湖南省自科基金--基于Agent的金融复杂系统风险管理方法研究

第一篇：湖南省自科基金--基于Agent的金融复杂系统风险管理方法研究

基于Agent的金融复杂系统风险管理方法研究 摘要：

本项目综合运用演化金融、计算金融、行为金融的理论与方法，按照国际前沿研究理念，采用数据驱动与模型驱动相结合、“自下而上”与“自上而下”相结合的建模方法以及综合集成思想；系统分析中国金融市场交易者的偏好特征，建立交易者效用函数和预期模型；在深入研究中国金融市场的交易机制基础上，提出基于双向拍卖机制的价格产生模型；探索交易者的学习进化过程，建立交易者策略的演化博弈模型；提出能更加逼近实际市场情况的交易者学习进化模拟算法，建立符合中国金融市场特征的仿真系统，扩充Swarm平台类库；通过反复模拟试验与实证检验，探寻仿真系统的分形结构与混沌特征，找出金融市场的有序模式，挖掘导致系统从有序到无序的关键因素及其临界条件，揭示中国金融市场风险形成过程与机理；建立基于中国金融市场仿真系统Swarm平台的风险预警监测体系，提出金融市场风险度量模型与风险防范新方法。本项目研究具有重要的理论与实际意义。立项依据： 1）研究意义

金融市场是一国经济健康运行的核心，是一个复杂的开放系统，维护金融市场的稳定，实现金融最优化管理、有效防范金融风险是各国政府与投资机构孜孜以求的目标之一。特别是在我国金融业不断开放的今天，经济金融全球化拓展了原来国家经济系统的边界，增加了系统的要素与层次，金融工具的不断创新与金融衍生产品的不断涌现模糊了原有金融变量之间与金融机构之间的边界，金融市场是联系各国经济的桥梁与纽带形式，在全球经济金融即时强关联时代，金融市场的联接更具有重要作用，由于金融市场波动大、信息传输快、流动性大，导致各国金融市场联动效应不断增强，在此背景下，金融风险更直接涉及金融安全、经济安全乃至国家安全。尤其是随着现代技术水平的提高使投资成本降低，交易者人数增加，交易更加频繁，我国金融市场参与者的关系更加复杂，市场的非理性特征以及环境变化引起的金融市场复杂性更加明显，更加偏离线性模型，造成金融风险更加高度集中，因此，加强风险管理对我国金融监管机构、交易者和社会各界显得尤为重要。

遗憾的是，金融市场风险管理问题却一直困扰着金融监管机构，无论是1987年美国股市的―黑色星期一‖ 和1998 年美国长期资本投资管理有限公司遭致的巨大亏损，还是最近美国次债危机造成的全球股市剧烈波动以及我国股市的大起大落，都显示着监管机构对规避风险的力不从心。其根本原因在于现有的许多风险管理方法大都建立在经典金融学理论基础之上的，而这些方法是以还原论为指导，以有效市场、随机游走与理性投资等线性范式假设为前提的，他们把重点放在对市场各个组成部分的研究上，忽视它们之间的联系，认为金融市场所呈现出来的特征是各个部分特征的简单加和；另一方面，这些方法一般采用静态均衡的观点去解决金融市场问题，所以当市场的外部环境发生变化时，先前制定的风险管理方法不但不能很好地解决问题，而且还可能成为解决问题的障碍。因此，通过应用经典金融学理论来认识金融市场的本质规律、提供有效的风险管理方法的思路存在许多局限性。

要进行科学有效的风险管理，我们首先应该认识到金融市场是一个巨大的―复杂自适应系统‖和―复杂演化系统‖，它是以一种具有演化特征的非线性方式对外界作用而起反应的。金融市场的整体功能是取决于它的组成部分以及这些部分之间的相互作用，并且大于各个部分之总和。同时，金融市场会随时间演化而改变其自身发展规律。随着外部环境的变化以及信息流的不断冲击，金融市场会从一个稳定有序的模式，逐渐走向―混沌边缘‖——一种无序的状态，然后通过自组织达到另一个稳定有序的模式或是崩溃（金融危机）。在此基础上，我们应该全面分析金融市场风险的要素构成，通过对交易者策略演化博弈行为与双向拍卖机制等的研究，建立有效反映金融市场风险特征的仿真系统，而这又必然要求我们深刻研究金融市场运行机制、交易主体行为乃至金融市场的本质特征。

