معامله گران حافظه کوتاه و تأثیر آنها بر یادگیری گروهی در بازارهای مالی

در این مقاله چندین موضوع از شبیه سازی بازارهای مالی مبتنی بر عامل برجسته شده است. اینها همه حول مسئله یادگیری در یک محیط چند منظوره و به طور خاص این سؤال است که آیا رفتار معاملاتی عوامل حافظه کوتاه می تواند در روند یادگیری بازار به طور کلی دخالت کند. در یک مثال ساده نشان داده شده است که معامله گران حافظه کوتاه در تولید نوسانات اضافی و سایر ویژگی های مشترک در بازارهای واقعی ادامه می دهند. مشکلات مربوط به رفتار معامله گر حافظه کوتاه با استفاده از چندین روش مختلف می تواند از بین برود. این موارد به همراه ارتباط آنها با مدل های مبتنی بر عامل به طور کلی مورد بحث قرار گرفته است.

اختلاف نظر کمی وجود دارد که یادگیری و سازگاری در سیستم های اقتصادی و اجتماعی نقش دارند. فقط چه نقشی در یادگیری ایفا می کند و چگونه می تواند به کمک یا صدمه زدن به تصمیم گیری افراد و گروه ها کمک کند و به دست آوردن اهداف آنها هنوز یک سؤال اساسی است. در این مقاله نمونه هایی از بازارهای مالی مبتنی بر عامل ارائه شده است تا نشان دهد که یادگیری گروهی و خود سازماندهی اجتماعی می تواند در بسیاری از مواقع مشکل باشد. همچنین نشان می دهد که ممکن است برخی از موضوعات مشترک مربوط به روند یادگیری عوامل سازگار در بازارهای مالی و سایر تنظیمات وجود داشته باشد.

مسئله اصلی یادگیری در مدل های مبتنی بر عامل این است که بازیکنان با محیطی که دائماً در حال تغییر است ، با همکاران و استراتژی های مربوطه خود روبرو می شوند. یک دنیای یادگیری فوق العاده منطقی ، بازیکنانی را در تلاش دارد تا در حالی که سعی می کنند از آنها خارج شوند ، حرکت همه دیگران را با دقت انجام دهند. بازارهای مبتنی بر عامل این چارچوب را با یکی از افراد پیروی از قوانین رفتاری نسبتاً ساده جایگزین می کنند که با گذشت زمان به روز می شوند. بنابراین ، اگرچه آنها به دور از آگاهی نیستند ، این شرکت کنندگان هنوز در حال یادگیری و تلاش برای انجام بهترین کاری هستند که می توانند در آنچه ممکن است یک محیط همیشه در حال تغییر باشد انجام دهند.

دلایل زیادی برای انتقال به دنیای محدود منطقی مدل های مبتنی بر عامل وجود دارد. اول ، الزامات محاسباتی پیگیری هر کس دیگری در یک بازار مالی احتمالاً بسیار زیاد و خارج از دسترس هر کسی است. دوم ، به نظر می رسد که بیشتر رفتار فردی مبتنی بر "قوانین شست" ساده است نه منطق قیاسی پیچیده. سرانجام ، قوانین پیچیده در بسیاری از شرایط ممکن است برای اشتباهات کوچک قوی نباشد. سوءاستفاده های احتمالی و اشتباهات ناشی از قوانین پیچیده در گرفتن جهان ممکن است منجر به هلاکت نهایی آنها شود.«

مسئله اصلی یادگیری در دنیای مبتنی بر عامل این است که افراد باید در حالی که سایر شرکت کنندگان در بازار نیز یاد می گیرند یاد بگیرند. با تغییر سایر رفتارها ، محیطی که آنها سعی در یادگیری آنها دارند ، به احتمال زیاد با گذشت زمان تغییر می کند. ناهمگونی درون زا در حال تغییر جمعیت تا حد زیادی بر توانایی فرد در فهمیدن چه کاری باید تأثیر بگذارد. این جنبه بارز سیستم های اجتماعی می تواند یادگیری یک وضعیت ساده در بازار را دشوار کند و می تواند به پویایی جالب منجر شود ، که در برخی موارد کار خوبی را برای تکرار سری های زمانی از بازارهای واقعی انجام می دهد.

