技术交易规则范文

导语：想要提升您的写作水平，创作出令人难忘的文章？我们精心为您整理的5篇技术交易规则范例，将为您的写作提供有力的支持和灵感！

篇1

【关键词】

技术分析；超额收益；适应性假说

一、引言

近年来，随着深圳证券交易所和上海证券交易所的成立，许多学者在国外学者研究的基础上对中国的市场获利性进行了研究。但是，国内学者对适应性市场假说的研究结论不够明确充分。对此，本文结合国内和国外相关文献，对证券市场可预测性研究结果进行了理论分析。

二、股市技术分析策略的获利性研究综述

现代资本市场一个不能回避的事实是，技术分析方法得到广泛的应用。技术分析试图通过对过去价格、交易量和其它证券交易指标的研究来预测价格未来走势。根据有效市场假说（EMH），任何基于过去信息的价格预测都是没有意义的，因此技术分析方法的使用及其预测、获利能力直接与有效市场假说相矛盾。

在Fama框架下，大部分研究都认为股票市场是非常有效的，基于技术交易策略的投资决策在考虑交易成本以后无法产生超额收益，而且，即便是调整的移动平均线交易策略也未必能能产生超额收益可以抵消交易成本。

然而，有一些研究却得出了截然相反的结论。移动平均线交易策略能产生显著优于买入并持有交易策略的超额收益，而股票市场效率则呈现无效或弱式有效的特征，有些研究甚至发现，即使考虑到交易成本，在弱式有效的股票市场中也能存在具有一定预测能力的技术交易策略。股票市场的技术策略并非是唯一的，并非只有移动平均策略可以带来超额收益，三种常用的技术分析策略同样可以产生显著优于买入并持有交易策略的超额收益。我国学者在国内证券市场亦进行了很多研究，与国外相同的是，部分的国内的研究成果结果也验证了移动交易策略的有效性。一些学者通过对上证综合收盘指数来进行研究，对移动平均线交易规则在上海股票市场收益率的预测能力和盈利能力进行了统计分析和假设检验，分析和检验的结果表明，上海股票市场的股票收益率具有较显著的预测能力，并且采用移动平均线交易规则可以获得显著高于买入并持有策略的盈利能力。

除此之外，上个世纪60年代至80年代，学术界对传统技术交易规则的早期研究表明，技术分析方法并不能帮助投资者预测未来价格的变化，但是这些检验大多基于线性模型和传统的统计检验方法，检验技术分析能否获得超常收益方面存在缺陷。研究发现，收益率的各种线性原假设模型均不能解释技术交易规则的预测能力和获利水平，而Bootstrap检验也表明AR（l）和CARCH（l，l）这两个收益率线性模型无法解释这种获利能力。此外，对南美和亚洲的其它新兴市场的实证研究也得到类似结果。这说明，技术分析方法有助于预测股票价格变动，并且技术交易规则所揭示的收益率动态过程不能被各种线性原假设模型所解释。因此，股票价格形成过程是一个非线性过程，技术分析方法可能因捕捉到这些非线性特征而具有预测能力。用技术分析策略可以证明，股票价格的非线性动态存在获利性，而线性动态过程则不能获得超额收益。一些研究显示，在简单技术交易规则基础上，采用非线性方法构建更为复杂和精巧的交易模型将具有更高的预测能力。我国国内一些学者运用前向人工神经网络方法建立了收益率的非线性预测模型，发现基于移动平均规则交易信号的ANN模型具有明显高于AR模型和各种移动平均规则线性模型的样本外预测能力。

这些前沿研究大都将目光关注在股市收益是否具有可预测性，市场效率的波动性，却很少探索市场环境变化对股市超额收益的影响。适应性市场假说认为，连续性地使用一种策略会使收益下降，单一的投资策略难以应付市场环境的变化，并最终难以获得超额收益。CJ Neely，PA Weller，JM Ulrich（2009）。通过对外汇市场的技术分析在外汇市场，适应能够产生超额利润，甚至能持续一段时间，而且，外汇市场存在获取长期盈利能力的技术分析策略，不过，这种获利性会因为交易员的学习和竞争而逐渐消失。Kinga Niemczaka and Graham Smithb，（2013）使用三个有限样本方差比测试了11个中东股市的市场效率，验证鞅假设的同时，也得出如下重要结论：首先，有明确的证据证明效率随着时间的推移而变化，全球金融市场的集成可以提高市场效率，其次，收益可预测性的时变性特征也证实了适应性市场假说。Ito，M.and Noda，A.（2012）利用A Non-Bayesian time-varying model（非时变贝叶斯模型）对美国股市进行适应性实证表明：美国股市随着时间的变化而在不停的进化，其市场效率在很长一段周期内呈现周期性波动。Akihiko Noda（2012）利用Ito and Noda’s（2012）非贝叶斯时变AR模型对日本市场进行研究，考察了Lo（2004，2005）的适应性市场假说，并基于时变长期乘数，测量了Ito and Noda’s（2012）的市场效率程度，得出了TOPIX指数和TSE2指数市场效率的程度随时间的变化而变化的结论。而市场效率的体现途径之一是股市收益的可预测性程度。