在这样的背景下，面对如此复杂的金融市场，如何对金融市场风险进行动态评估、如何对金融风险进行预警与防范、如何从各种相关的金融实际数据中挖掘出高附加值的信息资源与风险构成要素、如何挖掘出市场产生复杂行为的模式与风险演化机理已经成为金融机构及其监管部门日益迫切需要解决的问题。但是，现有的一些基于推导演绎思想的统计分析与时间序列分析等线性数学方法已无法解决这些市场风险管理问题。而非线性数学方法目前仍处于襁褓之中，难以担此重任。有鉴于此，从演化与归纳推理的角度出发，利用计算机模拟技术，建立基于复杂自适应理论的演化金融学方法，已经成为许多学者试图解决复杂系统各种问题的普遍共识。如今演化金融方法已经成为实现金融最优化风险管理的重要组成部分，它能从大量数据中比较智能地获取新知识，能从复杂数据背景中通过数据分析与变量选择创建量身制做的模型，找出解决问题的有效途径。

因此，本项目将利用演化金融与综合集成的思想，采用数据驱动与模型驱动相结合、―自下而上‖与―自上而下‖相结合的新的建模方法，建立中国金融市场上的交易者效用函数、预期模型、价格产生模型，模拟交易者学习演化过程，建立基于Agent的演化金融方法与更加符合中国金融市场特点的仿真体系，挖掘市场产生复杂行为的模式以及风险形成的机理，正确引导市场的自组织向稳定有序过渡，达到有效的风险控制的目的。根据国际研究经验与我国金融业发展趋势，本项目研究将能为我国金融风险管理实现数量化信息化管理提供数量技术，为我国金融市场的整体风险管理进行实时监控奠定坚实基础，对提高金融机构的监管效率与防范市场风险能力、对丰富金融风险管理理论与方法具有重要的理论与现实意义。

（2）国内外研究现状及分析

1）演化金融学的兴起与发展

随着演化思想的复兴，演化经济学取得了长足的发展，但许多学者不再满足于目前演化思想和方法在经济分析中的应用，开始用演化的理论来阐释金融问题，从而提出了演化金融学（Evolutionary Finace）的概念。演化金融涵盖的研究范围越来越广泛，逐渐形成了演化金融较完整的理论体系。

最早的金融市场演化研究是有关对对数偏好(logarithmic preferences)和财富长期增长的讨论。如Kelley[1] 和Breiman[2]的文章。他们的研究更多的是一种规范研究——市场主体(agents)为什么要采取适应策略，而不是一种实证研究，为什么只有适应策略才能生存。金融市场中的一般学习模型与演化紧密相连。Bray 的工作可以算是这方面最重要的早期文献，他给出了特殊条件下简单定价的具体机制。Fama[3]、Friedman[4] [5]根据演化金融思想，认为市场是对理性战略的自然选择的结果，市场选择导致市场效率。Farmer J.D.和 Lo.A.W.则回顾了金融市场数量模型的发展历程，提出金融市场的演化和生态模型是一个新的前沿发展领域[6]。

在这一研究领域中，一些研究集中于更精细的数学模型，将经验事实(empirical fact)理性化;另一些研究则完全是反对理性的，他们从生物学的观点来看待金融市场，特别是在演化的框架内，认为市场、工具、机构和交易者是相互作用的，而且是按照经济选择的―法则‖动态演化的。一个金融市场可以被视为是一个交易战略协同演化的生态系统，金融主体相互竞争、适应，但是已经没有必要以最大化的方式来竞争和适应。Hommes对非线性经济动态学、有限理性、预期形成与学习、异质主体模型、分叉与混沌、金融市场和实验经济学都进行了深入研究。Brock 和Hommes把经济和金融市场看作适应性信念系统(Adaptive Belief System, ABS)[7][8][9][10]，ABS 是交易策略之间的演化竞争。Hommes借用了这一概念，对Hommes 和Gaunersdorfer[11] 的理论作了进一步拓展，Brock 和Hommes采用自适应系统的概念来描述金融市场，提出了适应性理性均衡动态学的概念(ARED)[9]，指出均衡价格与信念是随着时间的推移共同演化的，同时分析了存在大量交易者类型的金融市场的演化动力学，提出了大类限制(Large Type Limit, LTL)的概念，为拥有很多类型交易者的演化系统提供了一个理论分析框架[12] [18]。

