前言：我們精心挑選了數篇優質金融市場基本面分析文章，供您閱讀參考。期待這些文章能為您帶來啟發，助您在寫作的道路上更上一層樓。

第1篇

【關鍵詞】日元；避險資金；貨幣

1 何為避險資產？

1.1避險資產的定義與屬性

避險資產通常指在出現政治、經濟、金融市場波動或者戰亂、恐怖襲擊等重大外部沖擊帶動市場風險偏好大幅下降時表現堅挺，或被資本追逐的資產。過去一段時間，美元、歐元、日元、瑞士法郎等主要國際貨幣，以黃金為代表的貴金屬，以及發達國家長期債券等都具有一定的避險屬性。其中，日元、瑞士法郎、美元和黃金是最著名的四類避險資產。

避險貨幣的形成既有歷史的原因，也受到諸多經濟社會因素的影響。首先是基本面因素。投資者對該貨幣長期以來的信心非常重要，這一方面體現為穩定的幣值和較低的通脹水平，另一方面體現為貨幣發行國經濟的規模、結構和韌性（robustness）和隔絕外部沖擊的能力，比如大多數新興市場經濟體以及匯率與商品價格高度相關的資源型國家貨幣就難以成為避險貨幣。

其次是金融市場發達程度。避險貨幣發行國需要擁有兼具深度、廣度和流動性的金融市場，以承載國際資金的流入，比如金融市場體量較小國家或金融市場分割的經濟體（如歐元區）貨幣難以具備避險功能。再次是市場開放程度。避險貨幣需要自由可兌換，且金融市場足夠開放，比如，在資本賬戶沒有開放的情況下人民幣在短期內難以成為避險貨幣。最后是個性化因素。

已有的避險貨幣還具有一些個性化的特征，比如美元是具有統治地位的國際貨幣，占全球外匯市場交流量超過40%，流動性非常高；日本長期實行低利率，且擁有較多的海外資產頭寸（詳見下節）；瑞士是永久中立國，有嚴格的銀行保密制度，被認為是世界上最安全的地方。

1.2避險資產的相關性與輪動

避險情緒的切換往往導致資產間的相關性增強。匯豐的研究表明，金融市場情緒在逐險/避險（risk on/risk off）間跳動使得資產間的關聯性增加，且形成了鮮明的兩大陣營，一類是風險資產，包括股票，高收益債券，新興市場貨幣、大宗商品等，另一類是避險資產，包括避險貨幣、投資級債券、貴金屬等。今年以來，資產間相關性持續上升，類似于2010年歐洲債務危機時期的情形，這意味著市場共識和投資者情緒在悲喜間躍遷，風險/避險兩類資產間價格呈現明顯負相關，而各類資產內卻高度正相關。

值得一提的是，全球金融危機以來主要央行的量化寬松（QE）政策可能為避險需求的泛濫提供了彈藥，盡管其本身意在消除了不同資產表現的分化，但在經濟復蘇苦樂不均的情況下，充足的流動性伴隨市場情緒的波動追逐有限的安全資產，客觀上強化了避險貨幣的屬性。不同避險貨幣的吸引力還呈現出輪動和替代的特征，主要取決于貨幣發行國的政治經濟情況和相關政策措施。

2 日元何以成為避險貨幣？

從歷史上看，盡管日元不是最主要的國際貨幣，但橫向比較可以發現，自上世紀90年代以來的歷次風險事件發生后，日元的避險屬性大多強于美元、歐元，甚至瑞士法郎。這意味著危機發生時，日元被認為是相對穩定的避險資產。我們認為，以下三個方面的因素（經濟基本面因素、金融市場面因素與交易投機面因素）支撐日元成為全球最受追捧的避險貨幣。

2.1經濟基本面因素

日元的“全球最佳”避險貨幣地位必然有本國經濟基本面作為支撐。按照我們對匯率變動原因的分析框架（參見宏觀全球經濟季度報告―2016年春季專題報告《上升期雖有波折，言逆轉為期尚早――透視美元周期：特征事實、驅動力量及非對稱影響》）：從長期來看，匯率體現了一國相對經濟地位的變動；從中期來看，匯率與相對通脹水平密切相關；從短期來看，匯率受利差變動的影響。據此，我們也可以歸納出支持日元作為避險貨幣的三個經濟原因：

（1）經濟規模大，國際收支改善

二戰后，日本在大多數時間內都是全球第二大經濟體，盡管其經濟增速在近二十年來一直較低，但其絕對經濟實力是日元在危機中贏得信心的來源。從國際收支平衡來看，長期以來，日本也都維持著巨額的經常項目和金融項目順差。盡管本世紀以來，日本的貿易順差有所收縮，甚至轉為逆差，但受核電重啟、能源價格回落等影響，2015年日本貿易由赤字轉向持續盈余，而金融賬戶順差更是創下2010年以來的新高（圖2）。國際收支狀況的改善所引起的資金凈流入加大無疑對日元幣值形成了支撐。

