探究复杂金融系统的计算实验.ppt

探究复杂金融系统的计算实验,张维 天津大学 管理与经济学部Tel:022-2740-1308Fax:022-27408863 Email:,金融市场的复杂系统特征,金融市场的基本功能就是通过交易金融资产的形式，在空间和时间上优化地配置社会的资金资源金融市场在资产定价中的有效性，决定了一个经济运行的效率而这个有效性取决于其作为一个复杂开放巨系统的性质,2,金融市场的复杂系统特征,从系统工程的角度看，金融市场是典型的复杂系统，它具备了开放复杂巨系统的一些基本特性作为交易者的众多微观主体互相具有随机的联系、具有对于环境的适应性反应能力系统内外的信息交互密切系统内外的资金（可以定义为一种“能量”）交换频繁,3,金融市场的复杂系统特征,按照Holland,J.(1997)的定义,金融系统在本质上并不是一个简单系统，而是由大量具有适应性并相互交互的异质个体组成的、系统结构具有内生演化性的“复杂系统”,4,4,金融市场的复杂系统特征,5,5,6,金融市场的复杂系统特征,Individual restrictions,7,金融系统复杂性本质与经典理论结论间的差异，形成了金融异象，这导致了一些新的金融理论研究方向的诞生,8,金融市场的复杂系统特征,众多“异象”之发现,8,金融市场的复杂系统特征,传统上单纯地依赖解析建模研究、或者单纯地依靠市场数据的实证研究、以及针对个体行为的实验研究，都不足以对复杂的金融市场的动态特性与规律进行满意的刻画与捕捉而这个系统本身的复杂性特点又恰恰表明，我们可以用“计算实验”作为一种新的方法论和技术，对其进行深刻的基础研究和技术平台开发,9,人类获得了前所未有的计算能力，“计算”已经开始成为与“实验”、“实证”和“数理分析”并驾齐驱的“第四种”科学研究手段按照L.Tesfatsion 在计算实验经济学手册（Elsevier,2006）和维基百科的定义，“计算实验（Agent-based Modeling and Experiment）”是通过计算模型描述系统中微观主体的行为特征及其相互关联演化、以及环境背景，从而模拟系统的基本运动并在此基础上实验分析系统的集结行为与演化规律的一种科学研究方法,Computation is now as important as theory and experiment in advancing scientific knowledge.,10,研究复杂金融市场：方法的演进,10,更具体地，我们可以定义“管理研究计算实验方法”管理科学学报2011年第5期“管理科学研究中的计算实验方法”：计算实验是以综合集成方法论为指导，融合计算技术、复杂系统理论和演化理论等，通过计算机再现管理活动的基本情景、微观主体之行为特征及相互关联，并在此基础上分析揭示管理复杂性与演化规律的一种研究方法,研究复杂金融市场：方法的演进,11,研究复杂金融市场：方法的演进,12,12,何谓计算实验金融学？,计算实验金融学（Agent-based Computational Finance，ACF），是将金融市场视为包含多个异质参与主体的复杂系统，运用信息和计算技术来模拟给定的市场交易结构、市场微观层次Agent的行为，进而揭示由此“涌现”出来的金融市场（如股票市场、外汇市场、期货市场等）动态特性及其成因的一门金融学分支,13,何谓计算实验金融学？,正如Tesfatsion（2006）所指出的，（包括金融经济学在内的）“经济学计算研究就是通过构建可计算的实验室，在计算机的虚拟环境中设置各种情景，进而考察Agent的反应及行为，以及市场的表现等”,14,科学意义和实践价值,学术研究上，提供了一种与目前标准金融经济学研究（数理、实证、实验）完全不同的方法论和研究手段（计算），可以突破一些传统方法面临的障碍实践价值上，可以形成金融市场仿真的计算实验平台，为金融的产品创新、交易机制创新、监管政策制订等等提供评估手段；为应对突发金融危机事件提供演练工具,15,科学意义和实践价值,标准金融经济学所利用的多是“集结性”的统计数据或者逻辑推理，在这样的“纸上”市场中，难以从微观角度对市场参与者行为、交易机制的微观因素同市场的总体动态特性相联系从经济和法律约束的角度看，真实市场在金融产品创新试验和交易机制创新试验等方面，需要付出巨大的成本，并需要面临法律的障碍但不进行金融创新的试验，金融创新产品及其交易机制存在漏洞很容易引发金融风险事件甚至导致金融危机，代价更高,16,科学意义和实践价值,因此，建立一个与真实金融市场“神似”的虚拟“人工金融市场”（甚至是“市场群”）并在之上进行创新的实验在一定意义上，我们观察到的“真实市场”其实不过是真实世界的某一次“实现”而“人工市场”则可能给我们带来更多的可能性去探究真实世界中比我们观察到的“真实市场”更多的“