بخش مهم دیگر فرایند یادگیری ارائه شده در اینجا زمان است. با توجه به اینکه تغییر نقش مهمی در این بازارها ایفا می کند ، جای تعجب آور نیست ، آن زمان نیز یک ویژگی مهم خواهد بود. در یک مأمورین در حال تغییر در جهان باید در مورد نحوه مشاهده گذشته موضع بگیرند. اگر یادگیری از گذشته به برخی از نقاط داده نیاز داشته باشد ، این سؤال که باید به گذشته به گذشته برگردد ، باید پاسخ داده شود. برای کسی که معتقد است جهان ثابت است ، پاسخ این سؤال بسیار آسان است. او باید از تمام اطلاعات موجود استفاده کند. با این حال ، اگر کسی جهان را به طور مداوم در حالت تغییر مشاهده کند ، بهتر است از سری های زمانی استفاده کنید که به گذشته کوتاه تر برسد. در آزمایش های رایانه ای که در اینجا ارائه شده است ، این سؤال به طور کلی در معرض تکامل قرار خواهد گرفت. به عبارت دیگر ، عوامل حافظه بلند ، با استفاده از بسیاری از داده های گذشته ، در برابر عوامل حافظه کوتاه قرار می گیرند تا ببینند چه کسی بازار را به دست می گیرد.

مسئله نهایی که در اینجا مورد توجه قرار خواهد گرفت ، سرعت یادگیری است. نرخ واقعی که در آن مأمورین یاد می گیرند ، در بسیاری از تنظیمات به یک ویژگی مهم تبدیل می شود. در ابتدا ممکن است به نظر برسد که یادگیری هرچه بیشتر ممکن است بهترین استراتژی برای دنبال کردن باشد ، اما خواهیم دید که این اغلب اینگونه نیست ، که این یک نتیجه جالب غیرقانونی از دنیای مدل سازی مبتنی بر عامل است.

در این مقاله از یک بازار مالی ساده مبتنی بر عامل به عنوان نمونه محاسباتی برای نکات ذکر شده در ابتدا استفاده شده است. چندین چیز بازارهای مالی را به مکانی جالب برای استفاده از این تکنیک ها تبدیل می کند. آنها مجموعه داده های غنی را با بسیاری از معماهای برجسته تولید می کنند که هنوز توضیح کافی ندارند. آنها همچنین ممکن است سیستمی باشند که تناسب اندام تکاملی می تواند به طور منطقی با چیزی که به راحتی قابل مشاهده است - ثروت مالی مالی مرتبط باشد. سرانجام ، از طرف نظری ، اقتصاد مالی بازارها را در تعادل می داند که در آن یادگیری بیشتر آنچه را که باید شناخته شود کشف کرده است. مأمورین به سادگی مدل های خود را با قیمت هایی که به خوبی توسط یک مجموعه دانش مالی مشترک و توافق شده اند ، تنظیم می کنند. اخیراً ، مفاهیم بازارهای کارآمد با افزایش زیر اقتصاد رفتاری مورد سؤال قرار گرفته است ، که بر تعصبات بالقوه روانی و کمتر از قوانین رفتاری بهینه شرکت کنندگان تأکید می کند.‡ در واقع ، پایه و اساس اصلی فرضیه بازارهای کارآمد یکی از آنها مبتنی بر تکامل و بقا بوده است. ایده این است که استراتژی های معاملاتی بد را از بازار خارج می کند و تنها مجموعه ای پایدار از رفتارهای بهینه و خوب آموخته را به جا می گذارد.§ متأسفانه ، این استدلال تکاملی اشتباه است. این مشکل به ایده های هماهنگی ارائه شده که قبلاً ارائه شده است برمی گردد. عملکرد استراتژی عامل توسط افراد اطراف عوامل تعیین می شود ، نه با یک معیار مالی استاتیک که مجریان فقیر را از Good انتخاب می کند. اگرچه ممکن است همگرایی به نوعی از تعادل و اتفاقات رخ دهد ، همگرایی به شدت به محیط اقتصادی و پویایی یادگیری که در آن رخ می دهد بستگی دارد.

توضیحات بازار یک طرح کوتاه از مدل را ارائه می دهد که در بحث ها مورد استفاده قرار می گیرد. آزمایش های محاسباتی نتایج کلیدی و پیامدهای آنها را برای موضوعات ذکر شده در بالا توصیف می کند. سرانجام ، خلاصه و نتیجه گیری نتیجه می گیرند و برخی از حدس ها را در مورد مدل سازی عامل در آینده بیان می کنند.