3 強勢日元風光難再

3.1日元長期走勢趨于平穩

長期來看，匯率相對走勢從根本上仍然取決于經濟基本面。安倍上臺之后，日本央行的寬松政策不斷加碼，年度購債規模達到80萬億日元，帶動日元貶值35%，但一年內的急劇升值已將安倍的努力抵消了一半。目前，日本依然面臨經濟衰退和通貨緊縮的困擾，而前期刺激帶來結構性的財政問題也損害了日元的長期信用基礎。比如，盡管金融市場傾向于把日元理解為避險貨幣，但就連日本央行行長黑田東彥也認為，由于日本政府債務位居全球首位，日本國債其實并非無風險資產。

因此，在其他避險選擇也存在特定缺陷（比如黃金的流動性不夠好等）時，日元可能還會臨時扮演短期避險工具的角色，但從中長期來看，日元沒有持續走強的理由。當然，在政策空間受限的情況下，安倍想要進一步推動日元貶值也非易事，除非日本央行真正開始“直升機撒錢”。除了經濟基本面外，日元的短期波動還取決于全球市場避險需求、美聯儲何時加息等因素。

3.2日本央行面臨重大挑戰

日元作為避險貨幣的被動升值給日本央行帶來了挑戰：一方面，海外資本流動大進大出加大了宏觀經濟管理的壓力，并帶來相關的國內經濟調整成本；另一方面，不合意的匯率持續升值將進一步損害日本的資產負債表。考慮到日本長期處于低通脹、低利率的環境，升值將帶來更大的通縮壓力，進而拖累經濟增長。

但日本央行卻面臨國際國內雙重掣肘：從國際來看，單方面干預匯率可能引起其他國家的聲討，特別是來自美國的壓力；從國內來看，寬松貨幣對日元貶值的邊際推動作用已經衰減，甚至是今年1月以來，日本央行意外推出“負利率”也沒能止住日元的升值步伐。另外，從政策工具來看，日本央行已經通過大規模的量化和質化寬松為金融市場注入了天量流動性。

從中長期看，日本正在逐步成為一個“食利國家”。實業投資方面，國內產業面臨中、韓等國的競爭和日元升值的壓力，不得不移向海外。金融投資方面，明顯新興市場國家的吸引力也勝于日本國內。因此，未來的日本將越來越依賴于海外投資帶來的收益。而這些收益的回流又將成為中長期推升日元匯率的重要因素。

參考文獻：

[1]孫少巖，張奎.災后日元升值初探.東北亞論壇，2011（06）

[2]王蕾.避險需求主導市場走勢――7月國際金融市場走勢分析.國際金融，2011（08）

第2篇

關鍵詞：異質期望；學習；演化；人工金融市場；非線性動力學

The Artificial Financial Market Based on Evolution of Agent’s Behavioral Heterogeneity

and Nonlinear Characteristics Analysis

MA Chao-qun , YANG Mi，ZOU Lin

(College of Business and Administration, Hunan Univ, Changsha, Hunan 410082, China)

Abstract: This paper explores the formation of financial market’s nonlinear characteristics from the standpoint of the evolution of investor individual’s heterogeneous behavior through an agent-based artificial financial market. In our market, agent will consider fundamental information and price tendency simultaneously relied on personal behavioral characters, such as mood, memory length and so on, make the trade-off between them based on empirical knowledge, then form price expectation and trading behavior to current market state. The adaptive updating of the weight represents the evolution of agent’s behavior, which is realized by the evolution of forecast rules with Genetic Algorithm (GA) and Generation Function (GF). Simulation testing shows that when the market fraction is composed of confident fundamentalist, chartists and adaptively rational agents, artificial financial market appears the same nonlinear characteristics--leptokurtosis, fat tail, clustered volatility, long-term memory and chaos, as real markets do, under a market maker scenario. This provides a computational experiment platform to study these behavioral factors, which cause the market to emerge nonlinear characteristics.

