IDEAS home Printed from https://ideas.repec.org/a/scn/cememm/v55y2019i2p81-97.html
   My bibliography  Save this article

Стадное Поведение На Фондовом Рынке: Анализ И Прогнозирование

Author

Listed:
  • Светлов К.В.

Abstract

ПАО "Банк "Санкт-Петербург"", Санкт-Петербург E-mail: kir.svetloff@gmail.com Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований (проект 15-06-05625-а) "Потребительский выбор и стадное поведение в микроэкономике: от аналитического описания к реалистичным агент-ориентированным моделям". Автор признателен руководителю проекта Д.В. Ковалевскому за полезные замечания. Организацией, предоставляющей условия для реализации проекта, является Международный центр по окружающей среде и дистанционному зондированию им. Нансена (Нансен-центр, Санкт-Петербург). Аннотация. В работе проводится исследование модели Альфарано, описывающей динамику стоимости акции на рынке под влиянием стадного поведения его участников. В рамках данной модели выделяются два типа экономических агентов: инвесторы и шумовые трейдеры. Предполагается, что среди трейдеров существуют оптимистично настроенные, которые ожидают роста цены, и пессимистично настроенные, которые ожидают ее снижения. Стохастический характер цены в данной модели формируется под влиянием смены ожиданий у группы шумовых трейдеров, что выражается в изменении соотношения между числом оптимистов и пессимистов. В отличие от других моделей ценовой динамики получающаяся в рамках данной модели цена имеет конечные границы, значения которых определяются параметром чувствительности рынка к смене настроений трейдеров. Пользуясь диффузионным приближением для марковского процесса, описывающего соотношение числа трейдеров, ожидающих роста цены, и числа трейдеров, ожидающих снижения цены, мы проводим анализ указанной модели. В зависимости от параметров модели, задающих вероятности смены ожиданий у шумовых трейдеров, исследуется такой аспект данной модели, как возможность достижения за конечное время граничных вариантов в структуре участников торгов, когда абсолютно все трейдеры оптимистично или пессимистично настроены. Выводятся формулы для переходных вероятностей, позволяющие оценить возможность смены настроений на рынке за заданный промежуток времени и рассчитать влияние данных изменений на цену. Основным результатом данной работы является вывод соотношений для построения прогноза будущих значений цен, в том числе в долгосрочной перспективе, а также вывод соотношений для определения стоимости производных финансовых инструментов (на примере колл-опциона) и исследование возможности их хеджирования.

Suggested Citation

  • Светлов К.В., 2019. "Стадное Поведение На Фондовом Рынке: Анализ И Прогнозирование," Журнал Экономика и математические методы (ЭММ), Центральный Экономико-Математический Институт (ЦЭМИ), vol. 55(2), pages 81-97, апрель.
    • Handle: RePEc:scn:cememm:v:55:y:2019:i:2:p:81-97
    as

    Download full text from publisher

    To our knowledge, this item is not available for download. To find whether it is available, there are three options:
    1. Check below whether another version of this item is available online.
    2. Check on the provider's web page whether it is in fact available.
    3. Perform a search for a similarly titled item that would be available.

    References listed on IDEAS

    as
    1. Alan Kirman, 1993. "Ants, Rationality, and Recruitment," The Quarterly Journal of Economics, President and Fellows of Harvard College, vol. 108(1), pages 137-156.
    2. Alfarano, Simone & Lux, Thomas & Wagner, Friedrich, 2008. "Time variation of higher moments in a financial market with heterogeneous agents: An analytical approach," Journal of Economic Dynamics and Control, Elsevier, vol. 32(1), pages 101-136, January.
    3. Hans Föllmer & Martin Schweizer, 1993. "A Microeconomic Approach to Diffusion Models For Stock Prices," Mathematical Finance, Wiley Blackwell, vol. 3(1), pages 1-23, January.
    4. Cont, Rama & Bouchaud, Jean-Philipe, 2000. "Herd Behavior And Aggregate Fluctuations In Financial Markets," Macroeconomic Dynamics, Cambridge University Press, vol. 4(2), pages 170-196, June.
    Full references (including those not matched with items on IDEAS)

