Trattamento probabilistico dell’incertezza per il learning di agenti in un mercato finanziario virtuale

Progetto: Research project

Dettagli progetto

Description

E' ormai evidente l'importanza delle tecniche di simulazione agent based per lo studio e l'analisi dei mercati finanziari non soltanto per la possibilità di replicarne i comportamenti statistici macroscopici ma anche per valutare l'efficacia degli approcci comportamentali degli agenti. In particolare per gli agenti sono stati introdotti comportamenti razionali passando da un approccio esogeno per la determinazione delle allocazioni target di portafoglio ad un approccio razionale che utilizza l'apprendimento bayesiano e l'ottimizzazione di portafoglio. In questa ricerca si vuole utilizzare un approccio generale e flessibile di learning sfruttando il principio di coerenza di de Finetti e sue opportune generalizzazioni per le probabilità imprecise.

Layman's description

Obiettivi: Le tecniche agent based per la simulazione e lo studio dei mercati finanziari, fino ad oggi condotte, hanno mostrato la necessità di definire in modo preciso le regole di trading del mercato e quelle comportamentali degli agenti. E' noto in letteratura come anche l'utilizzo di agenti "zero intelligence" può comunque riprodurre fatti stilizzati dei mercati reali, ma è evidente che la logica di un ambiente virtuale sarebbe quella di valutare l'effetto sia a livello macro che micro del mercato di "razionalità differenti" degli agenti. L'introduzione, già in via di sviluppo, di un apprendimento da parte degli agenti ha portato benefici non soltanto alla mimica del mercato virtuale ma anche alla comprensione del processo di formazione dei prezzi e delle interazioni fra singoli trader. Tali tecniche sono di estrema importanza al fine della valutazione da parte del singolo agente delle belief sugli andamenti dei titoli trattati per la generazione di scenari futuri da utilizzare per l'ottimizzazione di portafoglio che individua le percentuali di ricchezza da destinare ad ogni singolo titolo e quindi alimenta l'attività di trading. Per tale motivo sono state sviluppate sino ad ora tecniche di learning bayesiano. Si vuole ora utilizzare un approccio generale e flessibile di learning sfruttando il principio di coerenza di de Finetti e sue opportune generalizzazioni per le probabilità imprecise. In una seconda fase si valuterà l'applicabilità in ambito agent based eventualmente valutandone le differenze rispetto a quelle fino ad ora implementate. Metodi: Una metodologia proposta per il learning è quella di utilizzare opportuni algoritmi che consentono di calcolare intervalli coerenti di probabilità per nuovi eventi condizionati partendo da una valutazione probabilistica precisa o imprecisa assegnata direttamente su una famiglia arbitraria di eventi condizionati. Tali algoritmi sfruttano sia tecniche di ottimizzazione lineare che l’eventuale presenza di regole logiche di inferenza locale.
StatoAttivo
Data di inizio/fine effettiva1/1/05 → …

Fingerprint

Esplora i temi di ricerca toccati da questo progetto. Queste etichette sono generate sulla base dei riconoscimenti/sovvenzioni sottostanti. Insieme formano una fingerprint unica.