王娟 姚雪筠

摘要：運(yùn)用人工智能技術(shù)是為了尋找能夠適應(yīng)環(huán)境變化的機(jī)制，例如能夠排除不合理解決方案的機(jī)制。如今，人工智能技術(shù)在醫(yī)學(xué)，游戲，運(yùn)輸和重工業(yè)等領(lǐng)域已有了廣泛應(yīng)用。本文主要研究的是一個(gè)跨學(xué)科問(wèn)題——人工智能與金融的融合。通過(guò)簡(jiǎn)要介紹數(shù)據(jù)挖掘技術(shù)，專(zhuān)家系統(tǒng)和基于主體的計(jì)算智能，并指定用這些技術(shù)來(lái)解決金融方面的問(wèn)題，以便更深入地了解智能系統(tǒng)在金融市場(chǎng)上的潛在用途。

關(guān)鍵詞：人工智能，數(shù)據(jù)挖掘，金融市場(chǎng)，應(yīng)用

引言

當(dāng)前的經(jīng)濟(jì)形勢(shì)下需要一個(gè)能夠在不斷變化的市場(chǎng)環(huán)境中迅速、準(zhǔn)確做出決策的處理體系，所以經(jīng)濟(jì)主體在決策過(guò)程中使用信息技術(shù)的趨勢(shì)越來(lái)越明顯。近來(lái)，傳統(tǒng)的統(tǒng)計(jì)方法逐漸被機(jī)器學(xué)習(xí)方法所代替。應(yīng)用機(jī)器學(xué)習(xí)的潛在優(yōu)勢(shì)不僅在于其迅速可靠的處理能力，還在于其發(fā)現(xiàn)大量數(shù)據(jù)中隱藏信息的能力。利用人工智能輔助決策可以消除部分決策者的有限理性，以便決策者利用更相關(guān)的數(shù)據(jù)和信息做出更好的決策。

人工智能能夠處理分類(lèi)，預(yù)測(cè)和優(yōu)化等屬于智能決策過(guò)程且不能被簡(jiǎn)單形式化的問(wèn)題，這些都是經(jīng)濟(jì)學(xué)中的典型問(wèn)題。本文的主要目的是指出可用于金融領(lǐng)域的人工智能技術(shù)，并提供該領(lǐng)域的研究概述。

1、數(shù)據(jù)挖掘和人工智能

數(shù)據(jù)挖掘是指從大型數(shù)據(jù)庫(kù)中提取有效的，未知的，可理解和可操作的信息并據(jù)此做出關(guān)鍵業(yè)務(wù)決策的過(guò)程。它被認(rèn)為是數(shù)據(jù)庫(kù)中知識(shí)發(fā)現(xiàn)（KDD）的關(guān)鍵過(guò)程。主要包括的技術(shù)有聚類(lèi)分析，時(shí)間序列挖掘和關(guān)聯(lián)規(guī)則挖掘。數(shù)據(jù)挖掘技術(shù)主要基于統(tǒng)計(jì)和機(jī)器學(xué)習(xí)，其模式可以從不同類(lèi)型的數(shù)據(jù)中推斷出來(lái)。其中機(jī)器學(xué)習(xí)，屬于人工智能領(lǐng)域。

人工智能（人工智能）系統(tǒng)旨在適應(yīng)和學(xué)習(xí)。人工智能的第一個(gè)定義是基于圖靈測(cè)試。艾倫·圖靈對(duì)機(jī)器展示智能的能力進(jìn)行了測(cè)試。測(cè)試過(guò)程如下：一個(gè)人類(lèi)法官與一個(gè)人和一個(gè)機(jī)器進(jìn)行對(duì)話(huà)，他們都要努力證明自己是人。法官的目標(biāo)是僅憑對(duì)話(huà)區(qū)分出人和機(jī)器（沒(méi)有視覺(jué)或其他幫助）。當(dāng)法官無(wú)法區(qū)分人和機(jī)器時(shí)，機(jī)器則被認(rèn)為是智能的。