情景”,17,梦：生活的另一种情景,18,2010-10-1，SEC等认定，纽约股票市场价格指数当年5月6日瞬间暴跌由一家交易机构在市场饱受压力时，交易电脑自动执行卖出指令触发,科学意义和实践价值,19,领域演进与发展动态,20,20,中文学术期刊上ACF的部分发表,2005年之前的研究主要侧重在引进、基准市场模型建立方面1应尚军、魏一鸣、范英和蔡嗣经等（2001），基于元胞自动机的股票市场投资行为模拟，系统工程学报，No.052刘晓峰，刘晓光和田存志（2001），涨、跌停板制度安排对于股市稳定性影响的研究，国际金融研究，No.093应尚军、魏一鸣、范英和汪秉宏等（2003），基于元胞自动机的股票市场复杂性研究投资者心理与市场行为，系统工程理论与实践，No.124刘大海，王治宝，孙洪军和张瀚（2004），基于Agent的股票价格行为仿真，计算机工程，No.195高宝俊，戴辉和宣慧玉（2005），基于Agent的股票市场仿真:个体行为对市场、政策效果的影响，系统工程理论方法应用，No.066高宝俊，宣慧玉和李璐（2005）基于Agent的连续竞价股票市场仿真研究，管理评论，No.067姜继娇和杨乃定（2005），基于有限理性Agent的人工股票市场模型，计算机工程与应用，No.35,Page.21,领域演进与发展动态,中文学术期刊上ACF的部分发表,2005年至今的研究，则更多开始关注机制设计、校准、种群等问题8刘维妮和韩立岩（2007），基于人工股市模型的投资者仿真研究，管理学报，No.049张维，赵帅特，熊熊和张永杰（2008），计算实验金融、技术规则与时间序列收益可预测性，管理科学，No.0310邹琳、马超群和李红权（2008），中国股市仿真系统建模及其非线性特征研究，系统管理学报，No.0411李红权（2009），异质投资者、噪声与金融市场波动的仿真研究，计算机工程与应用，No.0312李红权和邹琳（2009），基于Agent 的投资者情绪对于股市演化行为仿真研究，计算机工程与应用，No.1213熊熊，郭翠，张维和张永杰（2009），中小企业贷款利率定价的计算实验方法，系统工程理论与实践，No.1214陈莹、袁建辉、李心丹和肖斌卿（2010），基于计算实验的协同羊群行为与市场波动研究，管理科学学报，No.0915杨敏和马进胜（2010），基于主体的人工股市建模及其实证研究，管理科学学报，No.05,Page.22,领域演进与发展动态,中文学术期刊上ACF的部分发表,2005年至今的研究，则更多开始关注机制设计、校准、种群等问题16张永杰、张维和熊熊（2010），投资策略与投资收益基于计算实验金融方法的研究，管理科学学报，No.1017邹琳、马超群、刘钰和崔璨（2010），基于财富与信息角度的人工股票市场建模及非线性特征形成机理，系统工程，No.10,Page.23,领域演进与发展动态,对于金融市场中个体适应性更精确的刻画基于适应性市场模型的机制设计适应性策略的种群演化及相应市场动态金融市场中的复杂网络及其市场动态大规模适应性Agent计算实验金融建模,24,领域演进与发展动态,24,复杂金融系统的计算实验建模,与其他研究手段相似，计算实验方法的一个很重要的核心基础就是对于研究对象进行计算建模,市场外信息及财富等约束,25,复杂金融系统的计算实验建模,根据这种方法的特点，上述建模工作可以分成三个部分：针对价格形成机制的建模针对Agent个体行为的建模针对Agent信息结构的建模,26,针对价格形成机制的建模,市场外信息及财富等约束,27,针对价格形成机制的建模：模型分类,LeBaron（2006）指出，在构建金融市场的计算实验平台时，最大的困难也许就是构建实验环境的本身，即市场中的价格形成机制的设计从已有的文献中可以看出，目前的人工金融市场中关于价格形成机制的设计，从思想上大体上可以分为四类：,28,针对价格形成机制的建模：第一类,以Day和Huang（1990）、Chiarella（1992）、Lux（1995，1999）等学者的研究为代表将市场的价格形成看作是一个超额需求驱动的函数这类似于简单的做市商的模型：做市商首先报价，然后根据各个Agent所申报的需求情况，来确定下一期的价格，当需求大于供给时调高价格，当需求小于供给时降低价格。在此类模型中实际上是不存在供需均衡的，只是根据供需的非均衡程度来实现价格的调整。其数学模型如下所示，其中 为市场深度，为t时刻的超额需求，p为价格。,29,针对价格形成机制的建模：第二类,以Beltratti和Margarita（1993）等学者的研究为代表他们将市场的交易过程看作是一个随机碰撞的过程，即每个Agent在实验的环境中随机游走，当它与另外一个Agent相遇时，如果它们双方认为可以进行交易则交易发生，产生价格。