Все
 
 
 


Адаптивная регрессия для агент-ориентированного моделирования
 
Код статьиS042473880028256-0-1
DOI10.31857/S042473880028256-0
Тип публикации Статья
Статус публикации Опубликовано
Авторы
Цыплаков Александр Анатольевич 
Должность: доцент, в.н.с.
Аффилиация: Институт экономики и организации промышленного производства СО РАН, экономический факультет НГУ
Адрес: Российская Федерация, Новосибирск
Название журналаЭкономика и математические методы
ВыпускТом 59 №4
Страницы111-125
Аннотация

Рассматривается алгоритм для реализации адаптивного поведения агентов в агент-ориентированных моделях (АОМ). Предполагается, что агент обладает некоторой внутренней параметрической моделью окружающего мира, которая порождает функцию правдоподобия для получаемой агентом информации об окружающем мире. Процесс адаптивного обучения агента за счет изменения параметров представлен в виде фильтрации в общей модели пространства состояний. В статье описан алгоритм SQ-фильтра, в котором используется линейная гауссовская плотность перехода и квадратичное по параметрам приближение для логарифмической функции правдоподобия. Данный алгоритм является модификацией классического фильтра Калмана. Он приложен к линейной регрессии с меняющимися параметрами. При поступлении агенту новой информации оценки параметров, в число которых входят как коэффициенты регрессии, так и дисперсия ошибки, корректируются <em >оценки параметровадаптивным образом с учетом возможных выбросов. Работоспособность предложенной адаптивной регрессии проверена на двух экономических АОМ. Алгоритм показал хорошие результаты как в модели искусственного фондового рынка при предсказании агентами-трейдерами рыночной цены, так и в модели российской экономики при предсказании фирмами спроса на свою продукцию. С его помощью можно наделять агентов правдоподобным поведением без использования чрезмерно сложных расчетов.

 

 

Ключевые словаадаптивное обучение, фильтр Калмана, агент-ориентированные модели
Источник финансированияСтатья подготовлена по плану НИР ИЭОПП СО РАН (проект № 121040100262-7) «Инструменты, технологии и результаты анализа, моделирования и прогнозирования пространственного развития социально-экономической системы России и ее отдельных территорий».
Получено13.11.2023
Дата публикации28.12.2023
Кол-во символов40586
Цитировать  
100 руб.
При оформлении подписки на статью или выпуск пользователь получает возможность скачать PDF, оценить публикацию и связаться с автором. Для оформления подписки требуется авторизация.

Оператором распространения коммерческих препринтов является ООО «Интеграция: ОН»