人工智能方法可以分為兩種主要方法——符號(hào)（傳統(tǒng)）人工智能和亞符號(hào)人工智能（計(jì)算智能）。傳統(tǒng)人工智能使用邏輯和規(guī)則來(lái)做出決策，例如專(zhuān)家系統(tǒng)和貝葉斯網(wǎng)絡(luò)，這是一種自上而下的方法。計(jì)算智能（軟計(jì)算）是從生物機(jī)制中獲取靈感，并采用自下而上的方法。經(jīng)濟(jì)應(yīng)用中使用該技術(shù)的例子有神經(jīng)網(wǎng)絡(luò)，遺傳算法，模糊系統(tǒng)等。

2、數(shù)據(jù)挖掘在金融市場(chǎng)中的應(yīng)用

最近的研究涉及基于數(shù)據(jù)挖掘技術(shù)的定量交易工具的設(shè)計(jì)。數(shù)據(jù)挖掘有助于查找資產(chǎn)之間的關(guān)系，并根據(jù)廣泛的數(shù)據(jù)創(chuàng)建預(yù)測(cè)模型。利用歷史數(shù)據(jù)、短期匯率、利率和股票價(jià)格可以進(jìn)行預(yù)測(cè)。數(shù)據(jù)挖掘在股票市場(chǎng)得到了廣泛的運(yùn)用。Tung（2003）等人對(duì)十個(gè)證券交易所指數(shù)采用了一種簡(jiǎn)單的支持與信任交易策略并發(fā)現(xiàn)關(guān)聯(lián)規(guī)則在股票預(yù)測(cè)中作為分類(lèi)任務(wù)的一種形式是適用的。

文本挖掘也是解決股票價(jià)格預(yù)測(cè)問(wèn)題的有用工具。Schumaker和Chen（2009）將統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法應(yīng)用于財(cái)經(jīng)新聞。使用技術(shù)的主要目標(biāo)是了解雅虎財(cái)經(jīng)中的哪些條款將對(duì)標(biāo)準(zhǔn)普爾500指數(shù)中所列公司的股價(jià)產(chǎn)生影響，它們將產(chǎn)生多大的影響，然后估算在未來(lái)二十分鐘的股票價(jià)格。為了測(cè)試擬議系統(tǒng)的有效性，他們隨意選擇了一組專(zhuān)家和基金進(jìn)行比較。他們的模擬交易收益率為8.50%，優(yōu)于標(biāo)準(zhǔn)普爾500指數(shù)，著名的交易專(zhuān)家和2005年四大量化共同基金。

數(shù)據(jù)挖掘工具擁有很強(qiáng)的交互性，易于理解，且投資成本低，還能夠識(shí)別出需要進(jìn)一步檢查的重大異常。它在金融市場(chǎng)上的巨大潛力得到了證明，但使用數(shù)據(jù)挖掘工具需要注意數(shù)據(jù)的預(yù)處理。很明顯的異常值在實(shí)際中也可能是真實(shí)的，并且可能需要對(duì)缺失的數(shù)據(jù)進(jìn)行回填。預(yù)防過(guò)度擬合數(shù)據(jù)非常重要，因此僅在樣本外分析是無(wú)用的（Johnson，2011）。

3、人工智能在金融市場(chǎng)中的應(yīng)用

3.1 專(zhuān)家（知識(shí)）系統(tǒng)（ES）

專(zhuān)家系統(tǒng)是基于計(jì)算機(jī)的人工智能系統(tǒng)，它能模擬特定知識(shí)領(lǐng)域內(nèi)的人類(lèi)專(zhuān)家的推理過(guò)程。專(zhuān)家系統(tǒng)基于從專(zhuān)家那里獲得的特定的專(zhuān)業(yè)知識(shí)，以實(shí)現(xiàn)專(zhuān)家級(jí)的決策（Feigenbaum，1988）。專(zhuān)家系統(tǒng)的目的不是為了在決策過(guò)程中對(duì)人類(lèi)專(zhuān)家的心理過(guò)程進(jìn)行建模，而是為了實(shí)現(xiàn)高質(zhì)量的決策。即使部分所需數(shù)據(jù)不可用，專(zhuān)家系統(tǒng)也必須提出建議，這就需要數(shù)據(jù)庫(kù)提供多個(gè)或可替代的推論。此外，部分推論是可以通過(guò)專(zhuān)家系統(tǒng)來(lái)解釋?zhuān)⑶铱梢該?jù)此提出合理的附加問(wèn)題。

