张维1，2赵帅特1熊熊1张永杰1
（1．天津大学管理与经济学部，天津300072；
2．天津财经大学，天津300222）
摘要：本文对行为金融理论研究中新近出现的、以计算实验方法为技术手段的研究进行了述
评。文章首先简要地介绍基于计算实验方法的行为金融理论研究的思想基础，进而阐述计算
实验方法对于行为金融理论研究的辅助与启发作用。然后，以具体研究为例，通过分类展示
了该领域当前的工作进展。再者，结合行为金融理论研究的需要，说明现存的主要不足。最后
讨论了未来的可能探索方向。
关键词：agent；金融市场；仿真；模型
引言
基于计算实验方法的行为金融理论研究是近年来行为金融（Behavioral Finance，BF）理论研究中一个新兴分支。它依托现代的基于Multi-Agent-System的计算机仿真技术和BF的基础理论，研究金融市场中相互作用的微观个体的行为规律及其对市场整体运动的影响，试图据此揭示潜藏于表象之下的科学道理、回答围绕资产价格或收益率产生的种种疑问。由于计算实验方法（Computational Experiment Method，CEM）存在着方法论层面的科学性，所以采用该方法获得的BF理论成果格外引人注目。它们不仅促进了资产定价与风险管理的理论研究，而且推动了金融产品创新与设计的实践活动。因此，自上世纪80年代后期开始，这一领域渐呈蓬勃发展的态势。
从研究内容看，基于CEM的BF理论研究既是狭窄的又是宽广的。一方面，金融市场中互动的微观个体始终是关注焦点，全部研究均以其为中心展开；另一方面，新观察视角的涌现又引领研究不断迈向更深广的空间。因为独特的学科开放性和包容性使然，所以该领域一直维持比较松散的结构，不同学者往往从不同角度进行讨论和得出结论。这导致目前尚未有客观而恰当的方式可以全面、准确地划分现有研究的类别。本文谨根据自定义的分类标准，试图极大化覆盖当前的工作成果，并在此基础上予以整理和述评。
在文献回顾方面，当前惟有文献[1-3]分别就BF与基于Agent的计算金融（Agent-based Computational
Finance,ACF）的基础理论的整合问题、二者的相互关系问题做出简单阐释。其他学者的文献综述或只着眼于BF或仅强调ACF①，没有将它们联系起来系统审视，进而综合分析和整理。例如，文献[4,5]等重要BF综述均未论及基于CEM的研究。反之，文献[6,7]等重要ACF综述也没有针对BF理论研究的论述。国内ACF文献综
收稿日期：2008-06-13
基金项目：国家自然科学基金项目（70471062）。
作者简介：张维，天津大学管理与经济学部教授，天津财经大学教授，博士生导师；赵帅特，天津大学管理与经济学部，博士；熊熊，天津大学管理与经济学部副教授，硕士生导师；张永杰，天津大学管理与经济学部副教授。
①鉴于BF或ACF已分别发表文献综述，所以除必要的重复外本文将力求避免赘述。
述，如文献[8,9]等虽然比较详细地阐述了基于Agent的金融市场模型的建立和研究进展，但也未触及BF理论研究的内容。本文的创新之处即在于此：通过对现有文献的归纳、总结，说明该领域的思想基础、研究优势、工作进展、现时主要不足和未来探索方向。
思想基础
思想基础的演进是牵动整个学科发展的隐含主线。它取决于研究人员认识理念的进步与认识水平的提升，影响着研究工作的方向和学科发展的轨迹。一般而言，本领域的思想基础由三部分组成：行为金融的思想、计算实验的思想和复杂性科学的思想。其中，计算实验的思想是仿真实验思想在金融市场的延伸，如Tesfat－sion所言，“经济学的计算研究就是要构筑计算实验室”[10]。复杂性科学的思想主要体现为复杂适应系统（Complex Adaptive System，CAS）的思想，即“适应性造就复杂性”[11]。文献[11,12]的发表标志计算实验思想与CAS思想的融合，有关内容可参考文献[6-8]等。BF的思想比较“模糊”，简单概括就是假设个体是不完全理性的、带有心理特征的或富于情感的[5]。单凭在个体不完全理性方面的共识便足以形成BF与ACF的思想交集。
