金融市场基本面分析范文
前言：我们精心挑选了数篇优质金融市场基本面分析文章，供您阅读参考。期待这些文章能为您带来启发，助您在写作的道路上更上一层楼。
第1篇
【关键词】日元；避险资金；货币
1 何为避险资产？
1.1避险资产的定义与属性
避险资产通常指在出现政治、经济、金融市场波动或者战乱、恐怖袭击等重大外部冲击带动市场风险偏好大幅下降时表现坚挺，或被资本追逐的资产。过去一段时间，美元、欧元、日元、瑞士法郎等主要国际货币，以黄金为代表的贵金属，以及发达国家长期债券等都具有一定的避险属性。其中，日元、瑞士法郎、美元和黄金是最著名的四类避险资产。
避险货币的形成既有历史的原因，也受到诸多经济社会因素的影响。首先是基本面因素。投资者对该货币长期以来的信心非常重要，这一方面体现为稳定的币值和较低的通胀水平，另一方面体现为货币发行国经济的规模、结构和韧性（robustness）和隔绝外部冲击的能力，比如大多数新兴市场经济体以及汇率与商品价格高度相关的资源型国家货币就难以成为避险货币。
其次是金融市场发达程度。避险货币发行国需要拥有兼具深度、广度和流动性的金融市场，以承载国际资金的流入，比如金融市场体量较小国家或金融市场分割的经济体（如欧元区）货币难以具备避险功能。再次是市场开放程度。避险货币需要自由可兑换，且金融市场足够开放，比如，在资本账户没有开放的情况下人民币在短期内难以成为避险货币。最后是个性化因素。
已有的避险货币还具有一些个性化的特征，比如美元是具有统治地位的国际货币，占全球外汇市场交流量超过40%，流动性非常高；日本长期实行低利率，且拥有较多的海外资产头寸（详见下节）；瑞士是永久中立国，有严格的银行保密制度，被认为是世界上最安全的地方。
1.2避险资产的相关性与轮动
避险情绪的切换往往导致资产间的相关性增强。汇丰的研究表明，金融市场情绪在逐险/避险（risk on/risk off）间跳动使得资产间的关联性增加，且形成了鲜明的两大阵营，一类是风险资产，包括股票，高收益债券，新兴市场货币、大宗商品等，另一类是避险资产，包括避险货币、投资级债券、贵金属等。今年以来，资产间相关性持续上升，类似于2010年欧洲债务危机时期的情形，这意味着市场共识和投资者情绪在悲喜间跃迁，风险/避险两类资产间价格呈现明显负相关，而各类资产内却高度正相关。
值得一提的是，全球金融危机以来主要央行的量化宽松（QE）政策可能为避险需求的泛滥提供了弹药，尽管其本身意在消除了不同资产表现的分化，但在经济复苏苦乐不均的情况下，充足的流动性伴随市场情绪的波动追逐有限的安全资产，客观上强化了避险货币的属性。不同避险货币的吸引力还呈现出轮动和替代的特征，主要取决于货币发行国的政治经济情况和相关政策措施。
2 日元何以成为避险货币？
从历史上看，尽管日元不是最主要的国际货币，但横向比较可以发现，自上世纪90年代以来的历次风险事件发生后，日元的避险属性大多强于美元、欧元，甚至瑞士法郎。这意味着危机发生时，日元被认为是相对稳定的避险资产。我们认为，以下三个方面的因素（经济基本面因素、金融市场面因素与交易投机面因素）支撑日元成为全球最受追捧的避险货币。
2.1经济基本面因素
日元的“全球最佳”避险货币地位必然有本国经济基本面作为支撑。按照我们对汇率变动原因的分析框架（参见宏观全球经济季度报告―2016年春季专题报告《上升期虽有波折，言逆转为期尚早――透视美元周期：特征事实、驱动力量及非对称影响》）：从长期来看，汇率体现了一国相对经济地位的变动；从中期来看，汇率与相对通胀水平密切相关；从短期来看，汇率受利差变动的影响。据此，我们也可以归纳出支持日元作为避险货币的三个经济原因：
（1）经济规模大，国际收支改善