Collopy和Armstrong（1992）研究開(kāi)發(fā)了一個(gè)規(guī)則庫(kù)，用于對(duì)市場(chǎng)競(jìng)爭(zhēng)模型數(shù)據(jù)中的經(jīng)濟(jì)和人口時(shí)間序列進(jìn)行年度外推預(yù)測(cè)。他們基于規(guī)則的專(zhuān)家系統(tǒng)比隨機(jī)獲取和等權(quán)重組合預(yù)測(cè)出的結(jié)果更準(zhǔn)確，特別是對(duì)具有顯著趨勢(shì)，低不確定性，高穩(wěn)定性和專(zhuān)業(yè)知識(shí)充足的領(lǐng)域進(jìn)行長(zhǎng)期預(yù)測(cè)時(shí)，它們結(jié)果更加精準(zhǔn)。Korczak和Lipinsky（2004）測(cè)試了兩個(gè)實(shí)時(shí)交易系統(tǒng)的隨機(jī)指標(biāo)，相對(duì)強(qiáng)弱指標(biāo)和簡(jiǎn)易波動(dòng)指標(biāo)，并將它們進(jìn)行了對(duì)比。第一個(gè)交易系統(tǒng)是基于350個(gè)交易規(guī)則，第二個(gè)交易系統(tǒng)則是基于由第一個(gè)系統(tǒng)交易規(guī)則線(xiàn)性組合而創(chuàng)建出的150個(gè)交易規(guī)則。該實(shí)驗(yàn)在巴黎證券交易所實(shí)現(xiàn)，他們發(fā)現(xiàn)減少交易規(guī)則可縮短計(jì)算時(shí)間，且不會(huì)對(duì)預(yù)測(cè)結(jié)果的準(zhǔn)確性產(chǎn)生重大影響。

專(zhuān)家系統(tǒng)的主要優(yōu)點(diǎn)之一是它們能夠結(jié)合不同的知識(shí)源，且能永久保存決策的過(guò)程和所有步驟的概述。但另一方面，與人類(lèi)專(zhuān)家相比，專(zhuān)家系統(tǒng)必須進(jìn)行準(zhǔn)確的更新，而不能通過(guò)類(lèi)比其他來(lái)源遇到的問(wèn)題來(lái)解決類(lèi)似的新問(wèn)題。

3.2 人工神經(jīng)網(wǎng)絡(luò)（ANNs）

人工神經(jīng)網(wǎng)絡(luò)是由并行操作的簡(jiǎn)單元件所組成的。與生物神經(jīng)系統(tǒng)類(lèi)似，人工神經(jīng)系統(tǒng)的功能主要取決于元素之間的聯(lián)系。通過(guò)對(duì)目標(biāo)值的明確了解，該網(wǎng)絡(luò)能夠調(diào)整聯(lián)系之間的值（元素之間的權(quán)重）來(lái)進(jìn)行“學(xué)習(xí)”，所以人工神經(jīng)網(wǎng)絡(luò)被廣泛用于解決分類(lèi)，預(yù)測(cè)和控制等問(wèn)題。

使用人工神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點(diǎn)是能夠在未知變量之間函數(shù)關(guān)系的情況下捕獲其中的非線(xiàn)性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)作為“通用近似系統(tǒng)”運(yùn)行，幾乎能夠模擬任何函數(shù)依賴(lài)。它們可以排除異常值，而不需要特定的分布。與計(jì)量經(jīng)濟(jì)模型相比，人工神經(jīng)網(wǎng)絡(luò)能在更短的時(shí)間內(nèi)給出結(jié)果，且重量和參數(shù)系統(tǒng)均可調(diào)節(jié)，還可以以給定的精度進(jìn)行工作（Fanta，2001）。

