Através das análises dos aspectos de implementação, conclui-se que o Cenário Base constitui a melhor configuração para refletir as propriedades macro (trajetória de preços), a partir do simulador calibrado através da técnica de Simulação Inversa. A seguir são expostos os resultados obtidos através deste Cenário Base.
A Figura32 apresenta a trajetória de preços resultantes do processo de Simulação Inversa sobre o referido Cenário Base (item 4.5), ou seja a trajetória de preços da simulação mais aderente após o processo evolutivo realizado pelo algoritmo genético na calibração dos parâmetros dos agentes. A execução apresenta trajetória de preços com menor volatilidade de retorno que a série histórica, mas ainda assim consegue a tendência geral do preços é próxima. 0 50 100 150 200 250 300 350 400 450 500 550 600 46.0 48.0 50.0 Instante (n) Preço (R$) Histórico Simulação
Figura 32 – Trajetória de Preços - Cenário Base (Spread 0,30%)
A estrutura dos retornos ao longo do tempo é exibida nas Figuras33 e34 e estão em linha com o esperado de séries de ativos financeiros.
Capítulo 5. Análises 59 0 100 200 300 400 500 600 −0.40 −0.20 0.00 0.20 0.40 Instante n Re torno (R$)
Figura 33 – Retornos - Cenário Base (Spread 0,30%)
−0.6 −0.5 −0.4 −0.3 −0.2 −0.1 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.00 0.02 0.04 Retorno (R$) F re quê n cia
Figura 34 – Histograma de Retornos - Cenário Base (Spread 0,30%)
No que tange a convergência da simulação inversa, a Figura 35 indica que um vetor de parâmetros foi prematuramente encontrado já na sexta geração, embora possa ser problemático para a eficiência do GA, a solução já era satisfatória.
0 5 10 15 20 25 30 35 40 45 50 55 60 0.6 0.8 1.0 Geração P on tuaç ão (F unção Ob jetiv o) Pontuação
Figura 35 – Convergência da Função Objetivo - Cenário Base (Spread 0,30%) Como discorrido na Revisão Teórica, os Algoritmos Genéticos são ferramentas
Capítulo 5. Análises 60
práticas utilizadas na busca heurística de soluções satisfatórias para problemas complexos. A Figura36 apresenta a composição dos participantes do mercado da simulação individual mais aderente (menor pontuação) ao longo do processo de Simulação Inversa, as quatro gerações selecionadas são referentes aos momentos em que a simulação mais aderente mudou. Os agentes Fundamentalistas Vendedores tiveram sua participação reduzida ao longo do processo, enquanto os agentes Grafistas Seguidores estavam em um movimento de aumento de participação. Inesperadamente na geração 59, ocorreu uma reversão das duas tendências, fazendo com que a calibração finalizasse com uma alta concentração de Fundamentalistas Vendedores e uma moderada alocação de nos agentes Grafistas Seguidores, isso reflete a possibilidade de múltiplas soluções aceitáveis, com configurações muito distintas. Em trabalhos futuros o refinamento do algoritmo genético é importante para gerar um processo mais consistentes.
Geração 01 Geração 06 Geração 16 Geração 59 20 30 40 50 Número de Agen tes Fundamentalista-Vendedor Fundamentalista-Comprador Grafista-Contrário Grafista-Seguidor
Figura 36 – Evolução da Composição dos Agentes - Cenário Base (Spread 0,30%) Este caso emblemático apresentado pela Figura36, suscita questões sobre a validade de se considerar a calibração obtida pela técnica de Simulação inversa como uma estimação confiável dos participantes de mercado. Esta observação não diminui a importância da técnica, mas colabora para a sua adequada utilização. A calibração no MFA pela Simulação Inversa reforça a validação do próprio modelo, permitindo a configuração de parâmetros orientados à resultados observáveis na realidade.
61
6 Conclusões
A aplicação de Modelos Baseados em Agentes na criação de simuladores, compre- ensão de dinâmicas econômicas e validação de teorias cada vez mais se desenvolve no meio acadêmico internacional, adquirindo expressividade na última década. Entretanto, no Brasil as contribuições para esta classe de modelos, em especial suas aplicações às Finanças e Economia, são brandas e concentradas em dissertações de mestrado e doutorado, com poucas publicações de artigos em jornais e periódicos.