参考文献：

[1]林玲，曾勇，唐小我.移动平均线交易规则检验[J].电子科技大学学报（自然科学版），2000，29（6）

[2]唐彧，曾勇，唐小我.考虑交易费用与风险情况下移动平均交易规则的检验[J].管理工程学报，2002，16（3）

篇2

1.引言

对于股票市场价格的探讨一直是现代金融理论的核心问题之一，然而随着人们对金融市场认识和研究的不断深入，以完美理性为基础的有效市场假说因难以解释现实金融市场中存在着大量的与有效市场假说相悖的异象而日益受到质疑。于是经济学家开始引入其他因素来对这些异象进行解释，并创建了行为金融学等新兴学科。

值得关注的是，近年来，一种新的基于主体建模的研究方法在金融学中得以应用，并逐渐形成了一门新的学科――基于主体的计算金融学（ACF）。它基于复杂自适应系统理论，将股票市场中的交易者看成大量的异质主体，每个主体根据自己对市场预期进行股票交易，从而形成了价格等宏观特征，这些特征又会反过来影响不同主体的预测和决策行为。同时，计算机技术的发展为我们进行大量的主体模拟提供了可能。ACF便是采用这种基于主体“自下而上”的建模方法，并通过计算机仿真技术对市场中交易者与市场宏观特征之间的这一双向反馈过程进行建模运算，试图从微观层面上来解释金融市场的宏观特征的一门新兴学科。它的研究内容主要包括主体投资策略、市场价格形成机制、财富在各主体之间的分配规律及市场宏观特性的涌现（Emergence）的原因等[1]。并作为一种新的研究范式，将市场的宏观层面和微观层面统一起来，能够更加真实、深刻地反映金融市场的运行规律[2]。

本文的模型就是基于主体的模型，模拟了股市中三种类型的交易者：技术交易者，基础交易者与噪声交易者，并试图通过模拟解释不同类型交易者行为对股票市场价格的影响。

2.基于主体的建模技术

2.1 基于主体的建模技术

主体是指在一定的环境下能独立自主的运行，作用于自身生存的环境，并能不断从环境中获取知识以提高自身能力，将推理和知识表示相结合的智能实体[3]。基于主体建模的系统仿真技术在90年代以来广泛应用于经济社会研究中，它通过在微观层次上构造各仿真实体并对主体个体及其相互之间的行为进行刻画，进而从微观个体推导出宏观效应，是一种自下而上的研究方法。与传统的新古典经济理论相比，研究者追求的结果不再是系统的均衡与稳定，而是试图理解相互作用与涌现相互关联发展的过程。在这种研究方法中，组成系统的主体，具有认知与自主能力，通过简单的个体行为组成了复杂多变的经济景象。系统中各主体复杂的相互作用表现出了单个主体所不具有的特征――涌现行为，从而使整体表现大于单个个体简单的相加[4]。

2.2 基于主体建模方法的特点与优势[5]

与普遍使用的、以数学方程为基础的建模方法相比，基于主体建模方法的特色在于：

1）关注的内容不同。传统的建模方法往往以一组数学方程作为起点，这些方程代表了宏观系统的属性之间的关系。基于Agent建模方法的关注点是系统中发生于个体间的交互行为和作用，宏观系统的属性变化则是作为上述作用的结果体现出来。

2）对待系统层次的视角不同。基于数学方程的建模方法基本上是使用系统级的可观察属性，从某一个特定的系统层次去看待系统，基本上不涉及跨层次的问题，而基于Agent建模方法则把注意力集中于相关的个体行为，从底向上地观察和描述系统的行为，是一种由低到高、从微观到宏观的、跨层次的研究思路。

由于以上的概念和思路，与传统建模方法相比，基于Agent建模方法具有以下几个突出的优点：

1）提供了表述系统元素的主动性的方法，扭转了把系统中的个体单纯地看作被动的、僵死的部件的观念。

2）提供了反映层次间相互联系的方法，突破了仅仅从统计规律的角度去理解的范围，从而开辟了理解和认识涌现、突变等现象的新天地。

3）提供了真正理解发展和演化的可能性，改变了简单化的、只考虑量变的、线性外推的预测方法，引进了更加符合客观现实的、量变和质变相联系的思维方式。

4）由于基于Agent建模方法和计算机技术的先天的、内在的联系，它提供了非常直接的可操作性，从而为研究人员提供了越来越方便的研究工具和软件平台，使得人类对于复杂系统规律的研究和认识进入了一个新的阶段。