2002年苏黎世瑞士股票交易所召开了―演化金融‖的专题会议，2005年Journal of Mathematical Economics推出了关于演化金融学研究进展的专刊，均表明演化金融学越来越受到主流经济学的关注。

现今的人工金融市场是系统科学将人工社会中计算机技术的应用性与演化经济学中对经济现象本原性追求相结合的产物，它认为整个市场是一个复杂自适应系统（Complex Adaptive System , CAS），并通过将金融现象进行合理的抽象，采用从下向上的建模方式，借助于计算机技术的强大计算功能来对金融市场进行模拟，以研究金融市场的各种特征[15]。

目前的人工金融市场包括两种类型，一种侧重于计算机实现，试图如何从总体上建立一个通过计算机来研究金融市场的框架，能够更真实的描绘出金融市场，我们将之归纳为基于计算机计算的人工金融市场模型；另一种是通过设定一些经济学假设，通过主体建模或者微观模拟的办法来研究某些金融异象产生的根源，我们将之归纳为基于经济学假设的人工金融市场模型。可以说这两种不同类型的模型并不存在完全的界限，只是研究侧重点不同。

基于计算机计算的人工金融市场模型的建模思想源自Santa Fa人工股票市场，这是1990 年由Arthur等人在吸收Bray、Grossman 和 Stiglitz的研究成果基础上建立起来的[16][17]，它建立了一个完全可控的实验环境从而探寻其中的规律。随后，台湾国立政治大学陈书衡等人，在模型中添加了一个―学校‖，各个投资主体可以通过进入―学校‖进行学习。他们把学校看作一个―种群‖，以单种群遗传算法（Single-population GP）进行演化[19][20]。他们发现在这种学习机制下，收益序列是独立同分布序列，支持了有效市场假说。Norman Ehrentreich也对Santa Fa人工股票市场作了进一步的改进，认为在原始模型中不能通过观测总的预测变量字节来评价技术交易策略是否有更快的学习速度，而应该探寻新的变量来评价[21]。Graham Kendall和Yan Su用学习分类系统的思想建立了人工股票市场，他们将整个金融市场看作一个不完全信息的市场，把重点放在学习机制的研究上 [26][27][28][29]。

另外一类是借鉴生命科学中的元胞自动机的思想，元胞自动机是上世纪50年代由Von Neumann在计算机上模拟生物繁殖提出的，其基本原理是利用大量元胞在简单的规则下的并行演化来模拟复杂而丰富的宏观现象。应尚军等建立了元胞自动机金融市场模型，对市场的演化特征进行了研究[30][31][32][33]。

与基于计算机计算的人工金融市场模型不同，基于经济学假设的人工金融市场模型有更强的经济学假设，并且往往是为了探寻某一种经济现象着手建模，如波动的聚集性现象、羊群行为等。当在一定的科学假设前提下，基于经济学假设的人工金融市场能够部分的再现现实金融市场的局部，能够找出一些金融异象的形成原因。在这类模型的基本交易规则假设研究方面，Lux等人集中于研究金融市场的典型性特征[34][35][36]；在学习过程研究方面，基于经济学假设的人工金融市场在学习过程的定义中没有引入大规模的算法，它们的独特之处在于运用一些数学函数和随机过程来反映投资个体的信念更新。在价格形成研究方面，大部分模型都是基于做市商制度的。在基于―零智能‖、―加强零智能‖、―准零智能‖交易的人工金融市场模型中，都没有对金融市场进行过多的假设[17][18] [19]。在考虑投资个体财富影响因素方面，C.Chinrella 提出了一个财富异质性的主体模型来研究资产定价和财富的动态性[31]。

但是，目前演化金融学研究还存在着下列不足：  投资主体采用遗传算法来进行学习演化，但简单的遗传算法不一定能将整个金融市场的信息传递表达清楚；

 价格形成机制采用多采用做市商制度，可当今的很多现实金融市场都不采用做市商制度；

 虽然对投资主体的学习行为进行的假设各不相同，但都很难真实地反应各个投资主体间的相互博弈、相互学习、共同演化的行为。 对投资主体进行异质性的假设大体一致，投资主体通常只分为基本面分析者和技术分析者，但实际研究中需要引进更多类型的异质投资主体。2）风险管理理论的国内外研究现状分析