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用的缺點(diǎn)是缺乏設(shè)計(jì)網(wǎng)絡(luò)的標(biāo)準(zhǔn)范例，“黑匣子”的概念描述了使用人工神經(jīng)網(wǎng)絡(luò)最大的弊端，它很難確定所選輸入變量對(duì)輸出的影響。當(dāng)使用人工神經(jīng)網(wǎng)絡(luò)時(shí)，需要有一個(gè)長(zhǎng)度足夠的數(shù)據(jù)集來(lái)防止在學(xué)習(xí)階段過(guò)度擬合網(wǎng)絡(luò)。

人工神經(jīng)網(wǎng)絡(luò)已成功應(yīng)用于解決企業(yè)債券評(píng)級(jí)預(yù)測(cè)的普遍性問(wèn)題，這是傳統(tǒng)數(shù)學(xué)建模技術(shù)很難實(shí)現(xiàn)的。

Kim（2009）等人模擬了一個(gè)系統(tǒng)，該系統(tǒng)運(yùn)用人工神經(jīng)網(wǎng)絡(luò)建立的靜態(tài)自回歸模型對(duì)當(dāng)前的時(shí)間序列與過(guò)去的穩(wěn)定時(shí)間序列進(jìn)行評(píng)估。該模型的潛力在韓國(guó)股票市場(chǎng)得以證明。

人工神經(jīng)網(wǎng)絡(luò)被中央銀行廣泛用于預(yù)測(cè)政府的利率和貨幣政策，它的使用在通貨膨脹預(yù)測(cè)研究中也很常見(jiàn)；使用者們主要關(guān)注的是它與計(jì)量經(jīng)濟(jì)模型預(yù)測(cè)準(zhǔn)確性的比較。

其他研究表明，神經(jīng)網(wǎng)絡(luò)在長(zhǎng)期預(yù)測(cè)中表現(xiàn)更好，與非線(xiàn)性回歸模型相比，它對(duì)國(guó)內(nèi)生產(chǎn)總值，國(guó)民生產(chǎn)總值和失業(yè)率的長(zhǎng)期預(yù)測(cè)更為精準(zhǔn)。研究人員對(duì)人工神經(jīng)網(wǎng)絡(luò)在金融市場(chǎng)時(shí)間序列中的適用性也進(jìn)行了研究，他們重點(diǎn)關(guān)注了外匯因素。

近年來(lái)，有大量研究試圖預(yù)測(cè)國(guó)際股票市場(chǎng)指數(shù)的價(jià)格水平，研究均集中在用技術(shù)分析指標(biāo)作為人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的輸入變量。結(jié)果表明，以技術(shù)分析指標(biāo)作為人工神經(jīng)網(wǎng)絡(luò)的輸入變量提高了預(yù)測(cè)的準(zhǔn)確性，盡管研究人員只統(tǒng)計(jì)了以前股票的價(jià)格。

3.3 遺傳算法

遺傳算法（GA）源于生物學(xué)，是進(jìn)化算法的一個(gè)子集。遺傳算法的主要思想是運(yùn)用遺傳算子（如突變或交叉），在進(jìn)化的迭代過(guò)程中增加個(gè)體適應(yīng)度。這能使?jié)M足給定條件（可用適應(yīng)度函數(shù)表示）的個(gè)體的進(jìn)化優(yōu)于他們的祖先。人類(lèi)個(gè)體可用染色體表示，染色體經(jīng)常用二進(jìn)制字符串表示，但它們通常也可以用其他類(lèi)型的值表示?；蜃鳛槿旧w的一部分，與個(gè)體的特定特征有很大關(guān)系。

遺傳算法的主要優(yōu)點(diǎn)是運(yùn)用該算法不需要有任何關(guān)于目標(biāo)函數(shù)的明確信息，它能在大量潛在數(shù)據(jù)集中進(jìn)行準(zhǔn)確預(yù)測(cè)，但是它難以設(shè)定選擇機(jī)制的參數(shù)和條件，選出主要代表個(gè)體的樣本。