然而，这些思想的融合过程也是冲突过程。早期以圣塔菲学派为代表认为，经典金融经济学理论欠缺的只是具体的实现途径，理论体系本身并无重大漏洞。因此，他们希望依靠CAS的思想为理性预期设计一套模拟机制，进而寻通往有效市场的道路。著名的SFI-ASM模型即是该理念的产物。有趣的是，这些活动非但没有达到预想目的，反而促进了基于CEM的BF理论研究的发展。因为仿真结果不仅呈现了众多市场异象[13,14]，而且证明了投资者的心理偏差是造成市场动力学的原因。Arthur等[13]称Agent的预期形成机制是富于心理学的（rich psychological）就是一个极好的例子。在这个阶段，BF的思想虽然开始被研究人员接纳，但更多的还是被动的甚至抵触的，充其量只是CAS思想的“配角”。
随着后续研究的深入，多数学者确信了BF思想的必要性，开始主动探索相关命题。例如，Chen和Yeh[15]，Chen和Liao[16]就分别研究了BF理论关注的有限理性投资者的信念形成与更新以及宏微观表现之间的因果性等问题。相对地，CAS的思想被逐渐淡化，主要原因有三：（1）许多实验结果CAS无法解释，如有关零智能体（Zero Intelligence Agent，ZIA）的研究；（2）CAS难以直接推动资产定价和风险管理等研究；（3）个体投资、套利、保值、投机等模拟需要BF思想。尽管如此，部分学者仍然对行为金融思想怀有疑虑，如LeBaron就赞同“个体非理性可能不会出现在总体价格中”的论断，并从ACF的视角罗列了一些具体疑问[2]。
显然，思想基础的整合是着眼学科未来发展的重要任务。一方面，Chen和Liao[1]，LeBaron[2]更多地从复杂性科学和计算实验对于BF理论研究的作用角度，试图包纳BF思想。他们认为，由于存在一些重要的交叠，所以仿真模型作为一个关键工具将为BF理论的探索、检验和分类提供“试验床”。另一方面，Arthur指出，虽然计算与分析是当然的彼此结合的，但计算实验并不能替代理论[17]。故而，复杂性科学与计算实验的思想也不能完全覆盖BF思想。对此，我们认为：首先，学科的开放性会吸引新思想的加入、充实组成成分，近来利用少数派博弈（Minority Game）思想从事的研究[18,19]便证明了这一点；其次，深入挖掘计算实验、复杂性科学与BF的思想也会取得新进展。可以想象，如果引入钱学森先生关于复杂巨系统[20]的伟大思想，那么必将有益于破解“现有仿真模型是玩具模型”[21]的尴尬论断，提升本领域跃至新境界。总之，由于本领域思想基础自身便是一个开放系统，所以它必然会朝着适应学科发展的方向演进，并在这个过程中不断调整以达到完备化的最优状态。
研究优势
准确地讲，这里的研究优势主要是指因采用CEM而为BF理论研究带来的益处。归根结底，它们源于CEM的技术特点。在此基础上，本领域较之一般的BF理论研究具备五项相互关联的优势。
1、适合异质投资者研究
CEM的最大特点是面向个体建模，投资者的消费习惯、效用函数、交易策略、风险偏好、心理偏差等都可以被编辑，这为开展投资者异质性研究提供了技术条件。对此，无论是学习模型[22,23]，还是非学习模型[24,25]均能突破规范分析在数学处理上的种种限制，解决Arrow“异质分析模型发展的必要性与艰难性共生”[26]的悖论。由
高度的优先性[27]。
2、享受跨学科的支持
CEM的应用普适性为学科背景互补的研究人员进行合作创造了机会和平台。众所周知，SFI-ASM的诞
生就凝结着人工智能、生物学等专业学者的智慧。本领域其他研究中物理学家、计算机科学家、自动控制专家等的参与早已是司空见惯。恰如Axelrod所言，CEM方便了跨学科的合作，在数学无能为力的情况下提供了一个有用的多学科工具，帮助我们揭示那些基本的理论问题[28]②。显然，同与多学科保持密切联系的CEM相结合势必有利于加速BF理论研究。