2.3 基于主体经济模型的建模步骤

一般建立基于主体经济模型的步骤如下[5]：

1）问题识别。分析经济理论和经济现实中存在的问题，并提出解决问题的目标。

2）模型框架。描述人工经济的框架，包括：主体的类型；主体之间相互作用的市场协议；人工经济一轮进化过程中的事件发生次序；经济总量的统计方式。

3）主体描述。描述每一类主体的状态和行为模式。主体的状态决定其行为，主体的行为能改变其状态，甚至改变行为模式本身（行为进化）。

4）实验设计。选择一种系统仿真平台和一种计算机程序设计语言，模拟主体行为模式和经济运行模式；确定每一类主体的数目，采用适当方法为所有主体状态赋初值。

5）结果分析。观察模型运行的结果，应用经济学理论给予解释。

3.基于主体模型的股票市场仿真

本文在多主体股市建模思想的指导下，建立了一个多主体股市模型，并利用SWARM平台[6]具体实现其计算机模拟，通过改变市场中不同类型交易者数量，观察不同投资者对股票市场价格行为的影响，再现了许多现实股市中普遍存在的事实。模型设立如下：

3.1 投资者分类

（1）技术交易者

技术交易者用一些简单的技术规则来决定股票的买卖。交易规则采用移动平均的方法，即短期移动平均值大于长期移动平均值时买入，反之卖出，交易规则的选取在主体初始化时进行随机分配。

技术交易者的行为包括四个方面：

1）获取信息。这里的信息主要为有当前股票的价格。

2）选取交易规则。模型中设定每个交易者在给定的时间段里只能用一个交易规则来进行判断，所以在进行决策之前技术交易者需要选择规则。

3）决策。一旦交易者选定了交易规则，那他将根据该规则做出买入、卖出或者持有的决策。

（2）基础交易者

基础交易者按照原则值进行交易，他们在每次交易前会对股票的真实价值进行一个估算，即股票的市场价格低于其真实价值时买进，反之卖出。

真实价值的计算均采用股息零增长价值模型，即：

p*=D/K

其中D为固定的现金股息，K为投资者要求的投资回报率，由于不同投资者对投资回报率要求不同，本文中K的取值在一定范围内随机产生。

（3）噪声交易者

噪声交易者是指非理性的根据似乎是真实的信息而实际上却是噪声信息进行交易的交易者，他们的行为更加接近于随机的交易。

3.2 价格形成

市场价格的形成采用做市商机制。市场中存在一个做市商，他首先宣布一个初始的价格，之后市场中各类交易者根据初始价格做出相应的交易策略，做市场接受这些交易者所有的交易请求，并根据市场上的供需力量对比不断调整市场价格，每次调整价格的变化为一个固定的量，如0.01。

3.3 主体行为时间表

3.4 仿真程序的编写

根据上面的模型，编制了SWARM程序。其中，FAgent类定义了基础交易者的基本属性和交易策略，设定股票的现金股利为1元，基础交易者之间的差异在于每个交易者所要求的投资收益率不同。

TAgent类定义了技术交易者的基本属性和交易策略，技术交易者之间的不同在于他们随机选择交易规则的不同。

NAgent类定义了噪声交易的基本属性和交易策略，噪声交易者以0.5的概率随机买入或者卖出股票。

Market类定义了做市商和价格的出清方法clear（），他将计算每一期的超额需求并给出新的市场价格。

ModelSwarm类中进行了对象初始化，定义了交易者的数量和股票的初始价格，接着定义了行为时间表及参数的输入与输出，ModelSwarm管理着整个程序的顺序运行。

在OberverSwarm类中，初始化了模型界面，并将价格绘制在二维图框中。

最后是StartModel类，包括一个main（）函数，是整个程序的入口。

4.结果分析

4.1 市场只存在技术交易者的情况

假定市场中只存在技术交易者，股利与投资回报率固定不变，得到仿真结果如图1所示：

在市场中全是技术交易者的情况下，此时并不考虑股利的变化，股票价格急速上涨并形成股价泡沫或者急速下跌形成市场崩溃。这主要原因在于技术交易者的大量涌入，引起股价自我实现机制的增强。当一些技术指标显示“看涨”或“看跌”时，买者和卖者一拥而上，从而强化了现有股价的涌动趋势，而导致更多的技术指标显示相同的趋势，引起更多的股民采取相同的交易策略，从而导致了股价泡沫与崩盘[3]。

模拟结果从一个方面很好的再现了现实股票中的“羊群效应”。在本文的模拟中，所有交易者所得到的信息都是一致的，即市场处于上涨或下跌的过程，并且随着技术指标的强化，这样的信息不断的加强。因此引发的从众行为导致了市场泡沫和市场崩溃。

4.2 市场只存在基础交易者的情况

设定市场中只有基础交易者，基础交易者人数为50，每股股利为1元，投资者要求的投资回报率因交易者的不同而要求不同，模型设定为在0.08―0.12间随机分配。通过改变初始价格（Pr）和股利（D），得到仿真结果如图2所示：

