Cách các quần thể thông minh phi tập trung gồm những tác tử đơn giản giải quyết các vấn đề mà toán học dạng đóng không làm được, và tại sao bản thân thị trường là bầy đàn lớn nhất từng được tạo ra
Có một sự đối lập kỳ lạ nằm ở trung tâm của tài chính định lượng. Một bên là giấc mơ của kỹ sư: một hàm mục tiêu sạch sẽ, một tập khả thi lồi, một lời giải dạng đóng mà bạn có thể chứng minh là tối ưu. Bên kia là thị trường thực tế: phi tuyến tính, không dừng, đầy rẫy các cực tiểu địa phương, đuôi dày, chuyển đổi chế độ, và các vòng phản hồi nơi hành động của chính bạn thay đổi thứ bạn đang cố gắng dự đoán.
Trí tuệ bầy đàn sống ở phía thứ hai. Đó là một họ các phương pháp từ bỏ sự thanh lịch và chứng minh để đổi lấy thứ mà thị trường thực sự trả thưởng: khả năng tìm kiếm trên các không gian xấu xí, nhiều chiều, đầy lừa dối mà không bị mắc kẹt, và làm điều đó với các tác tử đơn giản đến mức không một cá thể nào hiểu được vấn đề.
Bài viết này bao gồm cả hai nửa của câu chuyện. Nửa đầu là trí tuệ bầy đàn như một bộ công cụ tối ưu hóa mà bạn hướng vào các vấn đề tài chính: Tối ưu hóa Bầy đàn Hạt (Particle Swarm Optimization) cho việc tinh chỉnh danh mục đầu tư và chiến lược, Tối ưu hóa Đàn Kiến (Ant Colony Optimization) cho việc định tuyến và lựa chọn tổ hợp. Nửa thứ hai là ý tưởng sâu sắc hơn và khó chịu hơn: thị trường là một bầy đàn, và các mô hình dựa trên tác tử cho phép bạn mô phỏng các bong bóng, sụp đổ, và hành vi bầy đàn nổi lên mà không mô hình cân bằng nào tự tạo ra được.
Toán học, mã nguồn, và sơ đồ xuyên suốt. Không có gì được nói mơ hồ.
Tài nguyên của tôi:
Kênh TG:
GitHub:
Giao dịch tại đây:
https://polymarket.com/?r=zostaff
Phần 0: "Trí tuệ bầy đàn" thực sự có nghĩa là gì
Một bầy đàn là một quần thể các tác tử đơn giản tuân theo các quy tắc cục bộ, không có bộ điều khiển trung tâm, và cùng nhau tạo ra hành vi thông minh ở cấp độ toàn cục. Các ví dụ kinh điển là sinh học: đàn kiến tìm đường đi ngắn nhất thông qua pheromone, đàn chim duy trì sự gắn kết thông qua ba quy tắc cục bộ, đàn ong phân bổ thợ kiếm ăn đến các mảng hoa.
Ba thuộc tính xác định mô hình này và giải thích tại sao nó phù hợp với tài chính:
- Phi tập trung. Không tác tử nào có cái nhìn toàn cảnh. Mỗi tác tử hành động dựa trên thông tin cục bộ cộng với một lượng nhỏ tín hiệu được chia sẻ. Điều này phản ánh thị trường thực tế, nơi không người tham gia nào thấy được toàn bộ dòng lệnh.
- Khám phá ngẫu nhiên với thu hút xã hội. Các tác tử di chuyển bán ngẫu nhiên nhưng bị kéo về phía nơi bầy đàn đã tìm thấy giá trị. Sự cân bằng giữa khám phá và khai thác này chính xác là thứ bạn cần trên một không gian đầy các cực tiểu cục bộ, đó là bản chất của các bề mặt lợi nhuận điều chỉnh theo rủi ro.
- Tính nổi trội (Emergence). Hành vi thú vị không được lập trình vào bất kỳ tác tử nào. Nó xuất hiện ở cấp độ quần thể. Trong tối ưu hóa, điều này có nghĩa là thoát khỏi những cái bẫy mà các phương pháp gradient mắc phải. Trong mô hình hóa thị trường, nó có nghĩa là các bong bóng mà không một tác tử "hợp lý" đơn lẻ nào chủ định tạo ra.
Sự tương phản với các phương pháp cổ điển là toàn bộ vấn đề. Gradient descent cần một hàm mục tiêu khả vi và tìm ra cực tiểu gần nhất, thường là cực tiểu sai. Tối ưu hóa lồi cần tính lồi, điều mà các hàm mục tiêu tài chính hiếm khi có khi bạn thêm chi phí giao dịch, ràng buộc về số lượng, hoặc giới hạn drawdown. Các phương pháp bầy đàn không cần những thứ này. Chúng coi hàm mục tiêu như một hộp đen: đưa vào một ứng viên, nhận lại một con số, vậy thôi.