Este trabalho procurou contribuir para a discussão de Mercados Financeiros Artifi- ciais aplicados ao ambiente brasileiro, implementando uma variação do modelo proposto por Seita (2014).O modelo traz interessantes características como: a inserção da figura do Núcleo Difusor de Informação para o gerenciamento unificado das informações de mercado; a utilização de um Leilão Duplo Contínuo como mecanismo de negociação, assim como uma análise de suas diferenças em relação ao Leilão Duplo Discreto. Traz também a modelagem de metodologias para a definição de preços utilizadas por agentes no momento de submeterem uma ordem de compra/venda. A verificação do impacto do spread praticado pelo Formador de Mercado sobre a formação de preços do ativo; a implementação de restrição orçamentária sobre os participantes do mercado entre outras.
A técnica de Simulação Inversa proposta porTerano (2007), se mostrou efetiva na calibração do Mercado Financeiro Artificial para a obtenção de dinâmicas de mercado verossímeis. Entretanto ainda é necessário incorporar ao modelo, novas características para gerar simulações mais ricas.
A utilização de outros dados exógenos ao sistema, como taxa de juros e paridade cambial, trariam uma dinâmica micro mais alinhada com os eventos da realidade. Estes da- dos poderiam ser incorporados às estratégias dos agentes, adicionando uma nova dimensão à formação de preço do modelo. Tal orientação, melhoraria a qualidade do simulador como ferramenta de Backtesting, mas traria complicações para propostas de forecasting, visto que seria necessário também implementar o forecasting destas mesmas variáveis exógenas, aumentando a complexidade.
Devido ao vasto espaço ainda não explorado, as possibilidades de trabalhos futuros são diversas, como:
• Verificação da presença de fatos estilizados nas séries de preços simuladas;
• Implementação de conceitos de otimização de portfólio para viabilizar a criação de modelos multi-ativos e multi-mercados;
Capítulo 6. Conclusões 62
• Inclusão de inteligência artificial para a adaptabilidade e aprendizagem dos agentes frente ao ambiente e as interações que os cercam;
• Exploração de outras estratégias de Formadores de Mercado que possuam objetivos e operações relacionadas com o mundo real;
• Inclusão de custos de transação;
• Diferentes topologias de interação entre os agentes em relação a negociação de ativos e difusão de informações.
63
Referências
BARR, J. M. et al. The future of agent-based research in economics: A panel discussion, eastern economic association annual meetings, boston, march 7, 2008. Eastern Economic Journal, JSTOR, p. 550–565, 2008.
BEASLEY, D.; MARTIN, R.; BULL, D. An overview of genetic algorithms: Part 1. fundamentals. University computing, WHURR PUBLISHERS, v. 15, p. 58–58, 1993. BONABEAU, E. Agent-based modeling: Methods and techniques for simulating human systems. Proceedings of the National Academy of Sciences, National Academy of Sciences, v. 99, n. suppl 3, p. 7280–7287, 2002.
CHAIM, R. M.; STREIT, R. E. Pension funds governance combining sd, agent based modelling and fuzzy logic to address dynamic asset and liability management (alm) problem. In: Proceedings of the 26th International Conference of the System Dynamics Society. [S.l.: s.n.], 2008.
CHEN, S.-H. Varieties of agents in agent-based computational economics: A historical and an interdisciplinary perspective. Journal of Economic Dynamics and Control, Elsevier, v. 36, n. 1, p. 1–25, 2012.
CHEN, S.-H.; CHANG, C.-L.; DU, Y.-R. Agent-based economic models and econometrics. The Knowledge Engineering Review, Cambridge Univ Press, v. 27, n. 02, p. 187–219, 2012.
COOKE, D.; KUHN, D. Investigating General Equilibria in Artificial Stock Markets. Dissertação (Mestrado) — Imperial College London, 2012.
DAS, S. Intelligent market-making in artificial financial markets. Tese (Doutorado) — Massachusetts Institute of Technology, 2003.
DAS, S. A learning market-maker in the glosten–milgrom model. Quantitative Finance, Taylor & Francis, v. 5, n. 2, p. 169–180, 2005.