遺傳算法可用于解決優(yōu)化問(wèn)題（例如：投資組合優(yōu)化問(wèn)題）和檢索問(wèn)題。

Baba（2003）等人試圖改進(jìn)智能技術(shù)分析應(yīng)用系統(tǒng)以做出更好的決策。他們用13周和26周的移動(dòng)平均值和遺傳算法技術(shù)建立了一個(gè)基于日經(jīng)225種平均股價(jià)指數(shù)和東證股價(jià)指數(shù)的交易系統(tǒng)，并進(jìn)行了大量的計(jì)算機(jī)模擬，發(fā)現(xiàn)僅使用技術(shù)分析技術(shù)獲得的結(jié)果更好。

De la Fuente（2006）等人試圖通過(guò)自動(dòng)化交易者來(lái)優(yōu)化股票市場(chǎng)的時(shí)機(jī)。他們將遺傳算法應(yīng)用于西班牙電信公司2004-2005產(chǎn)生的日常數(shù)據(jù)，基于技術(shù)分析指標(biāo)（相對(duì)強(qiáng)弱指數(shù)，異同移動(dòng)平均線(xiàn)和隨機(jī)指數(shù)）進(jìn)行決策，且將適應(yīng)度函數(shù)建立在不合理數(shù)據(jù)評(píng)定結(jié)果最差的規(guī)則上，那么重復(fù)出現(xiàn)的染色體則為陽(yáng)性。該研究證明了應(yīng)用遺傳算法擊敗市場(chǎng)的可能性。

遺傳算法已被Hirabayashi等人應(yīng)用于如何優(yōu)化問(wèn)題解決方法的研究中。他們?cè)噲D通過(guò)應(yīng)用了遺傳算法的交易系統(tǒng)來(lái)增加外匯投資的短期回報(bào)。他們的目標(biāo)是建立一個(gè)能夠從歷史數(shù)據(jù)中學(xué)習(xí)交易規(guī)則的細(xì)微差別，并適應(yīng)不斷變化的市場(chǎng)環(huán)境的演化系統(tǒng)。這個(gè)學(xué)習(xí)系統(tǒng)會(huì)搜尋能將技術(shù)分析指標(biāo)及其參數(shù)高效結(jié)合的購(gòu)買(mǎi)、銷(xiāo)售信號(hào)。其測(cè)試集是使用美元/日元的小時(shí)匯率創(chuàng)建的。系統(tǒng)用四個(gè)指標(biāo)（相對(duì)強(qiáng)弱指標(biāo)，移動(dòng)平均線(xiàn)，多元指數(shù)移動(dòng)平均指標(biāo)和移動(dòng)平均線(xiàn)的百分比差異）和遺傳算法獲得了預(yù)測(cè)匯率與實(shí)際匯率的變化趨勢(shì)相差無(wú)幾的結(jié)果。該方法解釋了雷曼兄弟在倒閉期間價(jià)格快速下跌卻獲得高收益的原因。

綜上所述，由于人工智能具有研究非線(xiàn)性關(guān)系，及時(shí)學(xué)習(xí)和進(jìn)化，做出專(zhuān)家級(jí)別的決策等功能，研究為人工智能方法在各種經(jīng)濟(jì)應(yīng)用中使用的適用性提供了支持性證據(jù)。

遺傳算法可用于優(yōu)化問(wèn)題——優(yōu)化股票市場(chǎng)的時(shí)機(jī)和投資組合的創(chuàng)建。在解決預(yù)測(cè)問(wèn)題時(shí)，遺傳算法可與其他人工智能方法結(jié)合使用。數(shù)據(jù)挖掘工具可用于創(chuàng)建短期預(yù)測(cè)交易和利率的定量工具。專(zhuān)家系統(tǒng)試圖做出專(zhuān)家級(jí)別的決策，可將其應(yīng)用于證券分析和公司評(píng)估。

3.4 模糊系統(tǒng)

模糊系統(tǒng)是源于模糊邏輯的專(zhuān)家系統(tǒng)。模糊邏輯測(cè)量的是（0.0，1.0）范圍內(nèi)隸屬值的不確定性，其中0.0表示絕對(duì)假值，1.0表示絕對(duì)真值。與概率論相比，模糊邏輯并不假設(shè)所有可能性出現(xiàn)的概率總和為1。對(duì)于隸屬值的限度也沒(méi)有明確的定義，模糊集使用的是類(lèi)似于可能、也許、充分等的語(yǔ)言變量。