Key words: heterogeneous expectation; learning; evolution; artificial financial market; nonlinear dynamics

1. 引言

20世紀90年代以來，隨著復雜性科學的興起，Hsieh（1991）、Peters（1994）、Lux和Marchesi（1999）等研究發現，股票收益率呈“尖峰胖尾”分布，股票價格序列具有分形維、長期記憶性以及混沌吸引子等非線性特征[1-3]。傳統的新古典金融理論在無法解釋其形成原因的同時，也難以解釋大量的“金融異象”（Anomalies），從而促使金融學研究范式發生了重大轉變，從完全理性、有效市場與靜態均衡到有限理性、自適應市場與非線性演化。

隨之發展起來的計算金融學，正是建立在金融市場復雜自適應理論基礎之上，采用“自下而上”的建模方法，利用計算機模擬技術構建基于Agent的人工金融市場，試圖通過仿真研究揭示金融現象的產生根源與金融市場的演化規律，達到控制系統風險的目的。人工市場中，有限理性的Agent不斷學習與進化，基于個人偏好形成自適應的異質預期與交易行為，在市場交易機制下相互作用，共同推進市場的協同演化。

人工金融市場的模型構建中，關鍵在于對Agent異質行為（預期）的形成與演化建模。目前，文獻中存在兩股研究熱流：一股是以Brock和Hommes（1998）[4]為代表的異質行為人模型（Heterogeneous Agent Model，HAM）。模型中，持有異質信念的Agent分別采用與信念一致的行為策略來形成預期，根據各種預期及相應的人數比例得到對風險資產的總需求，在Walrasian均衡機制下生成資產的價格。隨后，Agent會根據不同行為策略的市場表現來更新信念、轉換行為；這個學習過程通過自適應信念系統（Adaptive Belief System，ABS）來實現，其直接表現為市場上異質信念Agent的比例變化。

同大多數模型一樣，Chiarella 和He（2003）、Dieci et al.（2006）、Boswijk et al.（2007）、Anufriev和Panchenko（2009）等均在此理論分析框架內，構建僅由兩類異質Agent---基本面分析者與技術分析者組成的市場，來分別研究Agent具有常（絕對/相對）風險厭惡偏好、有固定成分（自信的基本面與技術分析者）與調整成分（自適應理易者）的市場組成以及不同的價格生成機制（Walrasian均衡、做市商、指令驅動）下的人工市場中價格的動態行為[5-8]。這類理論導向型（Theoretical-oriented）模型采用解析的方法描述異質Agent的行為與信念更新，通過建立非線性動力學系統來模擬市場運行，在一定的參數條件下，能產生厚尾、投機泡沫和波動叢集性等“典型特征”與顯著的混沌特征。

另一股是以Arthur et al.（1997）[9]為代表的Santa Fe人工股票市場（Artificial Stock Market， ASM）。市場中，短視的Agent根據各自經驗規則集中在當前市場狀態下的最佳預測規則形成對下期股價與股利的線性預期，產生異質的需求與行為策略；當總需求等于總供給時，市場達到均衡，股票價格生成。隨后，Agent將更新被激活規則的預測精度，按照各自的學習速度利用遺傳算法（Genetic Algorithm，GA）來進化個人預測規則；這個預期形成與學習過程通過包含三個基本要素的Holland遺傳分類系統來實現，具體為：把市場狀態信息映射到形成預期的預測參數的條件/預測規則集、判斷預測規則好壞的適應函數以及基于適應值進行選擇、交叉、變異來淘汰壞規則，保留并生成新規則的遺傳算法。

這個計算平臺建立了一個完全可控的實驗環境，重現了現實金融市場的許多特征，比如：尖峰厚尾、波動持續性、交易量自相關以及崩盤等，一經推出就受到眾多學者的關注，各種改進的人工股票市場不斷涌現：Tay和Linn（2001）考慮Agent學習能力的有限性，采用模糊邏輯系統替代遺傳分類系統來刻畫Agent的學習進化機制；LeBaron（2001）考慮具有常相對風險厭惡偏好的Agent通過神經網絡算法形成預期與行為策略的人工市場典型特征； Chen和Yeh（2001）加入了一個“管理學校”機制，市場上Agent在利用遺傳規劃算法進化預測函數的同時，能通過學校交流經驗、學習策略，最終市場價格在超額需求的驅動下進行調整；LeBaron和Yamamoto（2007）在Chiarella和Iori（2002）建立的指令驅動型連續雙向拍賣市場的基礎上，考慮Agent之間的相互學習與模仿，采用遺傳算法進化與傳播行為策略，模擬出市場存在的長期記憶性等[11-14]。這類計算導向型（Computational-oriented）模型側重于計算機實現，利用各種智能算法來描述Agent的預期形成和市場交易機制作用下的學習與進化，通過可控實驗探尋金融市場的演化規律。

然而，站在Agent個人行為演化的角度不難發現，所有文獻關注的僅是兩個極端的情形：一方面，HAM 忽視了Agent面對復雜市場環境其決策行為的多樣性。盡管模型捕捉到了市場中Agent的兩種基本行為策略，并且能通過ABS在兩者之間做出選擇，但忽略了Agent的本質行為---基于交易經驗在基本面分析與技術分析之間的自適應性動態權衡；另一方面，ASM忽視了Agent的個人行為特征與基本行為策略，為其策略的形成提供了太大的自由度。市場中Agent利用由價格與股利構成的預測方程形成預期，其所有參數范圍內形成的策略都是可行的。盡管能通過GA進化行為策略，但這些策略均忽略了Agent的實際行為---基于個人情緒，記憶長度等行為特征的基本面與技術分析及權衡，而僅剩下了表面的數字含義。