Всего подписок: 0, всего просмотров: 86

Оценка читателей: голосов 0 

1. Авдеева О.А., Цыплаков А.А. (2015). Метод адаптивного оценивания срочной структуры процентных ставок // Экономический журнал ВШЭ. Т. 19. № 4. С. 609–639.
2. Лукашин Ю.П. (2003). Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика.
3. Цыплаков А.А. (2022). Стационарность и рост в агент-ориентированной модели экономи-ки // Мир экономики и управления. Т. 22. № 1. С. 84–102.
4. Шеннон Р. (1978). Имитационное моделирование систем – искусство и наука. М: Мир.
5. Arthur W.B. (1991). Designing economic agents that act like human agents: A behavioral ap-proach to bounded rationality. The American Economic Review, 81, 2, 353–359. Papers and Proceedings of the Hundred and Third Annual Meeting of the American Economic Associa-tion, May, 353–359.
6. Arthur W.B., Holland J., LeBaron B., Palmer R., Tayler P. (1997). Asset pricing under endo-genous expectations in an artificial stock market. In: W.B. Arthur, S. Durlauf, D. Lane (eds.). The economy as an evolving complex system II. Reading: Addison-Wesley, 15–44.
7. Brenner T. (2006). Agent learning representation: Advice on modelling economic learning. Сh. 18. Handbook of Computational Economics,  2, 895–947.
8. Carceles-Poveda E., Giannitsarou C. (2007). Adaptive learning in practice. Journal of Economic Dynamics & Control, 31, 2659–2697.
9. Creal D., Koopman S.J., Lucas A. (2013). Generalized autoregressive score models with applica-tions. Journal of Applied Econometrics, 28, 5, 77–795.
10. Dawid H., Delli Gatti D. (2018). Agent-based macroeconomics. In: Handbook of computational economics. Vol. 4. C. Hommes, B. Lebaron (eds.). SSRN Electronic Journal, 63–156. DOI: 10.2139/ssrn.3112074
11. DeAngelis D.L., Diaz S.G. (2019). Decision-making in agent-based modeling: A current review and future prospectus. Frontiers in Ecology and Evolution, 6, 237.
12. Evans G.W., Honkapohja S. (2001). Learning and expectations in macroeconomics. Princeton: Princeton University Press.
13. Harvey A.C. (2013). Dynamic models for volatility and heavy tails: With applications to financial and economic time series. Econometric society monograph. Cambridge: Cambridge University Press.
14. Hunter E., Namee B.M., Kelleher J.D. (2017). A taxonomy for agent-based models in human in-fectious disease epidemiology. Journal of Artificial Societies and Social Simulation 20, 3, 2. Available at: https://www.jasss.org/20/3/2.html  DOI: 10.18564/jasss.3414
15. Hyndman R.J., Koehler A.B., Ord J.K., Snyder R.D. (2008). Forecasting with exponential smoothing: The state space approach. New York: Springer.
16. Iori G., Porter J. (2018). Agent-based modeling for financial markets. In: The Oxford handbook of computational economics and finance. S.-H. Chen M. Kaboudan, Y.-R. Du. (eds.). New York: Oxford University Press, 635–666. DOI: 10.1093/oxfordhb/9780199844371.013.43
17. Kirman A. (2011). Learning in agent-based models. Eastern Economic Journal, 37, 20–27.
18. Lange K.L., Little R.J., Taylor J.M.G. (1989). Robust statistical modeling using the t distribution. Journal of the American Statistical Association, 84, 881–896.
19. Leijonhufvud A. (1993). Towards a not-too-rational macroeconomics. Southern Economic Jour-nal, 60, 1, 1–13.
20. Nguyen  J., Powers S.T.,  Urquhart N., Farrenkopf T., Guckert M. (2021). An overview of agent-based traffic simulators. Transportation Research Interdisciplinary Perspectives 12, December, 100486.
21. Rand W. (2006). Machine learning meets agent-based modeling: When not to go to a bar. C.M. Macal, D.L. Sallach,   M.J. North (eds.). Proceedings of the Agent 2006 conference on social agents: Results and prospects. Argonne National Laboratory and University of Chica-go, Chicago, 51–59.
22. Shannon R.E. (1976). Simulation modeling and methodology. WSC '76: Proceedings of the 76 Bi-centennial conference on winter simulation, December, 9–15.
23. Sinitskaya E., Tesfatsion L. (2015). Macroeconomies as constructively rational games. Journal of Economic Dynamics & Control, 61, 152–182.
24. Tanizaki H. (1996). Nonlinear filters: Estimation and applications. 2nd ed. Berlin, Heidelberg: Springer-Verlag.
25. Tesfatsion L. (2012). Detailed notes on the Santa Fe artificial stock market (ASM) model. Availa-ble at:  http://www2.econ.iastate.edu/tesfatsi/SFISTOCKDetailed.LT.htm 
26. Timmermann A.G. (1993). How learning in financial markets generates excess volatility and pre-dictability in stock prices. The Quarterly Journal of Economics, 108, 4, 1135–1145.
27. Weidlich A., Veit D. (2008). A critical survey of agent-based wholesale electricity market models. Energy Economics 30, 1728–1759.

Система Orphus

Загрузка...
Вверх