3、辅助解决长期争议问题
CEM的自底向上性可以从微观个体层面辅助解答一些长期争议问题。以有限套利市场为例，本文中列举的许多研究在分析了模拟结果后都接受了“风险规避的理性投资者不大可能狙击弱理性投资者引起的市场动力学”的观点[29]。另外，针对BSV[30]模型的竞争市场适用性研究[31]、关于“获利策略可能承受更大风险”的研究[32]则有助于了解不完全理性投资者的生存状况。可见，借助CEM能够检验和评价BF理论的科学性，直接或间接回应悬而未决的问题，并促其产生共识。
4、方便探索未知理论
CEM的自由探索性有助于寻关乎BF理论发展的若干未知问题的答案。举例来说，Mansilla[33]测度信息量对个体策略选择的影响、喻颖[34]证明学习速度的提高不能保证投资收益的增加、刘兴华和杨建梅[35]发现预期的多样性可替代负反馈成为市场的稳定机制等都佐证了这点。此外，如市场环境对信念的形成与更新作用、投资者的注意力、记忆、知识对业绩的影响等的探索也都取得有益结果。不难想
象，随着问题的逐一破解，BF理论建成稳定且通畅的体系结构指日可待。
5、提供合理的政策建议
CEM的结构明晰性缓和了投资者非理性与市场微观结构的作用在实证分析中难以辨别的矛盾，能够使BF 理论的政策建议摆脱了“照猫画虎”的窘境。例如，Gode和Sunder[36]基于ZIA区分了一些异常现象是个体学习行为抑或市场交易制度引发的，Chiarella和Iori[37]分辨了指令簿机制和投资者互动谁才是造成价格典型特征的原因。另外，保证金交易、日内交易、市场崩盘的研究也证实了BF理论的推断。放眼未来，在投资者治理、市场政策制定、交易监管等方面BF理论还需进行大量研究，对此本领域将大有可为。
工作进展
鉴于CEM的研究优势，本领域在较短时间内便获得了丰硕成果。在此，我们谨从现有研究的观察层级和建模方式出发对当前工作进展予以梳理③。
按照观察层级，现有研究可划分成微观与宏观两类。微观研究的核心是Agent的行为，包括策略的比较与学习，信念的形成与更新，信息的认知与处理等多方面。宏观研究注重利用定量工具（如计量经济学、数理统计）分析市场数据（如价格、收益率、交易量），揭示系统集结层面的运动规律，探索相
应的BF理论。需说明的是，由于CEM秉持自底向上、从微至宏的建模理念，所以本领域是个体与总体研究高度统一的。恰如M.Levy 等[38]所言，“通过Agent交互来探求金融市场运行规律乃是微观模拟④的真谛，任何割裂二者联系的理解都是错误的”。但是，因为具体研究的侧重层面不同，仍然可以这样评价文献。
按照建模方式，现有研究又能分为封闭型与开放型。前者是指在建模过程中直接引入BF理论，然后通过分析实验数据，证明该理论的科学性或“不科学性”，进而对其修正和完善。后者则不对模型的建立预先刻意添加BF理论，而是根据仿真结果，运用BF理论加以解释或者发展新理论。相对地，封闭型研究偏向检验已有理论，而开放型研究强调创造新理论。经由上述分类的交叉，本领域研究被进一步细分为四部分：宏观开放
②Axelrod[28]称CEM为基于Agent的建模。
③有关文献[7,8]从复杂性科学的角度评述了基于Agent的金融市场模型的研究进展。他们的研究分类是以ACF为对象给定的，与本文存在差异。另外，由于学科发展的不成熟，所以本文的分类亦是初步和不完全的，诸如模型设计、校准等研究便没有被覆盖。
④LLS[38]称CEM为微观模拟。
型、宏观封闭型、微观封闭型、微观开放型。