二战后，日本在大多数时间内都是全球第二大经济体，尽管其经济增速在近二十年来一直较低，但其绝对经济实力是日元在危机中赢得信心的来源。从国际收支平衡来看，长期以来，日本也都维持着巨额的经常项目和金融项目顺差。尽管本世纪以来，日本的贸易顺差有所收缩，甚至转为逆差，但受核电重启、能源价格回落等影响，2015年日本贸易由赤字转向持续盈余，而金融账户顺差更是创下2010年以来的新高（图2）。国际收支状况的改善所引起的资金净流入加大无疑对日元币值形成了支撑。
3 强势日元风光难再
3.1日元长期走势趋于平稳
长期来看，汇率相对走势从根本上仍然取决于经济基本面。安倍上台之后，日本央行的宽松政策不断加码，年度购债规模达到80万亿日元，带动日元贬值35%，但一年内的急剧升值已将安倍的努力抵消了一半。目前，日本依然面临经济衰退和通货紧缩的困扰，而前期刺激带来结构性的财政问题也损害了日元的长期信用基础。比如，尽管金融市场倾向于把日元理解为避险货币，但就连日本央行行长黑田东彦也认为，由于日本政府债务位居全球首位，日本国债其实并非无风险资产。
因此，在其他避险选择也存在特定缺陷（比如黄金的流动性不够好等）时，日元可能还会临时扮演短期避险工具的角色，但从中长期来看，日元没有持续走强的理由。当然，在政策空间受限的情况下，安倍想要进一步推动日元贬值也非易事，除非日本央行真正开始“直升机撒钱”。除了经济基本面外，日元的短期波动还取决于全球市场避险需求、美联储何时加息等因素。
3.2日本央行面临重大挑战
日元作为避险货币的被动升值给日本央行带来了挑战：一方面，海外资本流动大进大出加大了宏观经济管理的压力，并带来相关的国内经济调整成本；另一方面，不合意的汇率持续升值将进一步损害日本的资产负债表。考虑到日本长期处于低通胀、低利率的环境，升值将带来更大的通缩压力，进而拖累经济增长。
但日本央行却面临国际国内双重掣肘：从国际来看，单方面干预汇率可能引起其他国家的声讨，特别是来自美国的压力；从国内来看，宽松货币对日元贬值的边际推动作用已经衰减，甚至是今年1月以来，日本央行意外推出“负利率”也没能止住日元的升值步伐。另外，从政策工具来看，日本央行已经通过大规模的量化和质化宽松为金融市场注入了天量流动性。
从中长期看，日本正在逐步成为一个“食利国家”。实业投资方面，国内产业面临中、韩等国的竞争和日元升值的压力，不得不移向海外。金融投资方面，明显新兴市场国家的吸引力也胜于日本国内。因此，未来的日本将越来越依赖于海外投资带来的收益。而这些收益的回流又将成为中长期推升日元汇率的重要因素。
参考文献：
[1]孙少岩，张奎.灾后日元升值初探.东北亚论坛，2011（06）
[2]王蕾.避险需求主导市场走势――7月国际金融市场走势分析.国际金融，2011（08）
第2篇
关键词：异质期望；学习；演化；人工金融市场；非线性动力学
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世纪90年代以来，随着复杂性科学的兴起，Hsieh（1991）、Peters（1994）、Lux和Marchesi（1999）等研究发现，股票收益率呈“尖峰胖尾”分布，股票价格序列具有分形维、长期记忆性以及混沌吸引子等非线性特征[1-3]。传统的新古典金融理论在无法解释其形成原因的同时，也难以解释大量的“金融异象”（Anomalies），从而促使金融学研究范式发生了重大转变，从完全理性、有效市场与静态均衡到有限理性、自适应市场与非线性演化。
随之发展起来的计算金融学，正是建立在金融市场复杂自适应理论基础之上，采用“自下而上”的建模方法，利用计算机模拟技术构建基于Agent的人工金融市场，试图通过仿真研究揭示金融现象的产生根源与金融市场的演化规律，达到控制系统风险的目的。人工市场中，有限理性的Agent不断学习与进化，基于个人偏好形成自适应的异质预期与交易行为，在市场交易机制下相互作用，共同推进市场的协同演化。