融合以上兩種建模方法，本文構建一個新框架來刻畫交易者的行為本質。這個行為框架不僅包含了交易者的兩種基于個人行為特征的基本行為策略，如HAM中所描述，而且考慮其基于經驗認知在兩者之間的權衡，通過加入生成函數的遺傳分類系統來學習與進化權衡行為，同ASM中所設定。在此基礎上，建立基于Agent的人工金融市場，試圖從交易者個人異質行為演化的角度研究金融市場非線性特征的形成。

人工市場中，Agent基于個人情緒與調整速度進行基本面分析，同時基于記憶長度與外推速度進行趨勢分析；針對當前市場狀態，在個人經驗規則集內選取最佳預測規則，利用預測參數---權重，形成價格預期與交易行為；其權衡行為的學習與進化不僅基于市場行情而且基于個人的交易經歷，兩種情形分別通過遺傳算法與生成函數更新規則來實現。Yang et al.（2010）[15]研究了該人工市場中資產價格的形成與演化，通過實驗方法證明：在做市商的價格生成機制下，只有當市場由自信的基本面分析者、技術分析者和自適應性理易者組成時才能生成與真實市場相同的“典型特征”，這與Taylor和Allen（1992）[16]得出的實證結論一致。模擬實驗表明，基于這一市場組成的人工金融市場呈現出與真實市場相似的非線性特征---尖峰、厚尾，波動聚集性，長期記憶性與混沌特征。這為探究導致市場產生非線性特征的行為因素提供了一個計算實驗平臺。

本文的結構安排如下：第二部分人工金融市場建模，構建Agent的價格預期模型與異質行為演化機制，以及價格生成模型；第三部分模擬實驗與特征分析，在實驗設計的基礎上模擬市場運行，檢驗仿真價格時間序列的尖峰、厚尾，波動聚集性，長期記憶性與混沌特征；第四部分結論與展望。

2. 人工金融市場建模

本文結合文獻[6]中異質行為人模型與文獻[9]中Santa Fe人工股票市場，構建基于Agent異質行為演化的人工金融市場。市場中，Agent依賴個人行為特征，如：情緒、記憶長度等，來同時考慮基本面信息與價格趨勢，針對當前市場狀態，基于經驗認知權衡二者后形成價格預期與交易行為。權重的自適應性更新揭示了個人行為的演化，其通過遺傳算法與生成函數進化預測規則來實現。

2.1 基本模型

假設市場中存在兩種公開交易的資產：債券與股票。債券無限供給，其無風險利率為 ；股票的股利 服從一階自回歸過程：

為股利的均值， ， ，且 ，滿足i.i.d.條件。

市場上有 個短視的Agent，具有相同的常絕對風險厭惡（Constant Absolute Risk Aversion，CARA）效用函數：其中， 是財富規模， 是絕對風險厭惡系數。眾所周知，在股價與股利服從高斯分布的情形下，Agent通過最大化其期望效用函數能確定最佳的股票需求份額：

其中， 為 時刻的股票價格， 和 分別為Agent對股價與股利條件均值與方差的預期 。

2.2 Agent的價格預期模型

不同于異質行為人模型中僅通過ABS在兩種基本行為策略之間進行簡單轉換，人工市場中每個Agent針對當前市場狀態，利用依賴個人行為特征的基本面分析與技術分析得到相應價格預期， 和 ，基于經驗認知在兩者之間權衡，形成最終的加權價格預期：

其中， 為Agent依賴兩種基本行為策略的權重， 。

下面，將具體介紹Agent其基于基本面分析與技術分析的價格預期模型。假設 時刻的股票基本面價格 為市場上的公開信息，等于長期基本價值 。然而，考慮到噪聲信息、個人心理因素等各種情況的影響，Agent對 時刻基本面價格的估計將偏離基本價值，滿足：

其中，偏離程度 滿足i.i.d.條件，其均值 為Agent個人情緒的平均度量（ , 樂觀;, 悲觀）， 為偏離基本價值的方差。

從基本面分析的角度出發，Agent相信股價最終將回復到基本面價格，即使存在短期的偏離。因此，其基于基本面分析的價格預期為：

其中， 為基于Agent個人判斷的股價調整速度， 。

同時，Agent也希望把握股價的變動趨勢，利用基于個人記憶長度的平均收益率來外推股票的價格預期：

其中， 為外推系數，其符號標志著Agent是趨勢（ ）或反向（ ）投資者； 為個人記憶長度，在交易者之間服從獨立的均勻分布； 為記憶長度 內的平均收益率，具體表示為：