我们可以看到，随着每股股利的变化，股票价格迅速上涨或下降并稳定在一个固定的值，即在此时认为股票被高估或者股票被低估的人数正好相等。此时股票市场的运行时符合Fama经典的“有效市场假说”，即：股票价格良好的反应了所有“理性人”的供求平衡。

4.3 同时存在技术交易者和基础交易者的情况

假定股票的股利固定不变，设定为1，。通过改变两类交易者人数，得到仿真结果如图4-图5所示：

从结果我们可以看出，当市场中存在的基础交易者数量小于技术交易者数量时，股价出现了和只存在技术交易者时的股价泡沫现象，但随着基础交易者的增多，市场中存在的基础交易者数量大于技术交易者数量时，股价出现了一种相对稳定周期的波动现象，并且随着基础交易者的继续增多，股价波动的周期明显变短，幅度也逐渐变小。这说明，基础交易者的存在对稳定市场起着非常重要的作用，而技术交易者趋向于使价格变得不稳定。股票市场价格的波动是技术交易者和基础交易者围绕着股票的真实价值进行力量较量的结果。

4.4 同时存在基础交易者、技术交易者和噪声交易者的情况

在上一节的基础上，我们进一步引入噪声交易者，得到仿真结果如图6-图7所示：

我们可以看出，加入噪声交易者后，原本相对稳定的周期波动的逐渐的变得相对不稳定，随着噪声交易者的不断增多，这种不稳定的现象越来越明显，由此可见噪声交易者对于整个股市的影响是相对较小的，股票价格的波动主要是技术交易者和基础交易者进行力量较量的结果。对比图4图5，我们不难发现，加入噪声交易者之后，股票价格波动的周（下转第33页）（上接第5页）期明显缩短，噪声交易者的加入明显提高了市场的流动性。这与Fischer Black[7]的研究结果是一致的。

4.5 考虑股利的变化

之前我们对仿真结果的讨论均建立在股票的股利不变的情况下，这并不符合实际情况，接下来的仿真中，我们通过改变股票的股利，得到结果如图8所示：

从图形很容易的发现，股利发生变化时的仿真结果更加接近现实中的股市运行状况：股票价格以波浪式上涨或者以波浪式下跌。

对比之前仿真结果我们能够得出：

股票市场价格的运动趋势是由公司的股利也就是公司的经营状况所决定，它反映了股票的真实价值。在真实的股票市场中，影响一个公司基本面的因素有很多，如：宏观经济增长情况，行业发展情况，国家经济政策变动，公司经营策略，

财务状况，盈利状况，市场占有率，人才状况等等。若将更多的复杂因素都纳入我们的模型当中，得到的仿真结果也将会更为复杂，更为接近真实市场。

5.结论

通过计算机仿真研究，我们得出了如下有意义的结论：

（1）技术交易者的存在使得股票价格倾向于沿着一个固定的方向运动，并使股票的价格变得不稳定。当技术交易者的力量在股票市场中占据绝对优势时，容易使得市场产生一种“非理性的情绪”，使价格的波动形成一种正反馈效应，并进一步诱发“羊群效应”，从而导致股市的泡沫或者崩盘。

（2）基础交易者的存在对于市场的稳定起着重要的作用，它促使股票价格从“非理性”回归到“理性”的真实价值。只有在信息绝对对称，并且只存在理性的基础交易者的情况下，股票市场才能构成EMH中的有效市场，然而这种市场在现实中是显然不存在的。

（3）股票市场的波动是技术交易者和基础交易者进行力量较量的结果，这种较量使得股票价格始终围绕其真实价值上下波动。而噪声交易者对于股票价格的影响是相对较小的，它的加入增加了市场中的交易对手，从而有利于市场的流动性。

（4）股票价格的运动趋势是由公司基本面决定的，股票价格在波动中随着票的真实价值上涨或下跌。

参考文献

[1]马进胜,邱菀华.基于主体的计算金融学综述[J].北京航空航天大学学报:社会科学版,2007,6(2):14-17.

[2]刘文财,刘豹,王启文等.基于Agent的金融市场模型研究进展综述[J].系统工程学报,2003,18(2):135-141.

[3]刘大海,王治宝,孙,张瀚.基于Agent的股票价格行为仿真[J].计算机工程,2004,30(19):168-170.

[4]梁震中.基于Agent建模的金融市场复杂性研究[D].中南大学硕士学位论文,2008.

[5]陈禹.复杂性研究的新动向――基于主体的建模方法及其启迪[J].系统辩证学学报,2003,11(1):43-50.

[6]刘贞,程勇军.Swarm for Java仿真及编程实现[M].北京:机械工业出版社,2009．

[7]Black,Fischer.Noise.Journal of Finance,July.1986,41:529-543.