人工金融市场的模型构建中，关键在于对Agent异质行为（预期）的形成与演化建模。目前，文献中存在两股研究热流：一股是以Brock和Hommes（1998）[4]为代表的异质行为人模型（Heterogeneous Agent Model，HAM）。模型中，持有异质信念的Agent分别采用与信念一致的行为策略来形成预期，根据各种预期及相应的人数比例得到对风险资产的总需求，在Walrasian均衡机制下生成资产的价格。随后，Agent会根据不同行为策略的市场表现来更新信念、转换行为；这个学习过程通过自适应信念系统（Adaptive Belief System，ABS）来实现，其直接表现为市场上异质信念Agent的比例变化。
同大多数模型一样，Chiarella 和He（2003）、Dieci et al.（2006）、Boswijk et al.（2007）、Anufriev和Panchenko（2009）等均在此理论分析框架内，构建仅由两类异质Agent---基本面分析者与技术分析者组成的市场，来分别研究Agent具有常（绝对/相对）风险厌恶偏好、有固定成分（自信的基本面与技术分析者）与调整成分（自适应理易者）的市场组成以及不同的价格生成机制（Walrasian均衡、做市商、指令驱动）下的人工市场中价格的动态行为[5-8]。这类理论导向型（Theoretical-oriented）模型采用解析的方法描述异质Agent的行为与信念更新，通过建立非线性动力学系统来模拟市场运行，在一定的参数条件下，能产生厚尾、投机泡沫和波动丛集性等“典型特征”与显著的混沌特征。
另一股是以Arthur et al.（1997）[9]为代表的Santa Fe人工股票市场（Artificial Stock Market， ASM）。市场中，短视的Agent根据各自经验规则集中在当前市场状态下的最佳预测规则形成对下期股价与股利的线性预期，产生异质的需求与行为策略；当总需求等于总供给时，市场达到均衡，股票价格生成。随后，Agent将更新被激活规则的预测精度，按照各自的学习速度利用遗传算法（Genetic Algorithm，GA）来进化个人预测规则；这个预期形成与学习过程通过包含三个基本要素的Holland遗传分类系统来实现，具体为：把市场状态信息映射到形成预期的预测参数的条件/预测规则集、判断预测规则好坏的适应函数以及基于适应值进行选择、交叉、变异来淘汰坏规则，保留并生成新规则的遗传算法。
这个计算平台建立了一个完全可控的实验环境，重现了现实金融市场的许多特征，比如：尖峰厚尾、波动持续性、交易量自相关以及崩盘等，一经推出就受到众多学者的关注，各种改进的人工股票市场不断涌现：Tay和Linn（2001）考虑Agent学习能力的有限性，采用模糊逻辑系统替代遗传分类系统来刻画Agent的学习进化机制；LeBaron（2001）考虑具有常相对风险厌恶偏好的Agent通过神经网络算法形成预期与行为策略的人工市场典型特征； Chen和Yeh（2001）加入了一个“管理学校”机制，市场上Agent在利用遗传规划算法进化预测函数的同时，能通过学校交流经验、学习策略，最终市场价格在超额需求的驱动下进行调整；LeBaron和Yamamoto（2007）在Chiarella和Iori（2002）建立的指令驱动型连续双向拍卖市场的基础上，考虑Agent之间的相互学习与模仿，采用遗传算法进化与传播行为策略，模拟出市场存在的长期记忆性等[11-14]。这类计算导向型（Computational-oriented）模型侧重于计算机实现，利用各种智能算法来描述Agent的预期形成和市场交易机制作用下的学习与进化，通过可控实验探寻金融市场的演化规律。