在20世纪50年代Markowitz提出将方差作为风险的量标准，证明了风险与收益的均衡关系，指出单一证券的风险取决于它与其他证券之相关性，从而改变了关于资产风险的传统概念，具有革命性意义[38]。在此基础上夏普（Sharpe）提出了著名的风险度量参数:β系数[39]。考虑到方差的时变性，罗伯特·恩格尔等提出了ARCH模型[40]，现在GARCH模型组已被广泛地应用于宏观经济学和金融经济学实证研究，应用于在投资金融行业的风险管理。80年代末，哈罗提出了下偏风险理论（Lower Partial Moment），增进了人们对风险本质的认识。90年代，J.P.Morgan开发了被作为风险度量标准的VaR（Value at Risk）[41]，学者与金融监管机构对此颇为推崇，迅速在金融领域获得了广泛的应用。VaR继承了下偏风险的思想，更贴近交易者的实际心理感受；VaR的计算也摆脱了正态分布的束缚。基于对VaR数学性质缺陷的认识（如不满足次可加性），学术界又提出了一致性风险价值（CVaR）作为修正，并提出了广义随机占优一致性风险度量方法。虽然经典的风险管理手段获得了较为广泛的应用，如方差、β系数、J.P.Morgan的VaR技术，但它们大多局限在随机游走与正态分布的情形下才有效[42]。而实际研究的结果表明，金融市场是一个有偏的随机游走系统，资产价格的分布也往往不是正态分布（或对数正态分布），分形分布是更一般情形下的分布状态，而且金融市场也会随时间改变自身发展规律。因此方差并不能给出风险水平的正确反映。交易者的非理性行为、交易策略的相互博弈，市场规律的改变、信息流的不均等吸收是产生市场非线性行为的根源，是引起价格波动、产生风险的基本因素之一。这时，金融市场风险管理的研究出现了从线性分析转向非线性分析，从均衡走向演化的新趋势。有学者提出了在整体主义方法论下，从动态的、非均衡的、非线性的角度系统地研究金融市场及其风险管理问题，但并没有提到解决问题的具体思路和方法。也有学者试图利用随机微分方程建模来描述风险因素的变动，但首先建模时所选择的风险因素存在是否合适的问题，其次金融风险受复杂多变的政治、经济、科技及社会环境等各方面的影响，简单的随机微分方程不能合理解释金融市场风险演化过程，现有数学方法要解决包涵多风险因素的随机微分方程问题，还存在比较大的困难。

基于Agent的金融风险管理方法从系统的观点出发，充分认识到金融风险的涌现性，考虑到市场与市场的要素之间、要素与要素之间、市场与外界环境之间的相互作用，以及做为市场主体的交易者的自适应性，对市场各个要素与它们的之间的作用机制建立计算机模型，突破了VaR等传统风险管理方法对资产价格的概率分布等诸多方面的假设，通过对金融市场内部规律的探索，来解决风险管理的问题。而演化金融学的思想考虑了瞬息万变的环境而导致风险因素的改变，提供了时变的风险管理方法，增进人们对金融系统风险本质的认识，向人们展示金融市场结构与演化规律的丰富内涵，其必将促进演化金融风险管理理论的创新与发展。主要参考文献：