大量研究属于宏观开放型[39-41]。其中，Lux和Marchesi[42]的研究比较典型。他们在Lux羊行为模型的投资者假设基础上建模并确认了一些格式化事实。有意义的是，实验发现：（1）市场波动受到投资者策略和信心的驱动，并且随其转换被放大；（2）当Agent数量逐渐变多时，技术分析家比例减少，基本面投资者规模增加。虽然这些结果丰富了BF理论的内容，但是同多数早期研究一样未能形成比较系统性的理论。喻颖[34]注意了这一点，他根据Shiller的定义和计量方法研究了价格的过度波动现象，总结出“有限理性投资者的动态学习是股票市场过度波动的原因之一，而且学习速率越快波动越剧烈”的理论结论。该研究的创新之处在于考虑了中国股票市场的禁止卖空规定和股息流特征等新的市场条件，扩展了人们对于价格波动性本质的认识。
基于BF理论的市场动力学是宏观封闭型研究的主要内容，文献[38]中第九章，文献[43,44]等是其典型代表。文献[38]中第九章是在LLS[45]仿真模型和数学假设的基础上引入前景理论展开的。实验发现：（1）Agent的概率扭曲程度影响均衡价格，低水平的扭曲使价格偏低，反之则偏高；（2）投资者最大化期望价值函数会导致价格更频繁的背离价值，并使市场出现过度交易以及交易量与绝对收益率相关等现象。特殊地，该研究不仅支持了BF理论假设的相关心理学实验结果，而且还推动了基于前景理论的规范分析研究。由此可见，CEM对于深化BF理论研究是大有裨益的。
面向带有心理特征的Agent行为的微观封闭型研究也从各个侧面获得了许多有益结论[46-48]。文献[31]通过添加理性投资者扩展了BSV[30]模型的Agent行为设定，并依据财富的分布状况证明了BSV Agent没有大量输钱而被淘汰出局。这直接回应了Friedman关于理性投资者会消灭非理性投资者的任何异动并最终驱逐他们的论断，支持了BF理论的有限套利市场假说。另外，Sornette和Zhou[46]借鉴Ising物理模型发现，Agent受到外部信息和私人信息冲击时会相互模仿，而且它们的过度自信或错误归因将使模仿倾向更明显。该模型的个体设计与DHS[49]模型的重要假设近似，同时仿真结果也呼应了其中一些推论。由上述文献不难看出，CEM在BF 理论验证方面的强大功能。
微观开放型研究的主要内容是Agent的策略、信念和信息，它是本领域前进的“驱动轮”，大量文献归属于此[50-54]。典型地，台湾政治大学人工智慧经济学研究中心开发的AIE-ASM模型及在其上进行的投资者信念研究颇具代表性。Chen和Yeh[55]发现：随着时间推移，（1）Agent的老练程度不是单调递增的，间或会表现得非常幼稚；（2）Agent的知识更新速度逐渐加快，导致策略的生命周期愈发缩短。Chen和Liao[16]以价量关系为切入点，通过追踪Agent信念的演化路径，分析了其与市场动力学之间的因果性和一致性。自然地，这些成果补充、拓展了行为金融理论的研究内容，为深入研究开辟了方向并奠定了基础。
现时的主要不足
大体上，可以根据BF理论研究的需求从模型的设计角度对现有研究的缺陷予以概括（因为ACF是本领域的基础之一，其多数缺点被自然继承，有关ACF自身的缺点可详见文献[7]）。
1、交易机制、外部信源
多数ACF文献赞同仿真模型应采用真实的或贴近真实的交易机制，但是目前仅有极少数研究[37,56,57]满足。类似地，关于改善外部信源使之不仅输出一般数据而且按照Agent的信息接收方式和知识管理方式传递所需信息和知识的要求也期待解决。然而，事实上，解决它们有赖于CEM在市场设计和微观结构上实现突破。目前已有一些文献侧重阐释这些问题[58-60]，本文不再多述。
2、市场监管与制度约束
除少量文献[34]外，该方向研究仍落后于规范分析，可供探索的空间较大。举例来说，为验证中国市场条件下投资者心态模型的适用性就需增加卖空约束、涨跌幅限制等制度安排。不难想象，结合政策法规有利于刻画投资者行为、获得科学的模拟数据，进而发现新的市场规律并创建数学模型。
3、个体信息系统、策略系统、信念系统、知识库系统
仿真模型需要设计、开发彼此独立且相互协调的个体信息系统、策略系统、信念系统和知识库系统，整合各部分包括的活动，进而解决阻碍Agent形成正常预期的各种问题。具体地，开展这项工作的理由