Phần 1: Tối ưu hóa Bầy đàn Hạt (Particle Swarm Optimization)
1.1 Cơ chế
Tối ưu hóa Bầy đàn Hạt (PSO), được giới thiệu bởi Kennedy và Eberhart vào năm 1995, mô hình hóa bầy đàn như một tập hợp các hạt bay qua không gian tìm kiếm. Mỗi hạt i có một vị trí x_i (một lời giải ứng viên) và một vận tốc v_i. Nó ghi nhớ vị trí tốt nhất mà nó đã từng ghé thăm (pbest_i) và biết vị trí tốt nhất mà bất kỳ hạt nào tìm thấy (g, vị trí tốt nhất toàn cục).
Tại mỗi bước, mọi hạt cập nhật vận tốc của nó như một tổng có trọng số của ba động lực:
1v_i(t+1) = w · v_i(t) quán tính: tiếp tục làm những gì bạn đang làm2 + c1 · r1 · (pbest_i − x_i(t)) nhận thức: quay trở lại điểm tốt nhất của riêng bạn3 + c2 · r2 · (g − x_i(t)) xã hội: di chuyển về phía điểm tốt nhất của bầy đàn45x_i(t+1) = x_i(t) + v_i(t+1)
trong đó w là trọng số quán tính, c1 và c2 là các hệ số gia tốc, và r1, r2 là các số ngẫu nhiên đều mới trong [0,1] được lấy độc lập cho mỗi chiều. Tính ngẫu nhiên đó là động cơ của sự khám phá; nếu không có nó, bầy đàn sẽ sụp đổ một cách tất định.
Ba lực lượng này đáng được nhìn nhận một cách hình học. Một hạt đơn lẻ đồng thời bị đẩy bởi động lượng của chính nó, bị kéo ngược về điểm tốt nhất cá nhân, và bị kéo về phía điểm tốt nhất toàn cục. Vectơ kết quả là nơi nó thực sự đi tiếp theo.
1.2 Tại sao nó thoát khỏi các cực tiểu địa phương
Điều kỳ diệu nằm ở sự căng thẳng giữa các thành phần nhận thức và xã hội. Ban đầu, các hạt bị phân tán và các điểm tốt nhất cá nhân của chúng khác xa nhau, vì vậy bầy đàn khám phá rộng rãi. Khi các vùng tốt được phát hiện, g kéo tất cả vào, nhưng quán tính và bộ nhớ cá nhân của mỗi hạt ngăn nó sụp đổ ngay lập tức vào g. Bầy đàn xoay vòng, vượt quá, và thăm dò khu vực lân cận trước khi cam kết. Trên một bề mặt đa phương thức, điều này có nghĩa là bầy đàn có thể từ bỏ một cực tiểu địa phương khá tốt nếu một hạt tình cờ khám phá ra một lưu vực tốt hơn.
Đây là PSO trên hàm Rastrigin, một bài kiểm tra tra tấn tiêu chuẩn với một cực tiểu toàn cục tại gốc tọa độ được bao quanh bởi một mạng lưới các cực tiểu địa phương lừa dối. Hãy xem bầy đàn phân tán, tụ lại, và hội tụ trong khi độ thích nghi tốt nhất toàn cục giảm sáu bậc độ lớn.
Một phương pháp gradient thả ở bất cứ đâu trên bề mặt đó sẽ chết trong cái bát cục bộ đầu tiên nó chạm vào. Bầy đàn thì không.
1.3 Ứng dụng: tối ưu hóa danh mục đầu tư với các ràng buộc thực tế
Tối ưu hóa phương sai trung bình Markowitz có một lời giải dạng đóng. Ngay khi bạn thêm bất cứ thứ gì thực tế, nó không còn nữa. Các ràng buộc về số lượng ("giữ tối đa 20 mã"), quy mô vị thế tối thiểu, phạt chi phí giao dịch, và giới hạn doanh thu đều phá vỡ tính lồi và tính nguyên. Đây chính xác là nơi PSO thể hiện giá trị của nó.
Chúng ta muốn tối đa hóa tỷ lệ Sharpe của một danh mục đầu tư chỉ mua. Mỗi hạt là một vectơ trọng số; chúng ta sửa nó về đơn hình (không âm, tổng bằng một) và đánh giá.