然而，站在Agent个人行为演化的角度不难发现，所有文献关注的仅是两个极端的情形：一方面，HAM 忽视了Agent面对复杂市场环境其决策行为的多样性。尽管模型捕捉到了市场中Agent的两种基本行为策略，并且能通过ABS在两者之间做出选择，但忽略了Agent的本质行为---基于交易经验在基本面分析与技术分析之间的自适应性动态权衡；另一方面，ASM忽视了Agent的个人行为特征与基本行为策略，为其策略的形成提供了太大的自由度。市场中Agent利用由价格与股利构成的预测方程形成预期，其所有参数范围内形成的策略都是可行的。尽管能通过GA进化行为策略，但这些策略均忽略了Agent的实际行为---基于个人情绪，记忆长度等行为特征的基本面与技术分析及权衡，而仅剩下了表面的数字含义。
融合以上两种建模方法，本文构建一个新框架来刻画交易者的行为本质。这个行为框架不仅包含了交易者的两种基于个人行为特征的基本行为策略，如HAM中所描述，而且考虑其基于经验认知在两者之间的权衡，通过加入生成函数的遗传分类系统来学习与进化权衡行为，同ASM中所设定。在此基础上，建立基于Agent的人工金融市场，试图从交易者个人异质行为演化的角度研究金融市场非线性特征的形成。
人工市场中，Agent基于个人情绪与调整速度进行基本面分析，同时基于记忆长度与外推速度进行趋势分析；针对当前市场状态，在个人经验规则集内选取最佳预测规则，利用预测参数---权重，形成价格预期与交易行为；其权衡行为的学习与进化不仅基于市场行情而且基于个人的交易经历，两种情形分别通过遗传算法与生成函数更新规则来实现。Yang et al.（2010）[15]研究了该人工市场中资产价格的形成与演化，通过实验方法证明：在做市商的价格生成机制下，只有当市场由自信的基本面分析者、技术分析者和自适应性理易者组成时才能生成与真实市场相同的“典型特征”，这与Taylor和Allen（1992）[16]得出的实证结论一致。模拟实验表明，基于这一市场组成的人工金融市场呈现出与真实市场相似的非线性特征---尖峰、厚尾，波动聚集性，长期记忆性与混沌特征。这为探究导致市场产生非线性特征的行为因素提供了一个计算实验平台。
本文的结构安排如下：第二部分人工金融市场建模，构建Agent的价格预期模型与异质行为演化机制，以及价格生成模型；第三部分模拟实验与特征分析，在实验设计的基础上模拟市场运行，检验仿真价格时间序列的尖峰、厚尾，波动聚集性，长期记忆性与混沌特征；第四部分结论与展望。
2. 人工金融市场建模
本文结合文献[6]中异质行为人模型与文献[9]中Santa Fe人工股票市场，构建基于Agent异质行为演化的人工金融市场。市场中，Agent依赖个人行为特征，如：情绪、记忆长度等，来同时考虑基本面信息与价格趋势，针对当前市场状态，基于经验认知权衡二者后形成价格预期与交易行为。权重的自适应性更新揭示了个人行为的演化，其通过遗传算法与生成函数进化预测规则来实现。
2.1 基本模型
假设市场中存在两种公开交易的资产：债券与股票。债券无限供给，其无风险利率为 ；股票的股利 服从一阶自回归过程：
为股利的均值， ， ，且 ，满足i.i.d.条件。
市场上有 个短视的Agent，具有相同的常绝对风险厌恶（Constant Absolute Risk Aversion，CARA）效用函数：其中， 是财富规模， 是绝对风险厌恶系数。众所周知，在股价与股利服从高斯分布的情形下，Agent通过最大化其期望效用函数能确定最佳的股票需求份额：
其中， 为 时刻的股票价格， 和 分别为Agent对股价与股利条件均值与方差的预期 。
2.2 Agent的价格预期模型
不同于异质行为人模型中仅通过ABS在两种基本行为策略之间进行简单转换，人工市场中每个Agent针对当前市场状态，利用依赖个人行为特征的基本面分析与技术分析得到相应价格预期， 和 ，基于经验认知在两者之间权衡，形成最终的加权价格预期：
其中， 为Agent依赖两种基本行为策略的权重， 。