شرح بازار

شبیه سازی های بازار مورد استفاده در اینجا بخشی از کلاس مدلهای اقتصادی است که به عنوان "مبتنی بر عامل" گفته می شود. مدلهایی از این نوع شامل تعداد زیادی از عوامل در حال تعامل است که هر یک به طور مستقل از سایرین عمل می کنند که اغلب با یادگیری و سازگاری فعال هستند. markets بازارهای مبتنی بر عامل دارای بسیاری از ویژگی ها ، مانند بسیاری از افراد متقابل ، پویایی تکاملی ، یادگیری و عقلانیت محدود است. با این حال ، ویژگی اصلی متمایز این است که ناهمگونی خود درون زا است. بازارها می توانند در دوره هایی حرکت کنند که از جمعیت متنوعی از اعتقادات پشتیبانی می کند ، و دیگران که ممکن است این اعتقادات و استراتژی ها به یک مجموعه بسیار کوچک فرو رود.

توضیحات بازار ارائه شده در اینجا کوتاه است. توضیحات دقیق تر را می توان در Refs یافت. 20 و 21. بازار بسیار ساده ای است که یک امنیت مانند سهام عدالت دارد و هر دوره سود سهام تصادفی را پرداخت می کند و در یک منبع ثابت در دسترس است. این سود سهام از یک فرآیند رشد تصادفی پیروی می کند که به سری سود سهام کل برای ایالات متحده کالیبره شده است ، یک دارایی بدون ریسک وجود دارد که در عرضه بی نهایت با پرداخت نرخ بهره واقعی واقعی صفر موجود است. اوراق بهادار مجدداً تعادل می یابد و معاملات با فرکانس ماهانه انجام می شود. همچنین ، قیمت ها تعیین می شوند و سود سهام هر ماه پرداخت می شود که می توان به عنوان واحد اصلی زمان در بازار تصور کرد. بنابراین ، این بیشتر آزمایشی است که مربوط به رفتارهای کلان اقتصادی طولانی مدت بر خلاف پویایی دقیقه به دقیقه تجارت روز است.

بازار با 500 عامل جمع شده است. نمایندگان به برخی از استراتژی های سرمایه گذاری خاص که می توانند به عنوان صندوق های متقابل یا مشاوران سرمایه گذاری تلقی شوند ، وارد می شوند. آنها توسط شبکه های عصبی مصنوعی نشان داده شده اند که اطلاعات فعلی بازار را به یک توصیه نمونه کارها ، که بخشی از نمونه کارها برای سرمایه گذاری در سهام است ، ترسیم می کنند. این مقدار محدود به صفر و یک است که از فروش کوتاه و وام گرفتن برای خرید سهام خارج می شود. این استراتژی به عنوان اطلاعات مالی متداول مانند نسبت قیمت سود سهام ، بازده فعلی و عقب مانده و دو شاخص فنی متوسط در حال حرکت است. دومی قیمت را با میانگین متحرک قیمت های گذشته مقایسه می کند و یک استراتژی مشترک است که توسط سرمایه گذاران در بازارهای واقعی استفاده می شود.

این استراتژی ها با استفاده از یک الگوریتم ژنتیکی با گذشت زمان تکامل می یابند. تناسب اندام صرفاً با اینكه آیا یك استراتژی از آن استفاده می كند ، تعیین می شود. استراتژی های بلااستفاده دور ریخته می شود ، و مواردی که در حال استفاده هستند می توانند نقش والدین را برای تحول استراتژی های جدید برای آینده ایفا کنند. الگوریتم ژنتیکی به ویژه اصلاح شده است تا ساختار خاص شبکه عصبی را در نظر بگیرد. هنگامی که یک قانون جدید ایجاد می شود ، باید سابقه کاملی از عملکرد خود را گزارش دهد که گویی در گذشته وجود داشته است. با این حال ، این با دنیای واقعی متفاوت است که صندوق های متقابل جدید اغلب از نظر عملکرد گذشته می توانند با یک تخته سنگ تمیز شروع شوند.