模糊系統(tǒng)的流程包括三個(gè)步驟：模糊化，模糊推理和解密。整個(gè)過(guò)程從模糊化開(kāi)始，模糊化就是將實(shí)際數(shù)據(jù)轉(zhuǎn)換為模糊數(shù)據(jù)，然后用模糊邏輯系統(tǒng)進(jìn)行模糊推理，通常是基于如果…就的規(guī)則，最后將模糊數(shù)據(jù)轉(zhuǎn)換回實(shí)際數(shù)據(jù)。

模糊系統(tǒng)非常適合用來(lái)完成一些特性不確定的決策任務(wù)，因此它們非常適合應(yīng)用在金融市場(chǎng)中來(lái)進(jìn)行相關(guān)資產(chǎn)購(gòu)買(mǎi)/出售量的決策。Romahi和Shen（2000）建立了一個(gè)基于金融預(yù)測(cè)演化規(guī)則的專(zhuān)家系統(tǒng)，他們將模糊邏輯與歸納規(guī)則相結(jié)合，創(chuàng)建了一個(gè)具有泛化能力的系統(tǒng)。

基于模糊規(guī)則的神經(jīng)網(wǎng)絡(luò)系統(tǒng)已多次在研究中被應(yīng)用于預(yù)測(cè)股市的收益。Ang和Quek（2006）提出了一種基于移動(dòng)平均規(guī)則的交易系統(tǒng)，它的紙張回報(bào)率比隨機(jī)交易系統(tǒng)的更高。Wong（1992年）等人利用32家公司的基本數(shù)據(jù)發(fā)現(xiàn)了一個(gè)基于交易規(guī)則的模糊神經(jīng)網(wǎng)絡(luò)（FNN）的類(lèi)似方法。Kuo（1998）應(yīng)用測(cè)量定量和定性因素的模糊神經(jīng)網(wǎng)絡(luò)在臺(tái)灣股市建立了一個(gè)決策支持系統(tǒng)，并獲得了比單一人工神經(jīng)網(wǎng)絡(luò)更好的結(jié)果。

Gil-Aluje（2011）等人基于拓?fù)涔硖岢隽艘粋€(gè)新的投資組合管理框架來(lái)選擇該組合中的投資項(xiàng)目。找到各屬性中的同質(zhì)性并據(jù)此選出每個(gè)子集的一個(gè)或多個(gè)項(xiàng)目以獲得期望的屬性。該系統(tǒng)簡(jiǎn)化了以前的投資組合選擇算法。

模糊系統(tǒng)的主要優(yōu)點(diǎn)是能夠解決無(wú)嚴(yán)格界限，概念定義模糊和不確定性的問(wèn)題。模糊系統(tǒng)中的每個(gè)規(guī)則都易于理解和修改（例如，如果成本高，那么制造過(guò)程效率就低，反之亦然）。而它的缺點(diǎn)是它們需要有已解決問(wèn)題的相關(guān)知識(shí)。

3.5 基于主體的計(jì)算經(jīng)濟(jì)學(xué)（ACE）

經(jīng)濟(jì)可以被描述為具有適應(yīng)外部環(huán)境能力的復(fù)雜適應(yīng)系統(tǒng)。在經(jīng)濟(jì)中運(yùn)作的主體在沒(méi)有意識(shí)到這種適應(yīng)的情況下調(diào)整他們對(duì)系統(tǒng)的行為。經(jīng)濟(jì)主體會(huì)考慮他們的行為以及他們行為的后果，并據(jù)此來(lái)調(diào)整他們的行為。它們構(gòu)成了所屬系統(tǒng)的概念，它們的行為也影響著整個(gè)系統(tǒng)。