[1] Kelly,J.L.A New Interpretation of Information Rate.Bell System Technical Journal, 1956(35):917–926 [2] Breiman,L.Optimal Gambling Systems for Favorable Game.in Proceedings of the Fourth Berkeley Symposium on Mathematical Statistics and Probability, ed.by J.Neyman,1961:65–78 [3] Fama,E.The Behavior of Stock Market Prices.Journal of Business, 1965, 38(1):34–105 [4] Friedman,M.Essays in Positive Economics.University of Chicago Press, Chicago, 1953 [5] Friedman, Daniel.Evolutionary Games in Economics.Econometrica,1991, 59(3): 637-666 [6] Farmer,J.D.and Lo.A.W.Frontiers of Finance: Evolution and Efficient Markets, Working Paper, MIT, 1999 [7] Brock, W.A.Asset Price Behavior in Complex Environmentsz.The Economy as an Evolving Complex System, Addison-Wesley, Reading, MA, 1997:385-423 [8] Hommes, C.H.Financial Markets as Nonlinear Adaptive Evolutionary Systems.Tinbergen Institute Discussion Paper TI 2000-014/1 [9] Brock, W.A., and Hommes, C.H.Models of complexity in economics and finance．System dynamics in economic and financial models, New York: John Wiley & Sons, 1997: 3-41 [10]Brock, W.A., and Hommes, C.H.Heterogeneous belief and routes to chaos in a simple asset pricing model．Journal of Economic Dynamics and Control 1998,(22):1235-1274 [11]Gaunersdorfer, A., Hommes, C.H., Wagener, F.O.Bifurcation Routes to Volatility Clustering under Evolutionary Learning.CeNDEF working paper 00-04, University of Amsterdam,2004 [12]Brock, W.A., Hommes, C.H.et, al.Evolutionary dynamics in financial markets with many trader types.Working paper,2001 [13]Farmer, J.D.and Lo.A.W.Frontiers of Finance: Evolution and Efficient Markets, Working Paper, MIT, 1999 [14]Hens, T., et, al.An Application of Evolutionary Finance to Firms Listed in the Swiss Market Index.Working paper.August 2002 [15]Blake LeBaron.Agent-based Computational Finance,handbook of computational economics, 2005,5 [16]RG Palmer，WB Arthur，JH Holland et al.Artificial economic life: A simple model of a stock market.Physica D，1994，75：264-274 [17]W.Arthur, John Holland, Blake LeBaron et al.Asset pricing under endogenous expectations in an Artificial Stock Market.The Economy As An Evolving Complex System ⅡBoston :Addison-Wesley ,1997,15-44 [18]Block W.A.,Hommes C.H.A rational route to randomness.Econometrica, 1997, 65:1057-1095 [19]SH Chen, CH Yeh.Evolving traders and the business school with genetic programming: A new architecture of the Agent-based artificial stock market.Journal of Economic Dynamics and Control,2001,25:363-393 [20]Shu-Heng Chen,Thomas Lux,Michele Marchesi.Testing for non-linear structure in an artificial financial market.Journal of economic behaviour & organization, 2001,46:327-342 [21]Norman Ehrentreich.Technical trading in the Santa Fe Institute Artificial Stock Market revisited.Journal of Economic Behavior & Organization, 2006,61:599-616 [22]D K Gode, S Sunder.Allocative efficiency of markets with zero intelligence traders: Market as a Partial Substitute for Individual Rationality.Journal of Political Economy,1993,101:119-137 [23]C Chiarella, G Iori.A simulation analysis of the microstructure of double auction markets.Quantitative Finance,2002, 2:346-353 [24]M LiCalzi, P Pellizzari.Fundamentalists clashing over the book: a study of order-driven stock markets.2003,Quantitative Finance,3:470-480.[25]M Raberto, S Cincotti.Modeling and simulation of a double auction artificial financial market.Physica A: Statistical Mechanics and its Applications, 2005,355,(1):34-45 [26]Kendall G,YanSu.A multi-agent based simulated stock marketa multi-agent neural-genetic trading system with differing levels of social learning.Cybernetics and Intelligent Systems, 2004 IEEE Conference on, 1:47-52 [29]Kendall G,YanSu.Imperfect Evolutionary Systems Evolutionary Computation, IEEE Transactions on,2007,11,(3): 294-307 [30]应尚军，魏一鸣，范英等.基于元胞自动机的股票市场投资行为模拟.系统工程学报，2001，16（5）：382-388 [31]应尚军，魏一鸣，范英等.基于元胞自动机的股票市场复杂性研究——交易者心理与市场行为.系统工程理论与实践，2003,12:18-24 [32]应尚军,魏一鸣,蔡嗣经.元胞自动机及其在经济学中的应用.中国管理科学，2000，专辑，8：272－278 [33]应尚军，范英，魏一鸣.基于投资分析的股票市场演化元胞自动机模型.管理评论,2004,16,(11):4-9 [34]Lux, T.The socio-economic dynamics of speculative markets: interacting agents, chaos, and the fat tails of return distribution, Journal of Economic Behavior & Organization,1998,33:143-165 [35]Lux, T.and Marchesi, M.Scaling and criticality in a stochastic multi-agent model of a financial market, Nature ,1999,397:498-500 [36]Lux, T.and Marchesi, M.Volatility clustering in financial markets: a micro-simulation of interacting agents.International Journal of Theoretical and Applied Finance,2000 3:675-702 [37]Carl Chiarella, Roberto Dieci and Laura Gardini.Asset price and wealth dynamics in a financial market with heterogeneous agents.Journal of Economic Dynamics and Control, 2006, 30: 1755-1786 [38]Markowitz, H.M.The Early history of portfolio theory.Financial Analysts Journal, 1999,7: 1600-1960 [39] Sharpe, W.F.The sharpe ratio.Journal of portfolio management, 1994:47-58 [40]Balzer, Leslie A.Measuring Investment Risk: A Review.Journal of Investing,1995 [41]Jorion, P.Risk:Measuring the risk in value at Risk.Financial Analysts Journal, 1996,52(6):47-56 [42]Morgan, J.P.Risk Metrics technical document, New York, 1996