مهمترین جنبه بازار روشی است که با استفاده از آن نمایندگان استراتژی ها را انتخاب می کنند. آنها ترجیحات خوبی را نسبت به مصرف هر دوره داده شده توسط آنها دارند

آنها بخش ثابت از ثروت را مصرف می کنند و یک استراتژی را برای به حداکثر رساندن لگاریتم مورد انتظار خود از بازده های ناشی از استراتژی پویا انتخاب می کنند.∥ برای برآورد این هدف ، آنها باید از مقداری از داده های گذشته استفاده کنند. مبلغ استفاده بخشی از توضیحات خود عامل است. برخی از آنها انواع حافظه بلند خواهند بود و از بازده های سالها از گذشته برای ارزیابی قوانین استفاده می کنند. برخی دیگر انواع حافظه کوتاه خواهند بود ، که فقط گذشته های اخیر را در تصمیمات خود در نظر می گیرند. عملکرد هدف برای معامله گران توسط

عملکرد α (z_t) استراتژی پویا را به عنوان تابعی از اطلاعات گذشته نشان می دهد. مقدار t_iتعداد دوره های گذشته برای استفاده در انتخاب یک قانون بهینه را نشان می دهد. مسئله اصلی در اینجا این است که اگر همیشه ، انواع حافظه بلند انواع حافظه کوتاه را بیرون می کشند.

تجارت بین مأمورین هر دوره صورت می گیرد. با توجه به این استراتژی ها ، تقاضای کل یک عملکرد غیرخطی کاملاً تعریف شده است. بازار به صورت غیرخطی پاک می شود تا تقاضای سهام با عرضه کل یک سهم را متعادل کند. پس از تعیین قیمت ، سود سهام پرداخت می شود ، مصرف عوامل ثبت می شود و بازار به دوره بعدی حرکت می کند.

آزمایشات محاسباتی

معیارها

شکل 1 1 نتایج شبیه سازی بازار متشکل از معامله گران با طول حافظه مختلف را نشان می دهد. آنها بین 6 ماه تا 20 سال از توزیع یکنواخت بیرون می آیند. قیمت log ورود به سیستم سری قیمت را نشان می دهد ، که باید یک روند خطی رانده شده از رشد سود سهام ثابت باشد. این روند در شکل مشهود است ، اما به نظر می رسد که قیمت ها انحرافات بزرگی را در مورد این روند به خود می گیرند. حجم حجم معاملات را در واحدهای سهام معامله شده نشان می دهد. از آنجا که در کل یک سهم وجود دارد ، حجم 0. 1 با تجارت در یک دهم از کل سهام برجسته مطابقت دارد. حجم بخش بزرگی از سهام برجسته نیست (بیشتر اوقات زیر 5 ٪ است). با این حال ، اگر اعتقاد نمایندگان به یکدیگر همگرا شوند ، صفر نمی شود. بازده بازده هایی را نشان می دهد که همچنین برخی از ویژگی های بازارهای واقعی را نشان می دهد. سنبله های بزرگی وجود دارد که مربوط به حرکات بزرگ بالا و پایین در بازار است. این جنبش مطابق با بیماری غیرقانونی بودن سری بازده مالی است. همچنین ، به نظر می رسد که نوسانات در بازار با دوره های آرامش نسبی و دوره های فعالیت بزرگ جمع می شود. همه اینها ویژگی های بازده واقعی بازار است و با جزئیات بیشتر مستند شده است (20). D/P (نسبت سود سهام) حرکات سری قیمت سهام را با اساسی اساسی خود مقایسه می کند. این نمودار سالانه d/p را نشان می دهد. اگر هیچ تغییری در خطر اساسی در امنیت سهام وجود نداشته باشد ، این مقدار باید ثابت باشد ، اما از این شکل مشخص است که انحرافات بزرگ و مداوم در این بازار شبیه سازی شده رخ می دهد.

حافظه ناهمگن. قیمت ، حجم معاملات ، بازده و نسبت D/P (سالانه) برای حافظه عامل 0. 5-20 سال.

همه این حقایق به خودی خود جالب خواهند بود، اما هدف این مقاله آزمایش حساسیت آنها نسبت به تغییرات در مفروضات اساسی است. اولین و حیاتی ترین تغییر این است که جمعیت عامل ها باید حافظه طولانی داشته باشند. شکل 2 نتایج آزمایشی را نشان می دهد که طول حافظه عوامل را بین 16 تا 20 سال محدود می کند. برای مقایسه، نمودارها در مقیاس های مشابه شکل 1 ارائه شده اند. 1 . حدس مورد آزمایش این است که بسیاری از تغییرپذیری و بی ثباتی در بازار ناشی از حضور معامله گران با حافظه کوتاه است. شکل 2 2 به طور کلی این ویژگی را تایید می کند. سری قیمت بسیار پایدارتر است. حجم معاملات به جز چند جهش کوتاه نزدیک به صفر است. بازده ها نیز به استثنای چند پرش به طور کلی پایدار هستند و در نهایت نسبت D/P بسیار نزدیک به ثابت است.