下面，将具体介绍Agent其基于基本面分析与技术分析的价格预期模型。假设 时刻的股票基本面价格 为市场上的公开信息，等于长期基本价值 。然而，考虑到噪声信息、个人心理因素等各种情况的影响，Agent对 时刻基本面价格的估计将偏离基本价值，满足：
其中，偏离程度 满足i.i.d.条件，其均值 为Agent个人情绪的平均度量（ , 乐观;, 悲观）， 为偏离基本价值的方差。
从基本面分析的角度出发，Agent相信股价最终将回复到基本面价格，即使存在短期的偏离。因此，其基于基本面分析的价格预期为：
其中， 为基于Agent个人判断的股价调整速度， 。
同时，Agent也希望把握股价的变动趋势，利用基于个人记忆长度的平均收益率来外推股票的价格预期：
其中， 为外推系数，其符号标志着Agent是趋势（ ）或反向（ ）投资者； 为个人记忆长度，在交易者之间服从独立的均匀分布； 为记忆长度 内的平均收益率，具体表示为：
综上，Agent对 时刻股价与股利的预期为：
2.3 Agent的异质行为演化机制
本文采用加入生成函数的遗传分类系统来刻画Agent基于经验认知在基本面分析与技术分析之间的动态权衡，其权衡行为的学习与进化不仅基于市场行情而且基于个人的交易经验，两种情形分别通过遗传算法（GA）与生成函数（GF）更新规则来实现。同时，其权重的选取与自适应性更新揭示了价格预期的形成与个人行为的演化。
2.3.1 权重的选取
类似于Santa Fe人工股票市场，每个Agent在 时刻同时拥有 条预测规则，每条规则包括三个部分：市场条件，预测参数---权重，以及预测精度。市场条件由12位二进制代码组成，反映两类市场信息：基本面与技术面信息，具体设置参见文献[9]。规则被激活，当且仅当其市场条件与当前市场状态 相匹配。一旦有多条规则被激活，Agent将选择其中预测精度最高的规则来形成价格预期。
假定Agent的第 条规则为 时刻的最佳预测规则，记为： ，其中， 与当前市场状态相匹配， 为选取的权重，用来形成价格预期 ，以及 ，被激活规则中的最小预测方差（即：预测精度最高），用来预测条件方差 。
市场上所有Agent均利用式（2）计算各自的最佳需求份额，同时传递给市场。做市商根据市场上的超额需求来调整股票价格，生成下期的股价 。当新一期的股利 已知时， 时刻被激活的所有规则，其预测精度将被更新：
其中， 。
2.3.2 权重的更新
在 期初，每个Agent将总结第 期的个人交易经验，生成一条新规则 ，其意味着市场状态 下使得预测方差最小的最优权重。这是一个自我学习的过程，生成最优权重的函数 被称为生成函数。
对于Agent，计算最优权重 ，通过等式
于是，Agent的第 条规则记为： 其中， ，为市场状态 下被激活的规则中最小的预测方差。
市场中，Agent不仅通过每期在预测规则集中最佳预测规则的选择以及新规则的生成，实现从个人交易经验中的快速学习，而且通过平均 期不同步的利用遗传算法进化预测规则集，基于适应值进行选择、交叉、变异来淘汰坏规则，保留并生成新规则，实现基于市场行情的缓慢学习，具体设置参见文献[9]。
对于Agent， 期后其规则集中拥有 条规则。表现最差（即：适应值最低）的 条规则被淘汰，同时在保留的规则基础上，通过交叉与变异生成新规则，使得其在 时刻重新拥有 条规则。Agent的第 条规则的适应值定义为：
其中， 为规则的特征值 （即：市场条件部分被设定状态的位数和）的成本。
2.4 价格生成模型
假定股票零供给， 时刻的超额需求等于市场上所有Agent的需求总和。在做市商的价格生成机制下，得到下期的股票价格：
其中， 为价格调整速度，噪声项 ，满足i.i.d.条件。
3. 模拟实验与特征分析