綜上，Agent對 時刻股價與股利的預期為：

2.3 Agent的異質行為演化機制

本文采用加入生成函數的遺傳分類系統來刻畫Agent基于經驗認知在基本面分析與技術分析之間的動態權衡，其權衡行為的學習與進化不僅基于市場行情而且基于個人的交易經驗，兩種情形分別通過遺傳算法（GA）與生成函數（GF）更新規則來實現。同時，其權重的選取與自適應性更新揭示了價格預期的形成與個人行為的演化。

2.3.1 權重的選取

類似于Santa Fe人工股票市場，每個Agent在 時刻同時擁有 條預測規則，每條規則包括三個部分：市場條件，預測參數---權重，以及預測精度。市場條件由12位二進制代碼組成，反映兩類市場信息：基本面與技術面信息，具體設置參見文獻[9]。規則被激活，當且僅當其市場條件與當前市場狀態 相匹配。一旦有多條規則被激活，Agent將選擇其中預測精度最高的規則來形成價格預期。

假定Agent的第 條規則為 時刻的最佳預測規則，記為： ，其中， 與當前市場狀態相匹配， 為選取的權重，用來形成價格預期 ，以及 ，被激活規則中的最小預測方差（即：預測精度最高），用來預測條件方差 。

市場上所有Agent均利用式（2）計算各自的最佳需求份額，同時傳遞給市場。做市商根據市場上的超額需求來調整股票價格，生成下期的股價 。當新一期的股利 已知時， 時刻被激活的所有規則，其預測精度將被更新：

其中， 。

2.3.2 權重的更新

在 期初，每個Agent將總結第 期的個人交易經驗，生成一條新規則 ，其意味著市場狀態 下使得預測方差最小的最優權重。這是一個自我學習的過程，生成最優權重的函數 被稱為生成函數。

對于Agent，計算最優權重 ，通過等式

于是，Agent的第 條規則記為： 其中， ，為市場狀態 下被激活的規則中最小的預測方差。

市場中，Agent不僅通過每期在預測規則集中最佳預測規則的選擇以及新規則的生成，實現從個人交易經驗中的快速學習，而且通過平均 期不同步的利用遺傳算法進化預測規則集，基于適應值進行選擇、交叉、變異來淘汰壞規則，保留并生成新規則，實現基于市場行情的緩慢學習，具體設置參見文獻[9]。

對于Agent， 期后其規則集中擁有 條規則。表現最差（即：適應值最低）的 條規則被淘汰，同時在保留的規則基礎上，通過交叉與變異生成新規則，使得其在 時刻重新擁有 條規則。Agent的第 條規則的適應值定義為：

其中， 為規則的特征值 （即：市場條件部分被設定狀態的位數和）的成本。

2.4 價格生成模型

假定股票零供給， 時刻的超額需求等于市場上所有Agent的需求總和。在做市商的價格生成機制下，得到下期的股票價格：

其中， 為價格調整速度，噪聲項 ，滿足i.i.d.條件。

3. 模擬實驗與特征分析

為驗證人工金融市場的有效性，在Agent的個人行為特征與學習速度均不發生調整的簡單情形下，設計實驗、設定參數，按照流程圖模擬Agent自適應性動態權衡的交易行為與市場運行，檢驗人工市場生成的仿真價格時間序列的非線性特征---尖峰、厚尾，波動聚集性，長期記憶性與混沌特征。

3.1 模擬實驗

3.1.1 實驗設計

人工市場中，Agent的個人行為特征，如：情緒、記憶長度、調整速度以及外推系數等均在所服從的分布范圍內隨機選取；Agent在保持平均學習速度的前提下彼此不同步的進化預測規則集；且結合文獻[15]的研究，在做市商的價格生成機制下，設定市場由自信的基本面分析者（即：），自適應性理性投資者（即： ，具有異質行為演化能力）和技術分析者（即： ）按照 的比例組成，具體參數設置見表1。

3.1.2 流程圖

基于Agent異質行為演化的人工金融市場建模流程如圖1所示：

3.1.3 運行結果

基于設定的市場組成比例以及各類Agent的交易與學習機制，按照流程圖，利用Matlab語言對人工金融市場進行仿真實現。在不同的隨機生成數下模擬運行10次，每次交易10,000期，讓市場中Agent得到充分的學習，記錄隨后的1,000期。市場運行一次所生成的仿真價格時間序列與仿真對數收益率序列見圖2。

