Comportamiento de agentes financieros en un mercado artificial desarrollado con el algoritmo Particle Swarm Optimization
DOI:
https://doi.org/10.33448/rsd-v9i7.4216Palabras clave:
Mercados financieros; Simulación computacional; Optimización; PSOResumen
Los mercados financieros son sistemas complejos en los que los comerciantes interactúan utilizando las estrategias más variadas. Las técnicas computacionales que utilizan agentes inteligentes pueden ayudar en la toma de decisiones con el fin de maximizar las ganancias. En este sentido, el objetivo de este artículo es observar el comportamiento de los agentes financieros que participan en mercados simulados e inferir sobre las ganancias de estos agentes. A través del algoritmo Particle Swarm Optimization, utilizamos dos grupos distintos de agentes inteligentes: un grupo utiliza un grado de creencia en la predicción de activos para el día siguiente y el otro grupo no utiliza, en el que ambos interactúan entre sí buscando maximizar sus ganancias. Se llevó a cabo una investigación exploratoria, con análisis cuantitativos de los datos. Los resultados mostraron que el grupo que utiliza el pronóstico es más homogéneo, mostrando mayores ganancias medias de riqueza, con el capital y las concentraciones de acciones adquiridas que varían según la serie de precios históricos utilizada (Bitcoin, Ethereum, Litcoin o Ripple). Por lo tanto, el procedimiento implementado puede mejorarse y utilizarse para el desarrollo de entornos orientados a una mejor comprensión de los mercados financieros y ayudar a los participantes del mercado en la definición de estrategias comerciales que permitan la minimización de las pérdidas financieras.Citas
Ahmed, M. K., Wajiga, G. M., Blamah, N. V., & Modi, B. (2019). Stock Market Forecasting Using ant Colony Optimization Based Algorithm. American Journal of Mathematical and Computer Modelling, 4(3), 52-57. https://doi.org/10.11648/j.ajmcm.20190403.11.
Hitam, N. A., Ismail, A. R., & Saeed, F. (2019). An Optimized Support Vector Machine (SVM) based on Particle Swarm Optimization (PSO) for Cryptocurrency Forecasting. Procedia Computer Science, 163, 427-433. https://doi.org/10.1016/j.procs.2019.12.125.
Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. In Proceedings of ICNN'95-International Conference on Neural Networks (Vol. 4, pp. 1942-1948). IEEE. http://doi.org/10.1109/ICNN.1995.488968.
Lajevardy, P., Parand, F. A., Rashidi, H., & Rahimi, H. (2017). A hybrid method for load forecasting in smart grid based on neural networks and cuckoo search optimization approach. International Journal of Renewable Energy Resources, 5(1), 13-20.
Mandes, A., & Winker, P. (2017). Complexity and model comparison in agent based modeling of financial markets. Journal of Economic Interaction and Coordination, 12(3), 469-506.
https://doi.org/10.1007/s11403-016-0173-0.
Pessin, G., & Osório, F. (2009). Otimização por Enxame de Partículas aplicado à formação e atuação de grupos robóticos. Scientia, 20(2), 94-106. http://doi.org/10.4013/sct.2009.20.2.03.
Pereira, A.S. et al. (2018). Metodologia da pesquisa científica. [e-book]. Santa Maria. Ed. UAB/NTE/UFSM. Acesso em: 5 maio 2020. Disponível em: https://repositorio.ufsm.br/bitstream/handle/1/15824/Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1.
Ramos, W. V., & Neto, C. R. (2015). A Utilização da Modelagem de Sistemas Complexos na Construção de um Mercado de Ações Artificial. Revista Eletrônica do Departamento de Ciências Contábeis & Departamento de Atuária e Métodos Quantitativos (REDECA), 2(1), 101-115.
Serapião, A. B. D. S. (2009). Fundamentos de otimização por inteligência de enxames: uma visão geral. Sba: Controle & Automação Sociedade Brasileira de Automatica, 20(3), 271-304.
https://doi.org/10.1590/S0103-17592009000300002.
Tang, L., Wang, A., Xu, Z., & Li, J. (2017). Online-purchasing behavior forecasting with a firefly algorithm-based SVM model considering shopping cart use. Eurasia Journal of Mathematics, Science and Technology Education, 13(12), 7967-7983.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.