研究方案： 1）研究目标

在充分认识金融市场是一个可能随时间演化而改变其自身发展规律的―复杂演化系统‖的基础上，按照风险管理的国际准则与理念，从模型与数据处理角度，构建适合我国金融复杂系统分析的模型群体系，提出有效的投资者行为模型与学习机制算法，重点建立中国金融市场仿真系统Swarm平台，挖掘出金融市场本质特征的演变过程和影响金融市场的基础变量，建立基于模型群体系的分形与混沌控制理论，挖掘金融风险演化机理；开发出基于中国金融市场仿真系统Swarm平台的风险预警系统，提出金融风险防范策略以及金融市场混沌控制的有效方法，发展更为有效的风险管理理论与方法。填补我国在演化金融与风险管理方法研究上的空白，推动我国金融风险管理向科学化规范化方向发展。（2）研究内容

1）中国金融市场仿真系统的建立

 不同的交易者有不同的偏好，而且他们的偏好与环境的改变有关。本项目利用行为金融学理论分析我国金融市场异质交易者的不同偏好特征，建立更加符合中国交易者偏好的效用函数与预期模型；

 在交易者策略演化研究中，采用合理的信息传播模型（如传染病模型、流言机制模型等），合理设定交易者信息交流的拓扑结构（如小世界网络与互联网络）；界定各类典型交易者的不同特征，实时更新各交易者的属性，在此基础上提出一种新的算法，模拟交易者学习演化过程；

 在深入分析中国的价格形成机制的基础上，建立具有中国特点的双向拍卖的价格产生模型；

 建立适合于中国金融市场Swarm仿真平台，扩展Swarm的类库，形成可视化的图形界面，对系统运行过程进行监控和记录，提供众多的演化计算工具箱供建模使用。

2）中国金融市场风险的演化过程与机理研究

 由于金融市场中的交易者之间、交易者与市场之间存在着非线性的作用机制，进而会涌现不可预期的整体性，在―自下而上‖对中国金融市场进行仿真的基础上，从微观层面研究金融市场的宏观演化行为；

 研究中国金融市场产生动态复杂行为的模式，通过对仿真系统的研究，找出中国金融市场的分形结构，挖掘其内部规律；

 在仿真试验的过程中，探寻金融系统产生混沌的序参量，找出中国金融市场风险产生的关键因素，挖掘金融风险的形成机理； 根据发掘的序参量，通过控制和调节序参量，提出风险管理的有效方法，正确引导市场从原来的模式向更优的模式过渡，从无序再走向有序，达到风险管理的目的；