这是现实市场的一种简化形式，与真实世界中的场外市场（OTC）具有一定的类似性。,30,针对价格形成机制的建模：第三类,以Arthur等（1997）、Brock和Hommes（1998）、Chiarella和He（2002）等的研究为代表通过构建供需均衡模型，将市场的出清价格作为理论解析模型的一个（类）解析解呈现出来。在Arthur等（1997）的SFI-ASM模型中，拍卖者根据需求，通过进行多次试算调整价格的方法，使得Agent调整需求量，进而使得市场的出清价格能够或接近供需均衡，其作用就相当于一个数值求解器；Brock和Hommes（1998）提出的异质主体分析框架（HAM）模型中，在供需均衡的条件下，通过构建封闭的迭代方程组，这样就可以求出市场出清价格的解析解，并且根据参数的选择不同，可以充分地考察市场价格动力学方面的特性，例如混沌效应、分叉结构等等。,31,针对价格形成机制的建模：第三类,以Arthur等（1997）、Brock和Hommes（1998）、Chiarella和He（2002）等的研究为代表与前两类模型相比，在此类模型中能够达到供需均衡，并形成交易的均衡价格。,32,针对价格形成机制的建模：第四类,以Gode和Sunder（1993，1997）、Chiarella和Iori（2002）、Farmer等（2005）、LeBaron等（2007）、以及Chiarella等（2009）等学者的研究为代表选取的价格形成机制都是类似于真实市场中的双向拍卖机制。这类模型的特点是，Agent根据市场价格，决定需求量，然后提交限价订单，订单在订单簿中进行撮合匹配，进而形成市场价格,33,针对价格形成机制的建模：第四类,以Gode和Sunder（1993，1997）、Chiarella和Iori（2002）、Farmer等（2005）、LeBaron等（2007）、以及Chiarella等（2009）等学者的研究为代表这类价格形成机制最贴近于真实的市场，因而采用此类模型进行研究的学者，也都大多关注于市场交易机制对市场异象及价格的影响。此类模型建模的主要困难在于订单簿的描述，以及这种非均衡状态下的Agent预期模型和市场出清方式等等。,34,针对Agent个体行为的建模,市场外信息及财富等约束,35,针对Agent个体行为的建模,计算建模的工作除了对价格形成机制建模以外，另一项重要的工作就是对Agent的个体行为建模根据不同的“智能”程度，目前相关的文献结果大致可以三类：,36,针对Agent个体行为的建模：第一类,Gode等（1993）最早提出零智能（ZI）模型。ZI Agent随机进行买卖交易，不会以高于其最大预期的价格买入，也不会低于其资产的成本卖出Cliff（1997）在ZI模型的基础上，将人工智能技术和演化计算的方法加入到ZI模型之中提出了ZIP模型。Farmer等（2005）、以及Tubaro（2009）分别从不同的方面对ZI模型进行了详细的描述ZI学派的共同特点都是认为，在市场价格的形成中，Agent是否具有理性对价格的影响不大，而市场的微观结构才是对市场价格的主要影响因素,37,针对Agent个体行为的建模：第二类,根据观察市场实践，学者们还提出了另一类具有一定“智能”的个体模型，即普通策略类模型这类模型主要指基本面投资者（Fundamentalist）模型、技术交易者（Chartist）模型（Brock和Hommes,1998;Chiarella和He,2003）、噪音交易者（noise trader）模型（DSSW,1990）、以及同时具有多属性策略模型(Chiarella和Iori，2002，2009）；另外，还包括目前行为金融学中提出的若干模型，例如BSV模型、HS模型等这类模型的特点是Agent具有某种相对固定的交易策略，但一般不具备“学习”能力,38,针对Agent个体行为的建模：第三类,学习是市场参与者一项重要的性质，并且实践和文献都表明学习行为导致了丰富的价格动态特性Smith(with Suchanek and Williams,1988)Marimon,Spear&Sunder(1993),Marimon&Sunder(1993,1994)Kelley&Friedman(2002)Adam(2007),Assenza&Berardi(2009),Pfajfar&Santoro(2010)Hommes,Sonnemans,Tuinstra et