为验证人工金融市场的有效性，在Agent的个人行为特征与学习速度均不发生调整的简单情形下，设计实验、设定参数，按照流程图模拟Agent自适应性动态权衡的交易行为与市场运行，检验人工市场生成的仿真价格时间序列的非线性特征---尖峰、厚尾，波动聚集性，长期记忆性与混沌特征。
3.1 模拟实验
3.1.1 实验设计
人工市场中，Agent的个人行为特征，如：情绪、记忆长度、调整速度以及外推系数等均在所服从的分布范围内随机选取；Agent在保持平均学习速度的前提下彼此不同步的进化预测规则集；且结合文献[15]的研究，在做市商的价格生成机制下，设定市场由自信的基本面分析者（即：），自适应性理性投资者（即： ，具有异质行为演化能力）和技术分析者（即： ）按照 的比例组成，具体参数设置见表1。
3.1.2 流程图
基于Agent异质行为演化的人工金融市场建模流程如图1所示：
3.1.3 运行结果
基于设定的市场组成比例以及各类Agent的交易与学习机制，按照流程图，利用Matlab语言对人工金融市场进行仿真实现。在不同的随机生成数下模拟运行10次，每次交易10,000期，让市场中Agent得到充分的学习，记录随后的1,000期。市场运行一次所生成的仿真价格时间序列与仿真对数收益率序列见图2。
3.2 特征分析
国外实证研究表明，金融市场的价格时间序列与收益率序列存在显著的非线性特征。国内学者史永东（2000）、王卫宁等（2004）、马超群等（2008）均证实中国股票市场也不例外[17-19]。本文选取1997.1.1～2007.5.24上证综指和深圳成指日收盘价（经对数线性趋势消除法处理[19]）与仿真价格序列进行比较分析。此期间，市场经历了两次熊（牛）市，蕴涵了丰富的动力学特征；且剔除价格随经济和通货膨胀而增长趋势的指数序列与不存在太多白噪声扰动的仿真价格序列更能体现系统的非线性结构，更具可比性。
3.2.1 尖峰、厚尾与波动聚集性检验
检验结果如表2所示，全体仿真价格时间序列均与上证综指、深圳成指的价格序列具有相同的分布特点，呈现出显著的尖峰、厚尾（峰度大于3）与波动聚集性（ARCH-LM检验，在5%的显著性水平下拒绝原假设），且向右偏（偏度大于0）。在此基础上，将进一步检验人工金融市场是否与中国股票市场一样具有长期记忆性和混沌特征等非线性动力学特征。
3.2.2 长期记忆性检验
作为判断时间序列是否为有偏随机游走的重标极差（ ）分析方法[2]，以其稳健、非参的特点作为重要的研究工具被用来检验金融时间序列的长期记忆性。其导出的Hurst指数 表明，当 时，序列为随机游走过程；当 时，序列具有反持续性，即均值回复过程；当 时，序列是持久的，具有长期记忆性。同时， 分析能发现时间序列的非周期循环，估计平均循环长度，为人工金融市场的混沌检验提供重要参数支持。
从表3可知，全体仿真价格时间序列的Hurst指数均值 ，平均循环长度 ；同时，图3显示了Hurst指数最小的仿真序列1的 分析过程，其指数为0.721，显著大于0.5，且非周期循环的平均长度估计为169期。以上数据标志着人工金融市场具有显著的长期记忆性，存在非周期循环，这与上证综指、深圳成指的价格序列具有长期记忆性和分形性质的结论一致[20]。此外，人工金融市场较中国股票市场具有更强的记忆性，究其原因，不存在外部环境中经济与政治因素的冲击，以及市场中全体Agent同时基于个人记忆长度进行技术分析，使得价格影响的持续性更久远。
3.2.3 混沌特征检验
对初始条件的敏感性依赖以及存在分形维的吸引子，是一个混沌系统具备的基本特征。采用相空间重构技术来计算金融时间序列的最大Lyapunov指数和相关维，是通过度量对初始条件的敏感程度和混沌吸引子的维数来检验金融市场是否存在混沌的有效方法。利用表3中的平均循环长度，根据WOLF法则，本文采用相同的小数据量算法和G-P算法[21]来计算人工金融市场的混沌特征量---最大Lyapunov指数 和相关维 ，使之与中国股票市场的混沌特征更具可比性。