從經(jīng)濟(jì)的概念出發(fā)，作為誕生了基于主體的計(jì)算經(jīng)濟(jì)學(xué)的復(fù)雜自適應(yīng)系統(tǒng)（ACE），它是一個(gè)自下而上的系統(tǒng)，構(gòu)成主體和交互規(guī)則模型的自上而下的系統(tǒng)，該交互規(guī)則即使用模擬的方法建立整個(gè)系統(tǒng)。在這種建模方法中，結(jié)構(gòu)發(fā)展的同時(shí)不強(qiáng)制建模人員對(duì)其進(jìn)行任何推測(cè)。由此產(chǎn)生的基于主體的計(jì)算經(jīng)濟(jì)學(xué)模型必須動(dòng)態(tài)完成——建模的經(jīng)濟(jì)系統(tǒng)必須能夠在主體的交互作用的基礎(chǔ)上隨著時(shí)間的推移而發(fā)展，而無(wú)需建模人員的進(jìn)一步干預(yù)。

基于主體的計(jì)算經(jīng)濟(jì)學(xué)是一個(gè)自下而上的系統(tǒng)，需要有特定的功能，因此，高數(shù)據(jù)可訪(fǎng)問(wèn)性和明確的主體目使得金融市場(chǎng)對(duì)于基于主體的計(jì)算經(jīng)濟(jì)學(xué)的應(yīng)用來(lái)說(shuō)是一個(gè)極具挑戰(zhàn)性的領(lǐng)域。

人工智能體的早期研究是基于零智能主體的。LeBaron（2000）調(diào)查了零智能交易者在人工外匯市場(chǎng)上的效率，他發(fā)現(xiàn)這些主體的預(yù)算分配效率與人類(lèi)主體相似。在其他研究中，已發(fā)展使用更復(fù)雜的主體進(jìn)行模擬。Raberto（2003）等人建立了一個(gè)主體的交易策略以技術(shù)交易規(guī)則和基本價(jià)值為基礎(chǔ)的模型。Kendall和Su（2003）對(duì)倫敦證券交易所的五只股票采用了基于主體的方法。人工主體的交易行為以技術(shù)分析指標(biāo)為主題。該研究表明人工交易者的學(xué)習(xí)能力穩(wěn)定且令人滿(mǎn)意。獲得了一個(gè)有利于進(jìn)一步研究投資組合選擇的重要發(fā)現(xiàn)，不同股票價(jià)格模式下人工交易者有不同學(xué)習(xí)行為。Kumar和Bhattacharya（2009）使用多智能體的方法進(jìn)行投資組合選擇，他們?cè)谝粋€(gè)月，兩個(gè)月和三個(gè)月的非抽樣期間獲得了比富時(shí)100指數(shù)更高的平均回報(bào)。

將市場(chǎng)視為一個(gè)非常大的想法、目標(biāo)各不相同的主體的聚集地，往往能揭示出與傳統(tǒng)理論思維截然不同的觀(guān)點(diǎn)。以基于主體的計(jì)算經(jīng)濟(jì)學(xué)建模的主要優(yōu)點(diǎn)是系統(tǒng)能創(chuàng)建出更逼真的自主主體——它們能夠交流，根據(jù)以前的經(jīng)驗(yàn)適應(yīng)外部環(huán)境，模仿，創(chuàng)建和維護(hù)社交行為模式等。這些功能是基于對(duì)外部環(huán)境中其他主體隱藏的內(nèi)部進(jìn)程，會(huì)使主體產(chǎn)生與其外部環(huán)境相關(guān)的不可預(yù)測(cè)和不受控制的行為。該模型提高了建模過(guò)程的透明度和清晰度，同時(shí)補(bǔ)充了分析和統(tǒng)計(jì)建模的方法。

基于主體的計(jì)算經(jīng)濟(jì)學(xué)建模的相對(duì)缺點(diǎn)是它需要有詳細(xì)的說(shuō)明（包括主體數(shù)據(jù)和確定的結(jié)構(gòu)屬性），制度安排和行為傾向。如果主體間相互作用引起足夠強(qiáng)烈的正反饋，那么初始規(guī)格的微小變化也可能從根本上影響結(jié)果的類(lèi)型。所以，很難通過(guò)模擬獲得結(jié)果的實(shí)驗(yàn)證據(jù)。