حافظه همگنقیمت، حجم معاملات، بازده و نسبت D/P (سالانه) برای حافظه عامل 17 تا 20 سال.

مقادیر در این شکل ها را می توان به صورت تئوری تعیین کرد. برآوردها نشان می دهد که بازار به معیار نظری یک تعادل عامل همگن به خوبی تعریف شده نزدیک می شود. باید به دو ویژگی مهم اشاره کرد. اولاً به عوامل در ابتدا گفته نمی شود که این تعادل چیست، بنابراین در مراحل اولیه اجرا، عوامل به طور فعال رفتار خود را یاد می گیرند. این یادگیری منجر به سطوح مختصری از حجم معاملات در دوره های اولیه می شود. ثانیاً، بازار از نظر رفتار در حالت تعادل کامل نیست. عواملی که از الگوریتم های یادگیری تصادفی استفاده می کنند، گاهی استراتژی های غیرمعمول را امتحان می کنند، اما اینها منجر به انحرافات زیادی از تعادل نمی شوند. این دینامیک اطلاعاتی را در مورد خواص پایداری تعادل در یک محیط چند عاملی نشان می دهد.

این نتایج بازاری را نشان می دهد که قادر به ایجاد دو نتیجه بسیار متفاوت است. یکی نتایج نزدیک تر به داده های مالی واقعی را نشان می دهد، و دومی تنها با عواملی که حافظه طولانی دارند، مجموعه هایی را نشان می دهد که نزدیک به تعادل بازار کتاب های درسی هستند. بخش زیر به بررسی تغییر چندین پارامتر دیگر می پردازد که بازار را به هر جهت هدایت می کند. پارامترها به گونه ای انتخاب شده اند که ارتباط شهودی با درک آنچه ممکن است مانع یادگیری اجتماعی در مورد عامل ناهمگن باشد، داشته باشند.

یادگیری آهسته و اصطکاک.

در موارد قبلی، نیمی از نمایندگان به طور تصادفی انتخاب می شوند تا قوانین خود را دوباره ارزیابی کنند. نتایجی مانند نتایج (2) نشان می دهد که سرعت انطباق ممکن است برای نتایج حیاتی باشد. آزمایش های شکل 3-3 مواردی را نشان می دهند که یادگیری کند شده است. کسری از عواملی که قوانین خود را در هر دوره تنظیم می کنند از 0. 5 در آزمایش های قبلی به 0. 05 کاهش می یابد. با این سرعت یادگیری بسیار کندتر، پویایی به طور چشمگیری تغییر می کند. از شکل مشخص است که انحرافات نسبت D/P بسیار کوچک است و سری بازدهی بسیار کمتر فرار است و دیگر سنبله های بزرگ را نشان نمی دهد.

یادگیری آهستهبازده و نسبت D/P.

از آنجایی که این کاهش روند یادگیری تا حدودی دلبخواه است، آزمایش بعدی استفاده از رویکرد اقتصادی تر از نظر افزودن اصطکاک است. شکل 4، جمعیت عامل ناهمگن استفاده شده در شکل. قوانین تعویض و نه دقیقاً هزینه تراکنش است. این در روحیه تلاش برای ایجاد برخی اصطکاک ها در سیستم برای کاهش سرعت است. در این آزمایش ها، عوامل تنها زمانی قوانین را تغییر می دهند که قانون جدید با آستانه معین 10 درصد، قانون قبلی را شکست دهد. به عنوان مثال، اگر یک نماینده از استراتژی استفاده کند که بازده سالانه 5٪ را ایجاد می کند، یک استراتژی جایگزین باید بهتر از 5. 5٪ باشد، که احتمالاً نزدیک به آنچه که نمایندگان باید در صورت مواجهه با هزینه های معامله واقعی در نظر بگیرند، است. همچنین با نیاز به نوعی آستانه آماری قبل از تغییر قوانین سازگار است.

هزینه های سوئیچینگبازده و نسبت D/P.