[8]Arthur W B,Holland J H,LeBaron B,Palme R G and Talyer P.Asset Pricing under Endogenous Expectations in an Artificial Stock Market.The Economy as an Evolving Complex System II,1997.

[9]Situngkir H,Surya Y.Agent-based Model Construction In Financial Economic System,WorkingPaper WPU Bandung Fe Institute,2003.

篇3

电话：_________

传真：_________

网址：_________ 乙方：_________

身份证号码：_________

地址：_________

电话：_________

e-mail：_________

本协议项下，乙方愿意成为甲方的特约经纪代表并遵守甲方所制定之《_________技术交易所交易规则》（以下简称规则）以及《_________技术产权交易所会员守则（暂行）（以下称守则）》以及其他规章制度的规定，按甲方的业务范围为客户提供中介服务。经协商一致，双方达成以下条款，以明确双方权利与义务，并共同遵守履行。

一、保证条款

1．甲方保证其为依法组建，有权签订本协议的法人组织。

2．乙方保证已年满18周岁，且非法律法规规定不得从事本协议约定业务之人员，乙方并保证所提供的资料真实可靠。

二、乙方从事业务之范围

1．为科技成果转让、许可使用进行中介服务；为科技型企业产权转让、融资进行中介服务；

2．为技术引进，外资项目引进进行中介服务；为技术出口进行中介服务。

三、乙方须经甲方培训认可并发放技术产权经纪证书后方可进行相关中介服务。

四、乙方每年向甲方缴纳_________元人民币的管理费。双方同意，该费率可根据实际情况予以调整。管理费应在每年第一个自然月最后一个工作日前付清；第一年度管理费乙方应在本协议生效后十个工作日内付清。拖欠管理费超过半年，甲方有权取消乙方经纪代表资格。

五、乙方的权利义务

1．凡乙方提供中介服务的项目，乙方有权按与委托方的协定标准收取委托方的佣金；

2．凡乙方提供服务的项目通过甲方挂牌成交的，有权要求甲方协助申请_________市促进科技成果转化和技术产权交易专项资金的奖励；

3．乙方有义务遵守甲方之交易规章制度。

4．乙方通过甲方所得报酬的税负由甲方代扣代缴，有优惠政策的，按政策办理。

六、协议的解除和终止

1．乙方欲提前终止本协议的，甲方应予允许，但乙方对其此前从事的中介活动仍负有独立完全的责任。

2．乙方对涉及到当事人以及本交易所需要保密的内容有义务予以保密。

3．乙方不能正确履行其义务，或者违反法律法规，甲方有权提前终止本协议，并追究乙方的违约责任。

4．协议届满，乙方愿意续约的，可以续约，但甲方对此保留最终审核权。

七、特别约定

1．乙方明白并同意乙方并非甲方的职工，不纳入甲方劳动编制，乙方仅享有通过甲方信息资源平台进行中介服务以及获得甲方协助申请交易奖励服务的权利，不享有劳动福利、保险等权益；乙方不得以甲方职工、受托人或任何身份，代表甲方发表、签署任何文件、或承诺承担任何法律责任。