    Most related items

    These are the items that most often cite the same works as this one and are cited by the same works as this one.
    1. Torsten Trimborn & Philipp Otte & Simon Cramer & Maximilian Beikirch & Emma Pabich & Martin Frank, 2020. "SABCEMM: A Simulator for Agent-Based Computational Economic Market Models," Computational Economics, Springer;Society for Computational Economics, vol. 55(2), pages 707-744, February.
    2. Hommes, Cars H., 2006. "Heterogeneous Agent Models in Economics and Finance," Handbook of Computational Economics, in: Leigh Tesfatsion & Kenneth L. Judd (ed.), Handbook of Computational Economics, edition 1, volume 2, chapter 23, pages 1109-1186, Elsevier.
    3. Lux, Thomas & Alfarano, Simone, 2016. "Financial power laws: Empirical evidence, models, and mechanisms," Chaos, Solitons & Fractals, Elsevier, vol. 88(C), pages 3-18.
    4. Simon Cramer & Torsten Trimborn, 2019. "Stylized Facts and Agent-Based Modeling," Papers 1912.02684, arXiv.org.
    5. Alfarano, Simone & Milakovic, Mishael, 2009. "Network structure and N-dependence in agent-based herding models," Journal of Economic Dynamics and Control, Elsevier, vol. 33(1), pages 78-92, January.
    6. Torsten Trimborn & Philipp Otte & Simon Cramer & Max Beikirch & Emma Pabich & Martin Frank, 2018. "SABCEMM-A Simulator for Agent-Based Computational Economic Market Models," Papers 1801.01811, arXiv.org, revised Oct 2018.
    7. Kukacka, Jiri & Kristoufek, Ladislav, 2021. "Does parameterization affect the complexity of agent-based models?," Journal of Economic Behavior & Organization, Elsevier, vol. 192(C), pages 324-356.
    8. Makoto Nirei & Tsutomu Watanabe, 2014. "Beauty Contests and Fat Tails in Financial Markets," UTokyo Price Project Working Paper Series 024, University of Tokyo, Graduate School of Economics.
    9. Adri'an Carro & Ra'ul Toral & Maxi San Miguel, 2015. "Markets, herding and response to external information," Papers 1506.03708, arXiv.org, revised Jun 2015.
    10. Kukacka, Jiri & Kristoufek, Ladislav, 2020. "Do ‘complex’ financial models really lead to complex dynamics? Agent-based models and multifractality," Journal of Economic Dynamics and Control, Elsevier, vol. 113(C).
    11. Adrián Carro & Raúl Toral & Maxi San Miguel, 2015. "Markets, Herding and Response to External Information," PLOS ONE, Public Library of Science, vol. 10(7), pages 1-28, July.
    12. Nicolas, Maxime L.D., 2022. "Estimating a model of herding behavior on social networks," Physica A: Statistical Mechanics and its Applications, Elsevier, vol. 604(C).
    13. Kirill S. Glavatskiy & Mikhail Prokopenko & Adrian Carro & Paul Ormerod & Michael Harré, 2021. "Explaining herding and volatility in the cyclical price dynamics of urban housing markets using a large-scale agent-based model," SN Business & Economics, Springer, vol. 1(6), pages 1-21, June.
    14. Ghonghadze, Jaba & Lux, Thomas, 2016. "Bringing an elementary agent-based model to the data: Estimation via GMM and an application to forecasting of asset price volatility," Journal of Empirical Finance, Elsevier, vol. 37(C), pages 1-19.
    15. Lux, Thomas, 2008. "Stochastic behavioral asset pricing models and the stylized facts," Kiel Working Papers 1426, Kiel Institute for the World Economy (IfW Kiel).
    16. Westerhoff, Frank H. & Dieci, Roberto, 2006. "The effectiveness of Keynes-Tobin transaction taxes when heterogeneous agents can trade in different markets: A behavioral finance approach," Journal of Economic Dynamics and Control, Elsevier, vol. 30(2), pages 293-322, February.
    17. Simone Landini & Mauro Gallegati, 2014. "Heterogeneity, interaction and emergence: effects of composition," International Journal of Computational Economics and Econometrics, Inderscience Enterprises Ltd, vol. 4(3/4), pages 339-361.
    18. E. Samanidou & E. Zschischang & D. Stauffer & T. Lux, 2001. "Microscopic Models of Financial Markets," Papers cond-mat/0110354, arXiv.org.
    19. Yamamoto, Ryuichi, 2019. "Dynamic Predictor Selection And Order Splitting In A Limit Order Market," Macroeconomic Dynamics, Cambridge University Press, vol. 23(5), pages 1757-1792, July.
    20. David Vidal-Tomás & Simone Alfarano, 2020. "An agent-based early warning indicator for financial market instability," Journal of Economic Interaction and Coordination, Springer;Society for Economic Science with Heterogeneous Interacting Agents, vol. 15(1), pages 49-87, January.

    Corrections

    All material on this site has been provided by the respective publishers and authors. You can help correct errors and omissions. When requesting a correction, please mention this item's handle: RePEc:scn:cememm:v:55:y:2019:i:2:p:81-97. See general information about how to correct material in RePEc.

    If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about.

    If CitEc recognized a bibliographic reference but did not link an item in RePEc to it, you can help with this form .

    If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the "citations" tab in your RePEc Author Service profile, as there may be some citations waiting for confirmation.

    For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: Sergei Parinov (email available below). General contact details of provider: http://www.cemi.rssi.ru/emm/home.htm .

    Please note that corrections may take a couple of weeks to filter through the various RePEc services.

    IDEAS is a RePEc service. RePEc uses bibliographic data supplied by the respective publishers.