شکل 4 شکل 4 نسبت های بازده و D/P را برای اجرای آستانه نمایش می دهد. ارقام نشان می دهند که بازار بسیار نزدیک تر به کیس حافظه بلند همگن است، اگرچه مجموعه عامل باز هم از 6 ماه تا 20 سال ترسیم شده است. وجود آستانه در سوئیچینگ آنقدر سرعت یادگیری را کند کرده است که عوامل قادر به هماهنگی و یادگیری راه خود به سمت تعادل هستند. جای تعجب است که افزودن برخی اصطکاک ها باعث عملکرد بهتر بازار می شود. این یک نتیجه بسیار غیر شهودی برای یک مدل اقتصادی است. با این حال، برخی از ارتباطات با پیشنهادات سیاست اجرای مالیات تراکنش در معاملات، که اغلب به عنوان مالیات توبین شناخته می شود، دارد.

خلاصه و نتیجه گیری

یادگیری عامل فردی در تنظیمات اقتصادی و اقتصادی نباید در انزوا مشاهده شود. اینکه دیگران در حال تطبیق استراتژی ها نیز هستند ، منجر به یک سیستم دینامیکی همبستگی با بسیاری از ویژگی های جالب می شود. علت بخش عمده ای از این پویایی جالب می تواند مربوط به تعامل بین زبان آموزان با دیدگاه های مختلف گذشته باشد. نمایندگان با دیدگاه کوتاه مدت هم از نظر افزایش نوسانات می توانند بر بازار تأثیر بگذارند و هر دو فضای تکاملی را ایجاد کنند که در آن قادر به شکوفایی باشند.

این نتایج به شدت با عقل متداول در امور مالی که استراتژی های "بد" در نهایت از بازار خارج می شود ، مغایرت دارد. مشکل این استدلال این است که استراتژی های عملکرد ضعیف نسبت به مجموعه جمعیت فعلی اندازه گیری می شود و نه برخی از حیاط های ثابت خودسرانه. این ویژگی است که در هسته اصلی مدل های عامل ناهمگن و ماهیت هماهنگی آنها قرار دارد. این آزمایشات یک قدم بیشتر در تلاش برای یافتن اینکه کدام جنبه های بازار از همگرا جلوگیری می کند ، پیش می رود. بدیهی است که تغییر جمعیت به انواع حافظه طولانی تر منجر به همگرایی قابل اعتماد در استراتژی ها می شود ، که یک آزمایش معیار مفید است. با این حال ، اصلاح پارامترهای دیگر نیز می تواند تأثیر اساسی داشته باشد. کند شدن قانون یا با کنترل مستقیم کسری از قوانین به روزرسانی جمعیت یا با معرفی اصطکاک نیز باعث همگرایی جمعیت می شود. این نتیجه کمی غیرقانونی است ، زیرا به نظر می رسد تحمیل اصطکاک های دلخواه بر تجارت یا تصمیم گیری عامل باید مانع عملکرد بازار شود. جمعیتی از تصمیم گیرندگان کندتر در واقع بهتر از افراد سریعتر فکر می کنند. ممکن است ارتباطات جالبی از این امر با سایر جنبه های هماهنگی در سیستم های اقتصادی و فناوری وجود داشته باشد که وابستگی به افراد و کالاها بسیار عالی است. کند کردن کارها ممکن است نوعی سازگاری بی ثمر را در برابر هدف متوقف کند که آنقدر سریع تغییر می کند که بهینه سازی غیرممکن است.

در ساخت اولیه مدل های مبتنی بر عامل ، ما به دنبال چیزهای زیادی هستیم. بدیهی است ، اعتبار سنجی و آزمایش گسترده بخش مهمی از روند ، همراه با مقایسه با نتایج تجربی خواهد بود. با این حال ، شبیه سازی عامل به تنهایی می تواند در بعضی موارد یک نظریه کوچک یا بزرگ به نظریه پردازی سنتی بدهد. برای بازارهای مالی این مهم است که بدانیم استدلال های تکاملی برای کارآیی بازار قوی نیستند. همچنین ، به نظر می رسد که اشکال بسیار ساده غیر منطقی ، مانند رفتار حافظه کوتاه ، ممکن است به راحتی از یک بازار خارج نشود ، که نشان می دهد در دنیای یادگیری چند منظوره ، برخی از اشکال زیر حد متوسط ، اگر نه غیر منطقی ، ممکن است ادامه یابدبرای مدتی. همچنین ، این مدلها ممکن است از نظر روشهای تثبیت ، پیش بینی یا بهبود در موسسات فعلی بازار نتایج ضد شهودی بیشتری داشته باشند.

تصدیق

من همچنین یک پژوهشگر دانشکده در دفتر ملی تحقیقات اقتصادی و عضو هیئت علمی خارجی در انستیتوی سانتافه هستم.