FAGIOLO, G.; MONETA, A.; WINDRUM, P. A critical guide to empirical validation of agent-based models in economics: methodologies, procedures, and open problems. Computational Economics, Springer, v. 30, n. 3, p. 195–226, 2007.
GILBERT, G. N. Agent-based models. In: . [S.l.]: Sage, 2008. cap. 1.
HELBING, D.; BALIETTI, S. How to do agent-based simulations in the future: From modeling social mechanisms to emergent phenomena and interactive systems design. [S.l.], 2011.
HOLLAND, J. Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. [S.l.]: University of Michigan Press, 1975. ISBN 9780472084609.
HOMMES, C. H. Heterogeneous agent models in economics and finance. Handbook of computational economics, Elsevier, v. 2, p. 1109–1186, 2006.
Referências 64
LEBARON, B. Agent-based computational finance. Handbook of computational economics, Elsevier, v. 2, p. 1187–1233, 2006.
LEVY, H.; LEVY, M.; SOLOMON, S. Microscopic simulation of financial markets: from investor behavior to market phenomena. [S.l.]: Academic Press, 2000.
LOVRIC, M. Behavioral finance and agent-based artificial markets. [S.l.]: Erasmus Research Institute of Management (ERIM), 2011.
PAGE, S. E. Agent based models. The New Palgrave Dictionary of Economics. Palgrave MacMillan, New York, 2005.
PARSONS, S. et al. Everything you wanted to know about double auctions, but were afraid to (bid or) ask. 2006.
PAULAA, T. H. P. de; CROCCOB, M. Financiamento e diversidade produtiva: Um modelo baseado em agentes com flutuações cíclicas emergentes. Revista de Economia Contemporânea, Instituto de Economia/UFRJ, Rio de Janeiro, SciELO Brasil, v. 17, n. 1, 2013.
PIRES, F. R. Finanças comportamentais e modelos baseados em agentes. Dissertação (Mestrado) — Universidade Estadual Paulista (UNESP), 2012.
POGGIO, T. et al. Agent-based models of financial markets: A comparison with experimental markets. MIT Sloan Working Paper, 2001.
PYKA, A.; FAGIOLO, G. Agent-based modelling: a methodology for neo-schumpeterian economics. In: HANUSCH, H.; PYKA, A. (Ed.). Elgar companion to Neo-Schumpeterian economics. [S.l.]: Cheltenham, Edward Elgar, 2007. cap. 29.
SAITO, M. Y. G. Uma abordagem multiagente para simulação da dinâmica de preços de um mercado de leilão duplo. Dissertação (Mestrado) — Fundação Getúlio Vargas, 2013. SEITA, M. R. Simulação multi agente em mercados financeiros artificiais utilizando algoritmos genéticos. Dissertação (Mestrado) — Fundação Getúlio Vargas, 2014. STREIT, R. E. Um modelo baseado em agentes para a análise da governança regulamentar do sistema financeiro. Tese (Doutorado) — Universidade Federal do Rio Grande do Sul, 2006.
STREIT, R. E.; BORENSTEIN, D. An agent-based simulation model for analyzing the governance of the brazilian financial system. Expert Systems with Applications, Elsevier, v. 36, n. 9, p. 11489–11501, 2009.
TERANO, T. Exploring the vast parameter space of multi-agent based simulation. In: Multi-agent-based simulation VII. [S.l.]: Springer, 2007. p. 1–14.
TESFATSION, L. Agent-based computational economics: Growing economies from the bottom up. Artificial life, MIT Press, v. 8, n. 1, p. 55–82, 2002.
TESFATSION, L. Agent-based computational economics: A constructive approach to economic theory. Handbook of computational economics, Elsevier, v. 2, p. 831–880, 2006.
Referências 65
TORIUMI, F.; IZUMI, K.; MATSUI, H. Market participant estimation by using artificial market. In: Advances in Practical Multi-Agent Systems. [S.l.]: Springer Berlin Heidelberg, 2011. v. 325, p. 201–215.
WAH, E.; WELLMAN, M. P. Welfare effects of market making in continuous double auctions. In: INTERNATIONAL FOUNDATION FOR AUTONOMOUS AGENTS AND MULTIAGENT SYSTEMS. Proceedings of the 2015 International Conference on Autonomous Agents and Multiagent Systems. [S.l.], 2015. p. 57–66.