2．乙方在促成交易过程中，因其过错造成转让方、受让方或其他相关各方损失时，乙方应独立承担赔偿责任。

3．甲方与乙方因本协议所形成的关系不能解释为聘请、、或合伙关系。

4．乙方签约前，已经阅读并完全了解本协议及本协议所提到的交易规则和会员守则，乙方同意并愿意遵守。

5．乙方同意甲方可根据国家政策的要求对公司的规章制度作相应的调整，乙方在此承诺接受并遵守，否则本协议在乙方提出异议时自动终止。

八、争议解决：甲乙双方因本协议而发生的争议，应友好协商解决。经友好协商不成的，任何一方均可向甲方所在地有管辖权的人民法院提讼。

九、协议期限：自本协议签订之日起至第十二个月最后一日止。

十、本协议自签订之日生效，协议一式两份，具同等法律效力，甲、乙双方各执一份。

甲方（盖章）：___________ 乙方（盖章）：___________

代表人（签字）：_________ 代表人（签字）：_________

篇4

平均数法在证券投资领域的应用主要包括简单移动平均、平均动向指数、平滑异同移动平均及基于移动平均操作的其他方法等。其中平均数法最早在证券市场中的应用是1884年CharlesDow在证券价格平均指数中所观察到的证券价格变动。在随后的研究中，Neftci为了决定技术分析的普及程度是否有一个客观基础，在1991年进行了一项关于技术分析统计特性的调查，并试图根据马尔科夫时序来建立技术分析规则，但是马尔科夫时序本质上是在给定当前知识或信息的情况下，过去的状态对于预测未来是无关的。因此，Neftci考察了150天移动平均数和道琼斯指数之间的关系，并测试了1911－1976年间的道琼斯工业指数，发现移动平均数所产生的马尔科夫时序似乎有一些预测价值。而且，他还回顾了多个其他的技术分析方法，发现其中许多方法并未产生马尔科夫时序，因此得出只有在图表上有效地依托“看到未来”，才能够生成预测的结论。1992年Brock等人则利用1897年的第一个交易日到1986年的最后一个交易日的道琼斯工业平均指数的数据对技术交易规则进行测试。作者测试了组合的移动平均线并设计了固定长度和可变长度的持股期以及趋势线策略，并围绕消除价格跨越边界线来回震荡设计了一个百分点的频段。作者的发现对使用技术分析提供了有利支持，特别是使用一个百分点频段的移动平均数策略。此外，还发现了买（卖）信号所产生的收益要比正常收益高（低），而且这些差别并不能够被风险所轻易地解释。最后，作者得出了技术规则具有预测能力的结论。1993年Levich和Thomas使用Bootstrap方法测试了从1976年到1990年期间5种货币的期货合约。他们的研究发现使用简单的过滤规则和多种常用的移动平均指数进行交易获得了超过15年的持续盈利。Levich和Thomas总结得出“遵循交易规则所产生的盈利趋势强烈表明数据中存在着某种串行依赖形式，但对这种依赖的性质仍然不清楚”。与此同时，1997年LeBaron提出了基于简单移动平均数的交易规则，并利用这个规则对外汇汇率过程进行了标准化测试，并得出该外汇市场不遵循随机游走假说，而且偏差会被简单的移动平均数检测到。2003年SuandHuang结合使用了移动平均线、随机线、平滑异同移动平均线、相对强弱指标和指数移动平均线来确定趋势方向，并取得了很好的结果。综合上述文献可见，国外学者对平均数法的技术分析已具有较丰硕的研究成果。

1.2技术指标法在证券投资交易中的应用

证券投资交易市场中技术指标是指根据价格、交易量等历史数据，通过建立一个数学模型，给出数学上的计算公式，得到一个体现证券市场某个方面内在实质的指标值，常见的指标有相对强弱指标、随机指标、趋向指标、能量潮等，有众多学者在研究中使用了这些技术指标，并在学术界形成一定的理论基础。1998年PruittandWhite证明了基于累积量、相对强度和移动平均（CRISMA）交易系统的有效性。该交易系统需要交易者买入和卖出的是在交易所上市的认购期权制度明确的证券，并且应符合预定义的规则。这项研究包括了从1976年到1988年的171家公司，并假设可以购买第二最短的成熟期权。实验结果表明，即使在交易成本最大的1988年，该交易系统每回交易的平均回报也有12．05％。此后，2001年Goodacre和Kohn－Speyer使用1988－1996年间的美国数据对CRISMA交易系统的有效性进行了重新检测。发现该系统的性能随着时间的推移而出现了不稳定，而且一旦考虑了市场运动、风险和交易成本时，该系统将不会再获利，最后得出了与市场有效相一致的结论。2000年Lee和Swaminathan则研究了价格动量和交易量。他们发现过去的交易量可以预测价格动量的幅度和持续时间，即过去的交易量有助于缓和中期区间反应不足和长期区间过度反应的影响。2004年Demir等人研究了在澳大利亚股票市场应用动量策略所取得的收益回报情况。他们发现相比于其他市场，动量策略在澳大利亚市场更加的流行并可获得更多的收益，同时该策略所产生的回报会随着时间的推移而愈加稳健且获利性更强，而且所观察到的收益不能被规模和流动性所解释。