3.2 特征分析

國外實證研究表明，金融市場的價格時間序列與收益率序列存在顯著的非線性特征。國內學者史永東（2000）、王衛寧等（2004）、馬超群等（2008）均證實中國股票市場也不例外[17-19]。本文選取1997.1.1～2007.5.24上證綜指和深圳成指日收盤價（經對數線性趨勢消除法處理[19]）與仿真價格序列進行比較分析。此期間，市場經歷了兩次熊（牛）市，蘊涵了豐富的動力學特征；且剔除價格隨經濟和通貨膨脹而增長趨勢的指數序列與不存在太多白噪聲擾動的仿真價格序列更能體現系統的非線性結構，更具可比性。

3.2.1 尖峰、厚尾與波動聚集性檢驗

檢驗結果如表2所示，全體仿真價格時間序列均與上證綜指、深圳成指的價格序列具有相同的分布特點，呈現出顯著的尖峰、厚尾（峰度大于3）與波動聚集性（ARCH-LM檢驗，在5%的顯著性水平下拒絕原假設），且向右偏（偏度大于0）。在此基礎上，將進一步檢驗人工金融市場是否與中國股票市場一樣具有長期記憶性和混沌特征等非線性動力學特征。

3.2.2 長期記憶性檢驗

作為判斷時間序列是否為有偏隨機游走的重標極差（ ）分析方法[2]，以其穩健、非參的特點作為重要的研究工具被用來檢驗金融時間序列的長期記憶性。其導出的Hurst指數 表明，當 時，序列為隨機游走過程；當 時，序列具有反持續性，即均值回復過程；當 時，序列是持久的，具有長期記憶性。同時， 分析能發現時間序列的非周期循環，估計平均循環長度，為人工金融市場的混沌檢驗提供重要參數支持。

從表3可知，全體仿真價格時間序列的Hurst指數均值 ，平均循環長度 ；同時，圖3顯示了Hurst指數最小的仿真序列1的 分析過程，其指數為0.721，顯著大于0.5，且非周期循環的平均長度估計為169期。以上數據標志著人工金融市場具有顯著的長期記憶性，存在非周期循環，這與上證綜指、深圳成指的價格序列具有長期記憶性和分形性質的結論一致[20]。此外，人工金融市場較中國股票市場具有更強的記憶性，究其原因，不存在外部環境中經濟與政治因素的沖擊，以及市場中全體Agent同時基于個人記憶長度進行技術分析，使得價格影響的持續性更久遠。

3.2.3 混沌特征檢驗

對初始條件的敏感性依賴以及存在分形維的吸引子，是一個混沌系統具備的基本特征。采用相空間重構技術來計算金融時間序列的最大Lyapunov指數和相關維，是通過度量對初始條件的敏感程度和混沌吸引子的維數來檢驗金融市場是否存在混沌的有效方法。利用表3中的平均循環長度，根據WOLF法則，本文采用相同的小數據量算法和G-P算法[21]來計算人工金融市場的混沌特征量---最大Lyapunov指數 和相關維 ，使之與中國股票市場的混沌特征更具可比性。

表4中結果顯示，人工金融市場的最大Lyapunov指數在95%的置信度下顯著為正，均大于上證綜指、深圳成指的指數值。這說明市場存在混沌，且對于初始條件比真實市場更敏感。收斂到2.36相關維表明，人工金融市場存在與中國股票市場同樣的低維混沌，并且同樣可以用最少3個變量為市場的運動建立動力學模型。

通過尖峰、厚尾與波動聚集性檢驗、長期記憶性檢驗和混沌檢驗可知，在一定的參數條件下，基于Agent異質行為演化的人工金融市場呈現出與真實市場---中國股票市場相似的非線性特征。這為從交易者異質行為演化角度探究金融市場非線性特征的形成與演化提供了一個有效的計算實驗平臺。

4. 結論與展望

真實市場中，交易者并不是簡單的在基本面分析者與技術分析者這兩個角色中轉換。他會依賴個人行為特征同時考慮基本面信息與價格趨勢，權衡二者，依賴其對市場狀態基于直覺與經驗分析得到的自適應性權重來形成價格預期。我們把這整個過程被稱之為“交易者行為”，其自適應性權重的動態更新表示交易者行為異質性的演化。

本文的主要工作是在這個刻畫交易者本質行為的新框架上建立了一個人工金融市場，在反映市場中交易者真實行為的同時，驗證了在做市商的價格生成機制下，當市場由自信的基本面分析者、技術分析者和自適應性理易者組成時，人工市場能產生與真實市場相同的非線性特征。這為從交易者異質行為演化角度探究金融市場非線性特征的形成與演化提供了一個有效的計算實驗平臺。在此平臺上，交易者個人行為特征與學習速度變化對市場的沖擊以及導致市場出現非線性動力學特征的序參量挖掘，將成為下一步的研究方向。

參考文獻

[1] D. A. Hsieh. Chaos and nonlinear dynamics: application to financial markets [J]. The Journal of Finance, 1991, 46(5):1839-1877.

