Experimentální finanční trh

Bc. et Bc. Marek Bryša

Diplomová práce

Experimental Financial Market

Anotace:

Cílem této práce bylo odhalit příčiny vzniku cenových bublin na finančních trzích a zjistit, zda proces konkurence obchodních strategií může v delším období vést k jejich eliminaci. Metodou byla agentová simulace a strojové učení pomocí Learning Classifier System (LCS). Agentový simulátor byl kalibrován na základě statistické analýzy dostupných dat z experimentálního finančního trhu. Bylo zjištěno, že klíčovou roli v tvorbě cenových bublin hraje strategie sledující trend ceny a strategie spekulující na vznik bubliny, přičemž musí být přítomny obě. Naopak se zvyšujícím se zastoupením strategie, která se striktně drží fundamentální hodnoty a arbitrážně vydělává na kladné odchylce tržní ceny od ní, se bublina razantně zmenšuje. Strojové učení pomocí LCS se ukázalo jako velmi účinné v tvorbě úspěšných strategií. Prokázaly se také schopnosti koordinace agentů LCS a odhalení fundamentální hodnoty jen skrze nepřímou zpětnou vazbu pomocí zisku agenta. Sestavením turnaje strategií, kde neúspěšní agenti přebírali strategie úspěšných, se ukázalo, že studovaný trh má jedinou Nashovu rovnováhu tvořenou strategií, jež striktně sleduje fundamentální hodnotu aktiva a tato strategie je zároveň atraktorem, ke kterému trh rychle a robustně směřuje. V této rovnováze je trh plně efektivní a cenové bubliny jsou eliminovány.

Abstract:

The goal of this thesis was to show the cause of formation of price bubbles in financial markets and to find out if the process of competition of trading strategies can lead to their elimination in the long term. The method of agent-based simulation and machine learning employing a Learning Classifier System (LCS) was used. The agent-based simulator was calibrated on the basis of statistical analysis of available data from a financial market experiement. A key role in formation of the price bubble is played by a trend-following strategy and a strategy speculating on creation of the price bubble and both need to be present. On the other hand a strict fundamentals-driven strategy that profits on the positive difference between the current market price and fundamental value causes the bubble to diminish rapidly. LCS-based machine learning was shown to be very effective in making successful strategies. It was established that the LCS agents are able to cooperate and also find out the fundamental value only through indirect feedback using the profit of the agent. With the use of a tournament of strategies where unsuccessful agents switched to strategies of the successful it was shown that the studied market has a single Nash equilibrium represented by the fundamentals-driven strategy a this strategy also is an attractor towards which the market rapidly and robustly converges. In this equilibrium, the market is fully efficient and price bubbles are eliminated.

Klíčová slova

experimentální ekonomie, dvojitá aukce, agentová simulace, strojové učení, genetický algoritmus, cenová bublina, experimental economics, double auction, agent-based simulation, machine learning, genetic algorithm, price bubble

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 9. 5. 2013

Obhajoba závěrečné práce

• Obhajoba proběhla 17. 6. 2013
• Vedoucí: Ing. Michal Kvasnička, Ph.D.
• Oponent: Ing. Rostislav Staněk, Ph.D.

Masarykova univerzita

Přírodovědecká fakulta

Magisterský studijní program / obor:
Matematika / Finanční matematika