al(2005),Hommes(2011),39,故在计算实验中，考虑了学习性质的Agent个体行为建模也就变得很自然了这些具有学习功能的Agent个体行为模型不仅试图表达个体的“自我学习”，而且也试图表达Agent之间的“社会学习”行为社会网络方法的出现，将进一步推动这类具有学习功能的Agent个体行为建模的发展,Page.40,针对Agent个体行为的建模：第三类,针对Agent个体行为的建模：第三类,Arthur等（1997）构建的SFI-ASM中即采用了GA模型表达Agent的“理性行为”，从而实现了其进化；Ehrentreich（2008）对此给予了进一步的阐述Chen和Yeh（2001）构建了基于遗传规划（GP）的Agent的个体学习和社会学习行为模型LeBaron和Yamamoto（2007）对Chiarella和Iori（2002）构建的混合属性策略模型进行了改造，构建了一个ANN决策模型，通过学习不断地对三个成分的权重进行优化，进而实现策略演化的功能,41,Page.42,针对Agent个体行为的建模：第三类,SFI（1995）的经典工作：个体独自学习能实现REE,针对Agent个体行为的建模：第三类,Chen等（2001）的经典工作：对交互学习的基础实现,43,学习方式的多样化改进的GA：Bullard&Duffy(1998,1999 JEDC),Ehrentreich(2006 JEBO),Zhang&Zhang(2007 IEEE IS)强化学习：Brock&Hommes(1998 JEDC),Gaunersdorfer(2000 JEDC),Hommes(2002 PNAS),Chiarella&He(2002 Compu.Econ.,2003 Macro Dyn.),Brock,Hommes&Wagener(2005 JME,2009 JEDC),Anufriev 和Panchenko(2009 JEDC),Dieci&Westerhoff(2010 JEDC)基于业绩的学习方式：Levy,Levy&Solomon(1994 EL),Chiarella&He(2001 QF),Anufriev,Bottazzi&Pancotto(2006 JEDC),Anufriev(2008 QF)OLS 估计算法：Sargent(1993,1999),Evans&Honkapohja(2003 JET)贝叶斯更新算法：Wieland(2000 JME),Lewellen&Shanken(2002,JOF),Beker&Espino(2011 JET),针对Agent个体行为的建模：第三类,44,针对市场信息结构的建模,市场外信息及财富等约束,45,真实金融市场中由个体交互活动演化形成的，具有复杂结构的交互网络也是造成系统复杂特征的根源之一,Gale的“天然工具”论(AER,2007),Borgatti的“金矿”论(Science,2009),针对市场信息结构的建模,46,针对市场信息结构的建模：第一类,个体Agent不存在直接交互的网络模型在此类模型中每个Agent之间没有信息的交互行为（local interaction），Agent只能从市场（或虚拟拍卖人）的出清信息中获取知识，通常这类网络呈现为“星形网络”。这类研究中以SFI-ASM（Arthur等，1997），Brock和Hommes（1998）等学者的研究为代表,47,针对市场信息结构的建模：第二类,扩散传播模型此类模型具有规则的lattice结构，大多以物理学领域中的渗透理论（Stauffer和Aharony，1994）为原型，Agent以一定的概率接受或拒绝与其随机交互的Agent的信息和行为。这类研究中以Kirman（1993）、Bak等（1997）、Lux和Marchesi（1999）、Cont和Bouchaud（2000）等学者的研究为代表,48,针对市场信息结构的建模：第三类,固定模式的交互网络模型此类模型的特征是Agent存在于固定的交互网络模型中，Agent通过与其“邻居”的交互和影响来丰富市场的表现特征，例如：谣言（rumor）在市场中的传播研究等。网络模型一般包括小世界网络模型、Von Newman邻居模型和Moore邻居模型等这类研究中以Epstein和Axtell（1996）、Wilhite（2001）、Hein等（2008）、Hoffmann等（2007）为代表,49,Hoffmann等(2007，JASSS)agent以环形网络和无标度网络相连接，并传递信息或预期价格，研究发现在环形网络结构中信息扩散形成的价格更接近于真实市场,环形网络,无标度网络,针对市场信息结构的建模：第三类,50,计算实验金融：与理论解析模型有何不同？,易于构建异质主体（Heterogeneous Agent）Ehrentreich（2008）指出，理论解析模型往往选择代表性主体（而不是异质主体）以构建一个完美的瓦尔拉斯市场模型，但是这种假设条件受到了来自现实的挑战。尽管Brook和Hommes（1998）建立了HAM的分析框架，但在理论解析模型的范畴内，引入异质性使模型的求解发生了很大困难。