1.3软计算法在证券投资交易中的应用

软计算是指通过对不确定、不精确及不完全真值的容错来取得低代价的解决方案和鲁棒性。它模拟自然界中智能系统的生化过程来有效处理日常工作。软计算包括人工神经网络、遗传算法、模糊逻辑等。其中软计算方法在证券投资交易中的应用更为广泛。在人工神经网络方面：1988年White考虑了在一个持续期内使用神经网络来预测IBM公司普通证券价格的日回报。White没有找到任何与有效市场假设相违背的证据。它注意到采用后向传播的神经网络方法可以有效地降低训练中的错误，然而利用优化利润的方式来寻找反驳EMH的证据时，却并未通过使用神经网络获得直接证据。1991年Jang等人建立了两个神经网络来学习价格运动趋势和随机指标之间的相关性。一个网络采用了12天移动窗口，而另一个网络采用的是最近交易季的过滤数据。最后的输出设为两个网络输出的加权总和。此外，基于模型预测的准确性，并利用自适应权重调整算法对权重进行了调整。该文中的集成的观念就是对从两个不同视角所得到的结果进行加权输出，其中一个是短期趋势视角，而另一个是长期趋势视角，这个加权输出在台湾股市中获得了很好的市场回报。继这项研究后，研究者们进一步证实了利用集成移动平均的平滑预测方法会产生更为优越的交易结果。在遗传算法方面：1997年Neely等人使用遗传算法寻找到有效交易规则并研究了1981－1995年间的6种外汇汇率。他们的这种规则发现类似于那些技术性投资者所使用的规则，而且这些规则在经济上产生了显著的样本外收益回报。此外，他们并没有发现能够证实该额外收益是由风险所引发的证据，同时通过自举过程，利用那些交易规则检测到了没有被标准统计模型所捕获的数据模式。Neely等人把这些结果看作是市场低效率性的可信证据。2002年Skabar和Cloete使用了一个基于权重的遗传算法优化程序来训练神经网络，并针对道琼斯指数进行了检测，得到的结果显著优于本来所预计的随机价格序列。在模糊逻辑方面：1997年Chou等人提出了将包含大量技术分析指标的系统和模糊逻辑规则相结合，并基于此建立了一个感应树系统。利用台湾市场1990年1月至1995年4月的数据对该系统进行了检验，即将输出结果与买入并持有策略以及当时台湾的四大封闭式基金进行了比较，结果表明该系统优于买入并持有策略，且优于当时那四支基金，但奇怪的是该系统在1994年却表现不佳，此文将其归咎于这一年市场中“人类的影响”。2002年Dourra和Siy的文章，他们在技术分析系统中建立了一个模糊逻辑解释后端。该系统首先确定了各种技术分析指标的值，然后使用模糊逻辑将技术分析的输出值量化成隶属度集合，并用于模糊逻辑解释。因此，系统评估专家只需将数值定义为“大”“小”等规则，而无需描述实际的数值。最终，系统得到了非常好的结果，利润远超标准普尔500指数的收益回报。在综合方面：众多的学者也结合神经网络、遗传算法和模糊逻辑等综合算法进行了研究。2002年Thawornwong等人发现，神经网络和遗传算法集成系统所获得的收益超过了使用ARIMA，MACD和买入并持策略所产生的收益，同时也提出了过度交易会产生负收益的疑问。2004年Simutis和Masteika提出了一个成功的模糊神经遗传算法，该算法利用基于价格变动和成交量变动的技术输入变量，通过检验从1992年初始至2002年底的标准普尔500指数而取得了非常好的结果。2005年Versace等人利用遗传算法来选择集成神经网络的构造参数，并在整个检测集合中对集成系统的训练表明预测向上／向下的准确率具有很高的水平。当然还有一些文献结合遗传算法和神经网络对证券交易进行研究。

篇5

一、引言

基于Agent的建模(ABM)思想自从提出以来，广泛应用于复杂适应性系统的研究领域，在生态系统、社会系统、经济系统的研究中发挥着重要的作用。而基于Agent的仿真平台的研究和使用使得这种研究方法可以更直观和方便地得到应用。传统的金融证券分析大多基于数学计量方法和规则分析，缺乏系统性的分析方法。本文旨在根据证券交易市场的特征，以系统仿真的观点，通过智能Agent来抽象和描述证券市场中的组成要素行为，在虚拟的市场进行运转，对行为产生的数据进行挖掘和分析，为证券投资和市场分析提供支持。

二、多agent模型理论

霍兰(John Holland)于1994年提出复杂自适应系统(Complex Adaptive System，CAS)理论，为人们研究经济系统提供了一种重要的思路和方法。CAS理论认为经济系统不是确定的、可预测的和机械的，而是基于过程的、自组织的和不断演进的。CAS理论的核心就是把系统的成员看作具有适应性的、主动的个体，简称主体，引进宏观状态变化的“涌现”，使之从简单中产生复杂。主体在环境中持续不断地相互交换、学习、积累经验，在此基础上继续优化自己的机构和行为规则，整个宏观系统由微观主体构成，其演变和进化都是在这个基础上逐渐产生的。整个系统的变化被看成一种伴随随机事件和自然正反馈的动态过程。

在我们将系统看作是主体组成的之后，传统的线性和非线性的数学结构很难对系统结构进行描述，而传统经济学倾向于忽略主体的有限理性，遵从理性期望和市场有效性的假定，因此，在这种环境下的所有主体都有一种相同决策制定系统。但是这与实际的市场情况不相符，这时候，就需要基于Agent的仿真建模方法对其进行研究。

不同于传统的“自上而下”看待系统的方法，基于Agent的仿真建模方法是“自下而上”基于过程的，通过分析复杂适应性系统中不同层次上多个适应性主体的行为和相互之间的关系，以及由多主体之问的相互作用而引发的一些突发性的现象，来研究整个系统的演进过程，以便于从整体上把握整个系统的活动。

三、Swarm仿真模型

目前，国外已有许多实现基于Agent仿真模型的软件工具，如桑塔费研究所的Swarm 平台、芝加哥大学的Repast平台、布鲁金斯的Ascape 等。其中最著名的是Swarm 平台，本文的模型将采用Swarm模型的基本思想实现一个类Swarm模型证券仿真交易平台的实现，以研究个体行为对股票市场股价的影响，以及股价波动趋势。

