиливаться, например становиться положительным с очень высокой интенсивностью.
Определение состояния приводило к намерению действовать. Это намерение могло, в свою очередь, определять, например, дальнейшие прогнозы в отношении цен. Агент EA также мог использовать ранее полученные данные (историю) для принятия решений в будущем с помощью своей способности к оценке.
Рынок активов (Asset Market, AM) получал заказ на покупку или продажу от EA и выполнял роль клиринговой организации, которая обеспечивает функционирование системы.
Агент активов (Asset Agent, AA) выступал в роли портфеля и непрерывно обновлялся на протяжении цикла, принимая одно из трех ключевых состояний: положительное, отрицательное или нейтральное.
Финансовый агент (FA) (Financial Agent, FA) оценивал экономическую и финансовую политику. Используя атрибуты EA, он определял активы в портфеле и финансовое состояние. Кроме того, он учитывал общие финансовые показатели системы.
Агент займа (Loan Agent, LA) завершил механику транзакций с учетом таких важных факторов, как процентные ставки, неисполненные кредитные обязательства и т. д.
Рынок активов и CA предназначались для формирования эмоций. Таким образом, они отправляли сигналы независимо от фактической ситуации, чтобы начать формировать состояние популяции агентов и определять ее поведение.
Модель, которую запускал исследователь, содержала 26 индивидуальных условий с 78 параметрами, что позволяло охватить большое количество вариантов поведения. В результате исследователь смог проанализировать большое количество комбинаций.
В этом исследовании было охвачено пять тем:
- Участие популяции.
- Идеальное предоставление информации.
- Строгая политика.
- Слабая политика.
- Базовый пример для сравнения.
Результаты
Результаты запуска модели позволили сделать несколько выводов относительно стратегий принятия решений и вариантов поведения, наблюдающихся в сложной финансовой системе. Вот некоторые из них:
- «Рациональные ожидания» не являются действенным экономическим методом.
- Существует влияние политики: чем она строже, тем стабильнее рынок.
- Ликвидность определяет рынок: чем она больше, тем выше волатильность рынка.
- Сбои системы можно предотвращать с помощью полученных ранее денежных средств.
- Человеческое поведение и физиологические реакции определяют рынок в большей степени, чем фундаментальные факторы.
Этот пример использования был представлен на конференции AnyLogic 2021 Conference доктором Деннисом Фехером (Dennis Feher) из Университета Сиднея.
Вы также можете посмотреть презентацию в формате PDF.