与理论模型自上而下的建模思想不同，计算实验从下而上的形式使得其能够更容易地对Agent的异质行为、规则、以及偏好等特征进行刻画和建模,51,计算实验金融：与理论解析模型有何不同？,易于描述个体的交互行为由于金融市场是一个复杂系统，特别是系统内的Agent之间的交互模式及交互网络，使用传统数理建模方法是十分难以的描述；而计算实验可以很容易地对这些复杂的交互特征进行刻画，设计各种交互网络模型，增加系统的交互维度,52,计算实验金融：与理论解析模型有何不同？,更加贴近于真实的市场交易机制表达传统理论模型关注的是抽象的经济学意义下的均衡解，因而在模型中形成均衡的方法上往往与实践中的价格形成机制相去甚远但由于其微观建模的特点，计算实验手段对于真实市场机制的描述能力是传统解析模型完全无法比拟的（LeBaron，2006；Marks，2006）。,53,计算实验金融：与实证研究有何不同？,降低对数据环境及时间的依赖实证研究往往是通过对某一个特定的市场进行数据采集，然后对数据进行分析和比较，这在本质上是对一个随机过程的一次“实现”进行的研究。就像你不能两次跨进同一条河一样，实证的结论往往具有很强的数据依赖性计算实验在这方面的比较优势是，它可以通过在保证系统构成部件不变的条件下产生大量可重复的实验数据，并据此展开可重复的研究,54,计算实验金融：与实证研究有何不同？,降低对数据环境和时间的依赖（续）举例来说，金融市场可以看作是由投资者、交易机制和环境构成，那么当我们研究投资者行为时，可以保证交易机制和环境都不变的情况下，测试不同的投资者的行为反应；同样也可以在保证投资者行为特征及环境不变的条件下，进行改变和调整交易机制，从而观察市场的表现，以设计一个合适的交易机制。,55,55,计算实验金融：与实验研究有何不同？,提高实验可靠性实验经济学中的参与者往往有“被实验”感，因此如Smith（1962）指出，对参与者的激励与其行为可靠性的问题十分重要。也就是说，由于参与者知道这是一个实验，因而其行为有可能并非与真实环境下的行为相一致，这就容易误导实验的结果。而计算实验中的Agent却可以在人造的虚拟世界中“忠实”地生活，它们十分“敬业”地参与着计算实验中设定的“游戏”，因而在特定的实验条件下所展现出的情形是具有一致性的。,56,计算实验金融：与实验研究有何不同？,构建更加可控的Agent在一个由人和各种机制构成的市场环境中，实验经济学只做到了对市场机制的完全控制，而对于人的行为则没有做到完全的控制。这也是由人的行为复杂性所决定的，这就使得研究者很难观察到实验参与者的偏好和动机，因此Smith（1976）提出了“诱导值理论”的方法来减少实验参与者个体偏好对实验的影响,57,计算实验金融：与实验研究有何不同？,构建更加可控的Agent（续）而在计算实验中，就能够避免实验经济学中遇到的这个问题，在计算实验模型中可以分别对Agent的行为与市场机制都进行很好的控制，进而针对某一金融问题进行方向明确的深入研究。另外，从实验成本的角度考虑，为了获得可靠的实验数据和结果，研究者都会要求进行大量可重复的实验进行验证，这种情况下，计算实验要比人工实验的时间成本和资金成本都小的多,58,计算实验金融：Agent的行为是否足够逼真？,其实，如同其他研究方法中的模型是对真实世界某个方面的一种抽象一样，计算实验中Agent行为也是对真实市场参与者某个行为侧面的一种抽象特别地，针对不同的研究问题和目的，对于真实市场参与者的行为建立不同的Agent模型，更有利于深刻地解释问题的本质，这与其他研究方法在哲学上是相同的,59,计算实验金融：Agent的行为是否足够逼真？,对这个问题的答案也可以部分地借鉴实验经济学对参与者的身份与专业化的观点长期以来，Smith（1988）、Flood等（2002）等众多学者进行了一系列的选取职业交易者参与的实验，他们通过对实验结果的比较，发现学生参与者与职业投资者参与的实验表现并不存在显著的差异这就说明，如果抓住了某种核心特征，被试的“逼真性”并不对实验的结果产生本质的影响这一点对于计算实验同样是成立的,60,计算实验金融：市场中Agent数量是否太少？,由于计算能力的限制，往往在计算实验中Agent的数量不能像真实市场中相同的数量级，这往往引起人们的诟病对于此问题，一方面可以借鉴实验经济学的观点Smith（1962）记载了他从1955年开始进行的10个实验，历时6年多的时间，从实验的结果与真实市场的对照角度可以看出：实验中参与者的数量多少，对市场的表现影响不大。正如Smith所言：“即使是数量非常的小，只要参与者认为能够获利，那么他们在市场上进行交易同样会演化出复杂的市场现象”（Hommes 亦有类似观点！）,61,计算实验金融：市场中Agent数量是否太少？