是：第一，认
往往只有接收和输出信息的能力，而没有考虑上述环节，更忽略了其上认知偏差的作用，导致了仿真的“失真”。第二，模拟模型也未能在策略的评价、更新与选择步骤中关注相应的认知心理的影响，造成了学界对仿真实验策略稳定性和结果健壮性的怀疑。第三，信念更新方式机械化、简单化，类似前景理论中权重函数般的非线性概率分布几乎不被考虑。第四，尽管知识的表达、学习是智能体的主要表现，而且演绎推理的实施也取决于知识的组织、结构和使用方式，但是本领域还未构建过知识库系统用以管理Agent所需的知识，这使得推理机制单一的弊端难以克服。随着各模块的建立及功能的完善，仿真模型的整体结构会更加清晰，Agent的行为能力也将获得大幅提高。如此，现有的缺陷便可基本扫除。
4、参数集合、学习机制
参数多且不易理解是ACF也是本领域研究的“软肋”。校准研究[51,61-63]、稳定性测试（或称极限测试）⑤固然提供了确定值域的方法，但是彻底解决还需要规范参数集合的元素。相似地，当前种类繁多的学习机制[64]也需进行梳理，以明确各子系统或模块的备选集。
5、决策
决策依据方式的选择限制了Agent的交易指令的内容。现有研究为得到个体的资产预期持有量既存在最大化效用函数（包括价值函数）的方式，又有着程序给定的如if-then般的形式。这种不协调导致了不同实验的研究结果难以比较，间接引发了对于仿真实验的质疑。
上述几个方面从模型设计角度简单说明了现有研究受到批判的原因，由其可知，探索迎合本领域研究需要的完备的体系框架和统一的建模准则是解决一系列矛盾的根本途径。
未来的可能方向
充实思想基础和克服当前的主要不足自然是本领域未来的工作重点。此外，为了充分发挥计算实验的优势，以下方向值得注意。
zia1、多风险资产的研究⑥
风格投资、收益率联动、衍生品定价是当前BF理论研究的热点和今后的方向，也应是本领域的着力方向。通过创建包含多种风险资产的仿真平台能够方便探索决定资产价格的基础因子，特别是横截面因子，为创建富有实质意义的行为资产定价理论模型提供条件，并回应来自经典金融经济学实证研究的挑战。
2、行为公司金融理论研究
关注管理者非理性的行为公司金融理论是另一个拓宽研究范围的选择。近年来，并购、股利政策等传统问题的重新解读使BF理论研究进入了企业层面，这令CEM的潜力获得了深入开发的机会。Neo等[67]假设管理者凭经验决策，讨论多重选择下的公司融资行为，就是一个典型例子。由于这类研究通常设定公司管理者和市场投资者双方均是有限理性和有学习能力的，所以模型设计的复杂度会增加，而且结构将适当改变。
3、融合人主体实验（Human Subject Experiment，HSE）的研究
人主体实验的研究成果和方法一直是BF理论的假设基础和工具。本领域研究若能借助HSE将有利于精确参数的取值范围、选择合适的学习机制以及提高校准工作的可靠性。举例来说，LLS[38]通过HSE获得累积前景理论的重要参数值就为其后从事的仿真实验提供了依据。Duffy[68]总结HSE对基于Agent的计算经济学的辅助作用后认为，CEM和HSE两种方法的结合是充满希望的，将对经济研究产生巨大冲击。放眼未来，实验经济学方法与经济计算实验方法以人机交互技术为依托的融合势必为本领域形成一套新的研究金融市场与投资者问题的计算理论和方法体系。
4、面向人工社会的研究
圣塔菲学派的注意力很早便转向了人工生命的研究，同一时间兰德公司提出了人工社会的设想。这两种
⑤Axelrod[28]认为极限测试可以确定参数的取值范围，但是当参数数量较多且存在相关性时，试图据此到参数的值域是非常繁琐的。
⑥除极少数文献[38,65]外，风险资产品种偏少（经常仅有一种）是困扰本领域研究的“通病”。究其原因，模型对于风险资产横截面关系的设计是瓶颈所在。另外，单机的运算处理能力也是制约因素。该问题的解决依赖并行计算和分布式模拟[67]。
发布评论