4、結(jié)論

由于人工智能具有研究非線(xiàn)性關(guān)系，及時(shí)學(xué)習(xí)和進(jìn)化，做出專(zhuān)家級(jí)別的決策等功能，研究為人工智能方法在各種經(jīng)濟(jì)應(yīng)用中使用的適用性提供了支持性證據(jù)。遺傳算法可用于優(yōu)化問(wèn)題——優(yōu)化股票市場(chǎng)的時(shí)機(jī)和投資組合的創(chuàng)建。在解決預(yù)測(cè)問(wèn)題時(shí)，遺傳算法可與其他人工智能方法結(jié)合使用。數(shù)據(jù)挖掘工具可用于創(chuàng)建短期預(yù)測(cè)交易和利率的定量工具。專(zhuān)家系統(tǒng)試圖做出專(zhuān)家級(jí)別的決策，可將其應(yīng)用于證券分析和公司評(píng)估。如果我們不確定決策方法（人類(lèi)決策者的典型方法）的概念，那么模糊系統(tǒng)可能是合適的解決方案，所以模糊系統(tǒng)可主要應(yīng)用于保險(xiǎn)行業(yè)。近年來(lái)，基于主體的計(jì)算經(jīng)濟(jì)學(xué)已經(jīng)出現(xiàn)，目前主要應(yīng)用于金融市場(chǎng)建模。人工神經(jīng)網(wǎng)絡(luò)則因其能研究變量之間的非線(xiàn)性關(guān)系且能處理不確定性而得以應(yīng)用，它們經(jīng)常被用于解決預(yù)測(cè)問(wèn)題——預(yù)測(cè)宏觀(guān)經(jīng)濟(jì)指標(biāo)和金融市場(chǎng)的時(shí)間序列問(wèn)題。

參考文獻(xiàn)：

[1] Tung， A. K. H.，Hongjun L.，Jiawei H.， Ling F. Efficient mining of intertransaction association rules[J]. Knowledge and Data Engineering， 2003，15（1）：43-56 .

[2] SCHUMAKER， P.， CHEN， H. A.quantitative stock prediction system based on financiel news[J]. Information Processign&Management，2009，45（5）：571-583.

[3] JOHNSON， B. Algorithmic Trading & DMA： An introduction to direct access trading strategies[J]. London： Myeloma Press，2011，1（4）： 574.

[4] FEIGENBAUM， E. A.， MC CORDUCK， P， NII， H. P. The Rise of the Expert Company[N]. London： Times Books，1988， 336.

[5] COLLOPY， F.，ARMSTRONG， J. S. Rule-Based Forecasting： Development and Validation of an Expert Systems Approach to Combining Time Series Extrapolations[J]. INFORMS，1992，38（10）：1394-1414.[6] KORCZaK， J. J.， LIPINSKi， P.Evolutionary building of stock trading experts in real-time series[C]. Proceeding of the 2004 Congress on Evolutionary Computation. Portland，2004： 940-947.

[7] FANTA， J. Psychologie， algoritmy a umělá inteligence na kapitálovych trzích[N].Praha ： Grada publishing，2001，1： 168.

[8] Kim， D. H.， Lee， S. J.， Oh， K. J. An early warning system for financial crisis using a stock market instability index[J]. Expert systems，2009，26（3）：260-273.

[9] Baba， N.， Yaai， W.， Kawachi， T.， Xu Lima， Zhenglong， D. An Intelligent DSS Which Improves the Traditional Technical Analysis[J]. SICCE ： Annual Conference. Fukui，2003： 3216-3219.

[10] De LA Fuente， D.，Garrido， A.， Laviada， J.，Gómez， A.Genetic algorithms to optimize the time to make stock market investment[C].Proceedings of the 8th Annual conference on Genetic and evolutionary computation，2006，06：1857-1858.

作者簡(jiǎn)介：

王娟，南京大學(xué)博士后，南京郵電大學(xué)管理學(xué)院副教授，研究方向?yàn)楣ど坦芾恚?/p>

姚雪筠，南京郵電大學(xué)管理學(xué)院碩士研究生，工作單位：鹽城市東亭科技小額貸款有限公司，研究方向?yàn)樨?cái)務(wù)管理。