[2] E. Peters. Fractal market analysis: applying chaos theory to investment and economics [M]. New York: John Wiley & Sons Inc., 1994.

[3] T. Lux and M. Marchesi. Scaling and criticality in a stochastic multi-agent model of a financial market [J]. Nature, 1999, 397:498-500.

[4] W. A. Brock and C. H. Hommes. Heterogeneous beliefs and routes to chaos in a simple asset pricing model [J]. Journal of Economic Dynamics and Control, 1998, 22(8-9):1235-1274.

[5] C. Chiarella and X. Z. He. Heterogeneous beliefs, risk and learning in a simple asset pricing model with a market maker [J]. Macroeconomic Dynamics, 2003, 7(4):503-536.

[6] R. Dieci, I. Foroni, L. Gardini, and X.Z. He. Market mood, adaptive beliefs and asset price dynamics [J]. Chaos, Solitons & Fractals, 2006, 29(3):520-534.

[7] H. P. Boswijk, C. H. Hommes, and S. Manzan. Behavioral heterogeneity in stock prices [J]. Journal of Economic Dynamics and Control, 2007, 31(6):1938-1970.

[8] M. Anufriev and V. Panchenko. Asset prices, trader’s behavior and market design [J]. Journal of Economic Dynamics and Control, 2009, 33(5):1073-1090.

[9] W. B. Arthur, J. Holland, B. LeBaron, R. Palmer, and P. Tayler. Asset pricing under endogenous expectations in an artificial stock market [C]. The Economy as an Evolving Complex System II, Addison-Wesley, 1997, 15-44.

[10] N. S. P. Tay and S. C. Linn. Fuzzy inductive reasoning, expectation formation and the behavior of security prices [J]. Journal of Economic Dynamics and Control, 2001, 25(3-4):321-361.

[11] B. LeBaron. Evolution and time horizons in an agent based stock market [J]. Macroeconomic Dynamics, 2001, 5(2):225-254.

[12] S. H. Chen and C. H. Yeh. Evolving traders and the business school with genetic programming: a new architecture of the agent-based artificial stock market [J]. Journal of Economic Dynamics and Control, 2001, 25(3-4):363-393.

[13] B. LeBaron and R. Yamamoto. Long-memory in an order-driven market [J]. Physica A, 2007, 383(1):85-89.

[14] C. Chiarella and G. Iori. A simulation analysis of the microstructure of double auction markets [J]. Quantitative Finance, 2002, 2(5):346-353.

[15] M. Yang, C. Q. Ma, and L. Zou. Asset pricing under evolution of agent’s behavioral heterogeneity in an artificial financial market [C]. The 2nd International Conference on Information Engineering and Computer Science, Accepted.

[16] M. P. Taylor and H. Allen. The use of technical analysis in the foreign exchange market [J]. Journal of International Money and Finance, 1992, 11(3):304-314.

[17] 史永東. 中國證券市場的股票收益持久性的經驗分析[J]. 世界經濟, 2000, (11):29-32.

[18] 王衛寧, 汪秉宏, 史曉平. 股票價格波動的混沌行為分析[J]. 數量經濟技術經濟研究, 2004, (4):141-147.

[19] 馬超群, 鄒琳, 李紅權. 股票市場的非線性結構與混沌效應檢驗：基于BDS方法與CR方法[J]. 湖南大學學報(自然科學版), 2008, 35(5):85-88.

[20] C. Q. Ma, H. Q. Li, L. Zou, Z. J. Wu. Long-term memory in emerging markets: evidence from the Chinese stock market [J]. International Journal of Information Technology & Decision Making. 2006, 5(3):495-501.

[21] 李紅權, 馬超群, 鄒琳. 中國證券市場的混沌動力學特征研究[J]. 中國管理科學, 13(專

第3篇

如果按照傳統的金融理論指導金融投資，很難起到對投資者正確指導，使投資者更為理性地進行投資活動。所以，傳統金融理論難以適應時代的發展，亟待對傳統金融學進行其他學科知識理論的補充，積極研究并吸收其他學科的研究方法，不斷地拓展金融學研究范圍。目前，隨著行為金融學的出現，有效地解決了關于投資的諸多問題。行為金融學是集心理學和金融學于一體的相互融合的學科。該學科的研究對象是金融市場中交易者非理性投資行為。具體分析，行為金融學是借助心理學的有關知識，分析投資者的心理活動，以此為基礎評價投資者的非理性投資行為，也就是說行為金融學主要研究投資者心理因素導致在金融市場上的非理性投資行為。結合傳統投資理論在金融市場的投資范式，分析評估交易者在金融市場中投資決策時犯系統性錯誤的原因，指導投資者認識到自己的非理性投資行為，進而對非理性投資行為進行修正，達到科學理性投資，降低投資風險的目的。行為金融學融合了心理學的有關理論知識，從心理學角度分析金融市場上投資決策可得出如下結論：基于投資者心理因素的影響，會造成投資者在金融市場投資時容易犯下主觀判斷失誤，使得投資者在金融市場投資行為活動變得反應過度或者反應不足，嚴重影響投資者的預期收益。所以，行為金融學研究的主要內容就是投資者非理性投資行為的動因，結合金融學的有關知識，建立完善的金融投資理論體系，為投資者在金融投資活動中提供重要的理論依據，使投資者的投資行為趨于理性化、科學化。