Swarm仿真程序主要包括三类对象：ModelSwarm（模型Swarm）、ServerSwarm（观察者Swarm）以及从所要模拟的真实系统中抽象出来的有代表性的微观个体和这些个体活动的环境，称之为人（Agent）。其中的模型Swarm类和观察者Swarm 类都是Swarm 类的子类，它们二者建立了Swarm 仿真程序的框架结构。人则都是SwarmObject类的子类。模型Swarm 对象是Swarm 仿真程序的核心。首先它是一个人对象的容器，定义了模型中出现的人的种类和每一类人的数目，并持有这些对象的引用。当用户定义好全部的人对象并为它们建立起相互之间的逻辑关系后，通过模型Swarm 对象的buildObjects 方法来创建这些对象。其次，模型Swarm 还定义了模型中人行为执行顺序的动作序列表，动作序列表实现了人之间的交互。观察者Swarm 的作用是监测模型的运行过程、记录模型运行时各个Agent 状态的变化并以图形化的方式输出结果。

四、基于Swarm的证券市场建模

用Swarm 编写仿真程序一般有以下步骤：1)定义模型Swarm；2)定义仿真人及其人行为时间序列表；3）创建观察者Swarm。

1.定义证券市场模型Swarm。在证券市场中模型Swarm可以定义为市场交易机制和市场规则。假设市场中只有一支股票,其数量固定且不产生股利,并假设现金的利息收入不用于股票投资,因此,市场上的总现金和股票数量保持不变。假设市场中有N名交易者,每个交易者在初始时被赋予一定的现金Ci和一定数量的股票Si。股票市场是连续竞价市场,交易者可以提交市价订单或限价订单进行交易。订单匹配的原则为价格优先和时间优先的原则。仿真时钟以离散的方式推进,在时刻t,随机选择一个交易者。该交易者首先决定是买、卖还是不交易以及最大交易数量。然后查看订单薄,寻找是否有匹配的订单;如果有匹配的订单,就与下单者进行交易;如果该交易者无法找到匹配的订单或匹配订单的交易数量小于其意愿交易数量,则根据当前的市场价格和所拥有的资源提交一个限价订单。然后处理下一个交易者直至所有的交易者都进行了一次交易,最后清空订单簿,至此一个时刻t仿真完毕,时钟推进到t+1。当仿真时钟等于结束时间时仿真结束。

2.定义仿真人及其行为时间表。证券市场中交易者分为基本分析者和技术交易者，在模型中将依据一定的给定的时间表做出一定的决策，决策的模型可用下面的数学模型来描述。

基本分析者买人、卖出股票和不交易的决策模型条件分别为公式1～公式3表示:

(1）

（2）

（3）

其中为银行利率，为t时刻股票的价格,为基本分析者i对股票基本价值的估计，是基本分析者i对股票风险溢价的估计，为了简化模型假设对所有基本分析者都相同并且始终不变。

模型中的技术交易者的交易规则为简单移动平均规则。其含义是：若短期移动平均线从下方穿过长期移动平均线，则是买人信号；反之若短期移动平均线自上而下穿过长期移动平均线，则是卖出信号。模型中短期移动平均线为日线，长期移动平均线为日平均线。一般的，两条移动平均线的穿越需要一个有效突破，才可触发买卖信号，以过滤无效的突破信号。避免频繁的不必要的交易。即假定t时刻价格为Pt ，移动平均价格为MA，若满足：

在t-1时刻，，

在t时刻，，

则t时刻就是买人信号，若满足

在t-1时刻，，

在t时刻，，

则t时刻就是卖出信号。

其中，b为有效突破因子，模型中将技术交易者分为若干种类型，每种类型的技术交易者的长期移动平均线的移动平均步长和有效突破因子b不同,以此增加趋势追踪者群体的多样性。

3.创建观察者Swarm

观察者Swarm 的作用是监测模型的运行过程、记录模型运行时各个Agent 状态的变化并以图形化的方式输出结果，在本实验中主要以图表形式输出数据。

五、仿真结论

给定初始参数，通过模型的运行可以输出股票价格、价格的移动平均、交易量、各交易者的资金和股票头寸等时间序列数据。下图是模型某一次运行价格的时间序列图，图中横坐标为仿真时钟，纵坐标为价格。

通过下图可以看出在定义好参与交易者的行为模型后，在一定时间内，股价随着交易行为的发展而产生波动。

通过调整描述交易者行为的参数可以方便地研究微观的交易者的行为对宏观的市场价格、交易量等指标,以及市场中各项制度的实施效果的影响。这样就自底向上地通过模拟微观的投资者行为而得到市场运行的宏观结果，这对于宏观控制和把握股市提供了必要的决策支持。

参考文献：

[1]罗批等:Swarm及其平台下建特定民意模型的探讨[J].系统仿真学报,2004 (1):21-25