,从计算实验的角度来看，早期SFI-ASM（Arthur,1997）通过对实验结果与真实市场的比较发现，仅仅用25个gent就能够涌现出真实市场的特征。Gode和Sunder（1993）进行了真人实验和由零智能（ZI）Agent参与的计算实验，他们发现无论数量的多少，计算实验与真人实验的结果十分类似，并且都具有真实市场的特征Gode和Sunder（1997）、Cliff（1997）、Farmer等（2005）同样证实了计算实验中Agent的数量并非是对市场现象影响的绝对因素这些研究表明，Agent数量的选取只要能够在统计意义上达到与之对应的真实市场格式化特征即可,62,计算实验金融：市场中Agent数量是否太少？,当然，上述文献中通过与真实市场特征进行对比的方法，说明了Agent数量多少对结果影响并不明显，对大规模Agent情况进行可能还需要进一步对比实验。事实上，计算实验对此问题的研究支撑并没有实验经济学中来的坚实，因为在实验经济学中参与者均为真人，而计算实验中Agent的建模复杂程度并不相同，因而在不同复杂程度的层面上确定数量对实验结果的影响并不那么简单进一步应可能当分别构建不同复杂程度的Agent模型，然后借助高性能计算机进行不同数量规模的大量实验，分别从横向和纵向进行对比，这样产生的结论才更加可靠,63,关于计算实验一个经常被问到的问题就是：如何保证建立的模型就是真实市场的一种再现？这个模型校准的问题可以从三个角度考虑观察计算实验模型是否重现了真实市场的格式化事实（stylized facts）来加以判断不同计算实验模型及结果之间的互验计算实验模型与真人被试的结果互验,计算实验金融：计算实验模型如何校准？,64,Agent-based Model,WKA,一个校准的案例：ASM 与万科,65,Positive alpha and beta means the volatility clusteringAlpha+Beta almost reach 1,meaning the long memory persistence,描述型统计和GARCH 参数,66,多尺度分析,67,Following Pasquini&Serva（1999）,we define:,Returns,Cumulative returns,Standard deviation of of cumulative returns,n=N/L,68,多尺度分析,69,多尺度分析,Generalized cumulative absolute returns,Standard deviation of generalized cumulative absolute returns,70,多尺度分析,结论与展望：既有优势，也有缺陷,这种,Page.71,.political decision makers might be more willing to trust findings based on rather detailed simulation models where they see a lot of the economic structure they are familiar with than in general insights obtained in rather abstract mathematical models(JEBO special issue on ACE)Computational science.enabling a better understanding of scientific problems than formal mathematics alone can achieve.Computation is now as important as theory and experiment in advancing scientific knowledge.(Society for Industrial and Applied Mathematics),结论与展望：既有优势，也有缺陷,应当选择其优势来应用这类方法个体学习于金融市场的影响“种群转换”对金融市场的影响金融市场中的复杂网络的机制与影响“情景-应对”思想的风险管理手段,Page.72,结论与展望,计算实验金融学作为一门新的领域，在近二十年的发展过程中，其方法论基础和研究范式已经逐渐形成它作为实验经济学的后续发展和补充必将为金融研究开启一个全新的思维视角，更重要的是计算实验金融为人们认识和理解金融市场这样一个复杂系统，提供了一套新的方法论工具尽管目前它还不能像主流金融经济学研究方法那么成体系，但其比较优势的存在必将使之得到进一步的完善和发展。,73,谢谢大家！,天津大学 管理与经济学部Tel:022-2740-1308Fax:022-27408863 Email:,