二、金融市場上的心理分析方法

長期以來，在金融市場上投資者最為常用的投資分析法有兩種，即基本面分析法和技術面分析法。基本面分析法所采用的分析依據是投資對象的經營業績以及經濟發展形勢；技術面分析法針對經濟市場走勢進性數據統計，并編制圖表，根據圖表定量分析未來投資的方向以及前景。而行為金融學的投資分析方法主要是對投資者心理因素的探究，依據心理學原理及相關知識分析投資者的心理狀況對金融投資造成的正負面影響。從金融學角度分析，在金融市場交易行為活動中，投資者對金融決策的依據主要是基于主觀判斷和客觀地對金融市場走勢進行分析、估測。然而心理分析法是傳統分析法的補充和改進，心理分析法是主要是以傳統分析法為依據，將心理分析法融合到整個金融市場投資環境中，強調以分析投資者的心理因素，突出投資者的主觀性為主要研究方向。然而過于強調投資者的主觀能動因素而忽視機械交易的客觀性，會導致投資者的交易行為受到人性弱點的干擾。因此，基于金融市場上的心理分析法還應以基本面分析法和技術面分析法為依據。

三、健康的心理范式利于正確投資決策的形成

行為金融學強調的是提高投資者在金融市場中良好心理的形成，有助于投資者做出正確的金融投資決策，對規避投資風險和降低投資風向具有重要的意義。為此，我們應基于行為金融學的原理，加強對行為金融學中心理學科的探討，建立健全正確的心理范式，幫助投資者在金融市場中形成良好的金融投資心態，確保金融投資者投資受益最大化。具體來講健康的心理范式的建立需要通過以下幾方面來實現。

1.提高情商。

按照投資心理層次的不同可將其劃分為理性層面和非理性層面。理性層面我們可以理解為投資者的智商，而非理性層面可以理解為投資者的情商。投資心理理性層面主要考察的是投資者智力的高低，投資心理非理性層面主要考察的是投資者在投資過程中投資者情緒的控制把握力度和體驗深度。從金融市場投資行為分析，行為金融學更多的還是考察投資者的情商。這是因為心理因素對投資者投資行為的影響遠遠大于理性層面的影響。所以，提高投資者情商是避免投資者在金融市場投資行為出現錯誤，降低投資風險的重要思路。應作為行為金融學研究的重點內容。

2.培養規避錯誤信息的能力。

具有良好的規避錯誤信息的能力是投資者做出正確投資決策的前提條件。在金融市場中有關投資的虛假信息無處不在，如果投資者不能正確地判斷信息的準確性，可靠性，而是盲目地、不理性地進行投資，很有可能會增加投資風險，收益受損。所以，作為投資者應具有良好的規避錯誤信息的能力，只有這樣才能提高投資的收益，得到較好的投資回報。第一，投資者對金融市場信息認真地主觀客觀地分析鑒定，甄別。避免偏聽偏信，對客觀的信息融入過多的主觀色彩，導致對信息錯誤判斷。不能因為信息同自己的主觀思路相符就愿意相信，愿意接受，愿意投資，而對于那些同自己主觀思路不相符的信息就不予理睬。第二，投資者不應有盲目從眾的心理，就是我們常說的“羊群效應”；不能人云亦云，受別思想、意見左右，這主要是因為金融市場是個復雜的環境，同其他社會活動不同，具有較大的風險。其他人對金融投資的判斷結果并不是完全正確的。第三，在投資過程中投資者要心態平和，時刻保持冷靜的頭腦，避免因反應不足或者反應過快做出缺乏理智的投資決策，進而增加投資風險；第四，投資者要對投資收益期望值保持平和的心態，要學會等待，從等待中獲得應有的預期收益，而不是急于求成。對于各類利空或利好的信息投資者都需用辯證的角度去分析對待。這是因為投資市場是瞬息萬變的，市場是動態的市場，隨時都有可能產生新的變化，如利空向利好轉化，利好向利空轉化等。第五，投資者應學會用動態的眼光去分析投資問題，根據金融市場的變化實時對原來的決策做出調整。因為只有投資者的主觀判斷同市場的動態發展實際相符，其投資才是有意義和價值的。

3.學會遠離市場上的投資氛圍。