表4中结果显示，人工金融市场的最大Lyapunov指数在95%的置信度下显著为正，均大于上证综指、深圳成指的指数值。这说明市场存在混沌，且对于初始条件比真实市场更敏感。收敛到2.36相关维表明，人工金融市场存在与中国股票市场同样的低维混沌，并且同样可以用最少3个变量为市场的运动建立动力学模型。
通过尖峰、厚尾与波动聚集性检验、长期记忆性检验和混沌检验可知，在一定的参数条件下，基于Agent异质行为演化的人工金融市场呈现出与真实市场---中国股票市场相似的非线性特征。这为从交易者异质行为演化角度探究金融市场非线性特征的形成与演化提供了一个有效的计算实验平台。
4. 结论与展望
真实市场中，交易者并不是简单的在基本面分析者与技术分析者这两个角色中转换。他会依赖个人行为特征同时考虑基本面信息与价格趋势，权衡二者，依赖其对市场状态基于直觉与经验分析得到的自适应性权重来形成价格预期。我们把这整个过程被称之为“交易者行为”，其自适应性权重的动态更新表示交易者行为异质性的演化。
本文的主要工作是在这个刻画交易者本质行为的新框架上建立了一个人工金融市场，在反映市场中交易者真实行为的同时，验证了在做市商的价格生成机制下，当市场由自信的基本面分析者、技术分析者和自适应性理易者组成时，人工市场能产生与真实市场相同的非线性特征。这为从交易者异质行为演化角度探究金融市场非线性特征的形成与演化提供了一个有效的计算实验平台。在此平台上，交易者个人行为特征与学习速度变化对市场的冲击以及导致市场出现非线性动力学特征的序参量挖掘，将成为下一步的研究方向。
参考文献
[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] 史永东. 中国证券市场的股票收益持久性的经验分析[J]. 世界经济, 2000, (11):29-32.
[18] 王卫宁, 汪秉宏, 史晓平. 股票价格波动的混沌行为分析[J]. 数量经济技术经济研究, 2004, (4):141-147.
[19] 马超群, 邹琳, 李红权. 股票市场的非线性结构与混沌效应检验：基于BDS方法与CR方法[J]. 湖南大学学报(自然科学版), 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] 李红权, 马超群, 邹琳. 中国证券市场的混沌动力学特征研究[J]. 中国管理科学, 13(专
第3篇
如果按照传统的金融理论指导金融投资，很难起到对投资者正确指导，使投资者更为理性地进行投资活动。所以，传统金融理论难以适应时代的发展，亟待对传统金融学进行其他学科知识理论的补充，积极研究并吸收其他学科的研究方法，不断地拓展金融学研究范围。目前，随着行为金融学的出现，有效地解决了关于投资的诸多问题。行为金融学是集心理学和金融学于一体的相互融合的学科。该学科的研究对象是金融市场中交易者非理性投资行为。具体分析，行为金融学是借助心理学的有关知识，分析投资者的心理活动，以此为基础评价投资者的非理性投资行为，也就是说行为金融学主要研究投资者心理因素导致在金融市场上的非理性投资行为。结合传统投资理论在金融市场的投资范式，分析评估交易者在金融市场中投资决策时犯系统性错误的原因，指导投资者认识到自己的非理性投资行为，进而对非理性投资行为进行修正，达到科学理性投资，降低投资风险的目的。行为金融学融合了心理学的有关理论知识，从心理学角度分析金融市场上投资决策可得出如下结论：基于投资者心理因素的影响，会造成投资者在金融市场投资时容易犯下主观判断失误，使得投资者在金融市场投资行为活动变得反应过度或者反应不足，严重影响投资者的预期收益。所以，行为金融学研究的主要内容就是投资者非理性投资行为的动因，结合金融学的有关知识，建立完善的金融投资理论体系，为投资者在金融投资活动中提供重要的理论依据，使投资者的投资行为趋于理性化、科学化。