 在中国金融市场仿真平台、风险形成机理以及风险防范方法的研究基础上，开发中国金融市场风险预警系统平台，建立科学的金融风险动态检测体系。

（3）拟解决的关键问题

1）中国金融市场交易者偏好的效用函数与预期模型的建立； 2）中国金融市场交易者演化博弈行为研究；

3）中国金融市场的风险形成的关键因素及相应的风险管理方法研究； 4）基于中国金融市场仿真系统Swarm平台的风险预警监测体系研究。

（1）研究方法

从―关联‖和―过程‖的新视角全面分析并深刻揭示我国金融市场非线性的内部结构与演化规律；运用综合集成的思想与方法，侧重于理论分析基础上的计算机模拟及实证研究，以数量经济分析方法为主，从演化金融的角度深入研究交易者策略演化博弈行为；利用计算机的计算能力与挖掘分析能力对金融系统中的大量数据进行处理，通过JAVA等编程语言，按照演化金融建模的一般原理，构建适当的交易者行为模型及利用遗传算法有效地模拟交易者学习进化过程，建立中国金融市场仿真系统Swarm平台与基于仿真系统Swarm平台的金融风险预警系统；把数据挖掘技术、系统建模与仿真技术结合起来研究金融系统复杂性，建立各行为金融模型体系，实现各种模型的高层次综合集成；运用计算试验方法，研究市场微观层次Agent 的行为，确定中国金融市场的分形结构，探寻金融系统产生混沌的序参量，确定市场状态的形成条件及市场混沌的临界条件，挖掘金融风险的演化过程与机理； 通过控制和调节已经发掘的序参量，建立科学的金融风险动态检测体系，提出有效的风险管理方法。（2）技术路线

本项目技术路线如图1所示。

图1 技术路线图

本研究从我国金融市场风险管理的现实需求出发，首先认真研究分析我国金融市场的Agent的风险偏好、效用函数、交易的信息传递以及他们交易策略的演化博弈过程和市场的微观结构，并根据这些特点扩充Swarm平台系统的类库，建立一个界面更友好，能供多人同时操作的基于Swarm的实验平台，在此基础上对中国金融市场进行模拟，通过反复试验，找出导致风险产生的序参量，进而研究金融风险的形成机理，在此基础上提出新的风险管理方法，丰富并发展演化金融理论，完善演化金融学方法，揭示金融市场风险演化的本质规律，建立中国金融市场风险预警平台与更加完善的风险管理理论与方法体系。（3）可行性分析

1）演化金融学是一门正处在蓬勃发展的综合性、交叉性、创新性强的科学，是当今学术界研究的热点与前沿领域；计算金融学是一门新兴的学科，目前已吸引了国际上一批优秀的科学家在从事这门科学的研究，出现了许多重要的研究成果，为我们的研究提供了方法论指导与理论基础。

2）计算机仿真技术的迅速发展和成熟，特别是大量挖掘软件和模块化组件的出现为本项目研究提供了技术支持与条件。

3）中国金融信息化与数据化以及银行、各证券公司内部数据大集中的趋势，为我们的研究提供了可行的数据支持。

4）项目组多名成员在多年前就已经对演化金融学和计算金融学以及风险管理理论与方法进行了深入研究，累积了较为雄厚的研究基础。项目组申请人主持国家自然科学基金一项，该项目也是围绕风险管理理论与方法这一主题进行研究的，对本项目的申请和研究提供了基础。

5）本项目组围绕本领域研究，取得了一批可喜的研究成果。发表相关学术论文30多篇，被SCI、EI、ISTP收录论文近20篇，这些成果为本项目研究作了较充分的前期准备，积累了丰富的研究经验。

6）项目组成员由数学、计算机、金融、管理、系统工程等不同专业与学术背景的教师构成。知识结构、职称结构、年龄结构都比较合理。

7）本项目可以得到中科院管理决策信息系统开放实验室、上海证券交易所，深圳证券交易所，中国银行等单位的大力支持，在数据资料提供和实际调研方面可以提供方便。

因此，我们有理由相信本项目能够在预定的时间内优质高效地完成预期目标。

特色与创新：

（1）从演化金融学的角度，利用计算金融学的理论和方法，发掘金融市场的本质规律，解决金融风险管理的问题。开创了风险管理研究的新思路和新方法，具有很强的创新性。（2）利用演化博弈的思想研究交易者的学习演化过程，在本领域研究中具有一定的开创性。（3）建立具有中国特色的金融市场仿真系统，填补了国内外的这一领域的研究空白，具有一定的创新性。

（4）利用计算金融的方法，透过大量数据的表象，挖掘金融风险形成的内在机理，发现金融风险征兆，是以往风险管理研究所没有涉及的，丰富了金融风险管理理论，具有开创性。

研究进展：

2011年1月－2011年12月，建立仿真系统计算机模型。深入研究我国金融市场的交易者的行为模式和风险偏好，建立交易者效用函数和预期模型；分析中国金融市场的微观结构，建立资产价格产生模型；建立交易者策略演化博弈模型。

2012年1月－2012年12月，研究工作重点是对中国金融市场进行仿真，建立仿真系统Swarm平台，并且挖掘风险形成机理。在确定交易者预期模型、交易者策略演化博弈模型以及价格产生模型的基础上，模拟中国金融市场；通过反复试验，找出仿真系统的序参量，进而发掘仿真系统的演化模式，研究风险形成的内在机理。

2013年1月－2013年12月，主要是研究风险管理方法、建立风险预警系统平台、项目总结与鉴定。在确定金融风险形成机理的基础上，研究中国金融市场有效的风险管理方法，建立一个风险预警系统平台。提交研究报告、论文，最后完成对项目的鉴定。本项目预计发表关于中国金融市场交易者偏好的效用函数研究、中国交易者预期模型、基于双向拍卖制度的价格产生模型、中国金融市场上交易者预期模型、中国金融市场上交易者演化博弈行为研究、模拟交易者相互学习的算法研究、中国金融市场Swarm仿真平台研究、中国金融市场的分形结构与特征研究、金融市场的混沌特征及其序参量、中国金融市场风险形成机理研究、基于Agent的金融风险管理方法研究、中国金融市场的风险预警系统Swarm平台研究等方面的学术论文至少5篇；向有关金融单位与金融监管部门提交1份内部金融风险评估与预警研究报告；为银行与证券机构的风险管理提供开发方案与建模技术指导，为宏观决策者与实际交易者提供科学决策工具和依据。具体成果形式包括：（1）研究报告1份；

（2）发表高水平学术论文5篇，其中英文期刊论文2篇以上；（3）有自主知识产权的基于Agent的金融风险管理软件1套。

第二篇：自科基金主要研究内容

超声振动模压主要研究内容：

主要目标：

通过研究超声振动作用—玻璃材料流动特性、填充性能—玻璃/模具贴合度—尺寸和形状的传递性—成型精度之间的内在关系，探讨超声振动对玻璃材料流动机理及特性、成型精度、残余应力、脱模等方面的影响，揭示微光学玻璃元件的超声振动辅助超精密热压成型机理和规律，形成有效控制微光学玻璃元件热压成型精度的新方法及技术。

非球面微型透镜阵列元件、非球面柱面透镜阵列元件、微V形槽元件作为加工研究对象，达到以下技术要求。

（1）总体要求：用于精密模压的低熔点光学玻璃K-PSFn173、N-FK5、K-PBK40和BK7，阵列元件或为微沟槽元件厚度0.3-3.0mm，整体尺寸≤30mm×30mm，单元尺寸≤5mm×5mm，单元数≥16个；

（2）非球面微型透镜阵列元件技术指标：模具非球面面形精度达到P-V≤0.2µm，表面粗糙度Ra≤30nm，成型后的元件单个非球面透镜口径1-5mm，面形精度P-V≤0.5µm, 表面粗糙度Ra≤50nm；

（3）非球面柱面透镜阵列元件技术指标：模具非球面面形精度达到P-V≤0.3µm，表面粗糙度Ra≤40nm，成型后的元件单个非球面柱面透镜口径1-5mm，面形精度P-V≤1µm, 表面粗糙度Ra≤100nm；

（4）微V形槽元件技术指标：模具面形精度达到P-V≤0.5µm，表面粗糙度Ra≤100nm，成型后的元件V型槽宽0.1-2mm，槽深0.1-0.5mm，面形精度P-V≤1µm, 表面粗糙度Ra≤200nm。

主要研究内容：

1)高温状态下超声振动系统的稳定性。2)超声振动下光学玻璃的流动机理及特性。

3)超声振动影响模具复杂形状传递（shape transferability）的规律。4)研究超声振动对光学元件脱模性能的影响。

5)研究超声振动辅助热压成型工艺，优化成型工艺参数。

6)微结构光学元件超声波辅助热压成型过程中数值模拟和仿真预测。