二、金融市场上的心理分析方法
长期以来，在金融市场上投资者最为常用的投资分析法有两种，即基本面分析法和技术面分析法。基本面分析法所采用的分析依据是投资对象的经营业绩以及经济发展形势；技术面分析法针对经济市场走势进性数据统计，并编制图表，根据图表定量分析未来投资的方向以及前景。而行为金融学的投资分析方法主要是对投资者心理因素的探究，依据心理学原理及相关知识分析投资者的心理状况对金融投资造成的正负面影响。从金融学角度分析，在金融市场交易行为活动中，投资者对金融决策的依据主要是基于主观判断和客观地对金融市场走势进行分析、估测。然而心理分析法是传统分析法的补充和改进，心理分析法是主要是以传统分析法为依据，将心理分析法融合到整个金融市场投资环境中，强调以分析投资者的心理因素，突出投资者的主观性为主要研究方向。然而过于强调投资者的主观能动因素而忽视机械交易的客观性，会导致投资者的交易行为受到人性弱点的干扰。因此，基于金融市场上的心理分析法还应以基本面分析法和技术面分析法为依据。
三、健康的心理范式利于正确投资决策的形成
行为金融学强调的是提高投资者在金融市场中良好心理的形成，有助于投资者做出正确的金融投资决策，对规避投资风险和降低投资风向具有重要的意义。为此，我们应基于行为金融学的原理，加强对行为金融学中心理学科的探讨，建立健全正确的心理范式，帮助投资者在金融市场中形成良好的金融投资心态，确保金融投资者投资受益最大化。具体来讲健康的心理范式的建立需要通过以下几方面来实现。
1.提高情商。
按照投资心理层次的不同可将其划分为理性层面和非理性层面。理性层面我们可以理解为投资者的智商，而非理性层面可以理解为投资者的情商。投资心理理性层面主要考察的是投资者智力的高低，投资心理非理性层面主要考察的是投资者在投资过程中投资者情绪的控制把握力度和体验深度。从金融市场投资行为分析，行为金融学更多的还是考察投资者的情商。这是因为心理因素对投资者投资行为的影响远远大于理性层面的影响。所以，提高投资者情商是避免投资者在金融市场投资行为出现错误，降低投资风险的重要思路。应作为行为金融学研究的重点内容。
2.培养规避错误信息的能力。
具有良好的规避错误信息的能力是投资者做出正确投资决策的前提条件。在金融市场中有关投资的虚假信息无处不在，如果投资者不能正确地判断信息的准确性，可靠性，而是盲目地、不理性地进行投资，很有可能会增加投资风险，收益受损。所以，作为投资者应具有良好的规避错误信息的能力，只有这样才能提高投资的收益，得到较好的投资回报。第一，投资者对金融市场信息认真地主观客观地分析鉴定，甄别。避免偏听偏信，对客观的信息融入过多的主观色彩，导致对信息错误判断。不能因为信息同自己的主观思路相符就愿意相信，愿意接受，愿意投资，而对于那些同自己主观思路不相符的信息就不予理睬。第二，投资者不应有盲目从众的心理，就是我们常说的“羊群效应”；不能人云亦云，受别思想、意见左右，这主要是因为金融市场是个复杂的环境，同其他社会活动不同，具有较大的风险。其他人对金融投资的判断结果并不是完全正确的。第三，在投资过程中投资者要心态平和，时刻保持冷静的头脑，避免因反应不足或者反应过快做出缺乏理智的投资决策，进而增加投资风险；第四，投资者要对投资收益期望值保持平和的心态，要学会等待，从等待中获得应有的预期收益，而不是急于求成。对于各类利空或利好的信息投资者都需用辩证的角度去分析对待。这是因为投资市场是瞬息万变的，市场是动态的市场，随时都有可能产生新的变化，如利空向利好转化，利好向利空转化等。第五，投资者应学会用动态的眼光去分析投资问题，根据金融市场的变化实时对原来的决策做出调整。因为只有投资者的主观判断同市场的动态发展实际相符，其投资才是有意义和价值的。
3.学会远离市场上的投资氛围。