1import numpy as np23rng = np.random.default_rng(0)4n = 8 # số lượng tài sản5mu = rng.normal(0.08, 0.04, n) # lợi nhuận kỳ vọng hàng năm6A = rng.normal(0, 1, (n, n))7cov = (A @ A.T) / n * 0.04 # một ma trận hiệp phương sai hợp lệ8rf = 0.02 # lãi suất phi rủi ro910def neg_sharpe(w):11 """Hàm mục tiêu: Sharpe âm (chúng ta tối thiểu hóa). Sửa trọng số về đơn hình."""12 w = np.clip(w, 0, None) # chỉ mua13 s = w.sum()14 if s == 0:15 return 1e916 w = w / s # tổng bằng một17 ret = w @ mu18 vol = np.sqrt(w @ cov @ w)19 return -(ret - rf) / (vol + 1e-9)2021# ---- PSO ----22P, ITERS = 30, 10023w_inertia, c1, c2 = 0.72, 1.49, 1.492425X = rng.random((P, n)) # vị trí = các danh mục ứng viên26V = rng.normal(0, 0.1, (P, n)) # vận tốc27pbest = X.copy()28pbest_val = np.array([neg_sharpe(x) for x in X])29g = pbest[pbest_val.argmin()].copy()3031for _ in range(ITERS):32 r1, r2 = rng.random((P, n)), rng.random((P, n))33 V = w_inertia * V + c1 * r1 * (pbest - X) + c2 * r2 * (g - X)34 X = np.clip(X + V, 0, None)35 val = np.array([neg_sharpe(x) for x in X])36 improved = val < pbest_val37 pbest[improved] = X[improved]38 pbest_val[improved] = val[improved]39 g = pbest[pbest_val.argmin()].copy()4041w_opt = np.clip(g, 0, None); w_opt /= w_opt.sum()42print("Sharpe tốt nhất:", round(-pbest_val.min(), 3))43print("trọng số:", np.round(w_opt, 3))
Chạy đoạn mã này cho ra Sharpe gần 3.5 và một vectơ trọng số thưa thớt, hợp lý, tổng bằng một. Điểm mấu chốt không phải là con số. Đó là neg_sharpe có thể chứa bất cứ thứ gì. Thêm một thành phần chi phí giao dịch - lambda * np.sum(np.abs(w - w_prev)), thêm một giới hạn số lượng cứng bằng cách đặt các trọng số nhỏ nhất về 0 trước khi chuẩn hóa, thêm một hình phạt drawdown được tính từ backtest. Không có thứ nào trong số này có gradient mà bạn muốn tính toán, và không có thứ nào trong số chúng ngăn được PSO. Trình tối ưu hóa không bao giờ nhìn vào bên trong hàm mục tiêu; nó chỉ hỏi "danh mục này có tốt hơn danh mục kia không?"
1.4 Ứng dụng: tinh chỉnh siêu tham số và chiến lược
Công dụng chính thứ hai là tinh chỉnh các chiến lược giao dịch. Một chiến lược có các tham số: cửa sổ lookback, ngưỡng vào và ra, khoảng cách stop-loss, hệ số định cỡ vị thế. Hàm mục tiêu là một thống kê backtest như lợi nhuận điều chỉnh theo rủi ro sau chi phí. Bề mặt này cực kỳ phi lồi, không liên tục (một thay đổi một tick trong ngưỡng có thể lật ngược một giao dịch), và tốn kém để đánh giá. PSO coi toàn bộ backtest như hàm mục tiêu hộp đen và tìm kiếm trực tiếp trong không gian tham số.
Nó so sánh thế nào với các lựa chọn thay thế? Các thuật toán di truyền (lai ghép và đột biến tiến hóa) là đối thủ cạnh tranh gần nhất và thường tương đương. Tìm kiếm ngẫu nhiên là đường cơ sở trung thực, đáng ngạc nhiên là thường đánh bại tìm kiếm lưới. Trên một hàm mục tiêu tinh chỉnh chiến lược điển hình, bầy đàn có xu hướng hội tụ nhanh hơn và đến một điểm tối ưu tốt hơn cả hai, bởi vì thành phần thu hút xã hội tập trung các đánh giá vào nơi chúng quan trọng thay vì lấy mẫu một cách mù quáng.
Lời cảnh báo ở đây là thực sự và người thực hành phải thấm nhuần nó: hội tụ nhanh hơn trên một hàm mục tiêu backtest là hội tụ nhanh hơn đến overfitting. PSO sẽ vui vẻ tìm ra bộ tham số giải thích hoàn hảo nhiễu trong mẫu lịch sử của bạn. Xác thực walk-forward, các bộ kiểm thử ngoài mẫu, và phạt độ phức tạp tham số không phải là đồ trang trí tùy chọn; chúng là sự khác biệt giữa một hiện vật nghiên cứu và một chiến lược sống sót khi tiếp xúc với thị trường thực.
Phần 2: Tối ưu hóa Đàn Kiến (Ant Colony Optimization)
2.1 Cơ chế
Tối ưu hóa Đàn Kiến (ACO), do Dorigo phát triển vào đầu những năm 1990, tấn công các bài toán tổ hợp nơi câu trả lời là một đường đi hoặc một lựa chọn rời rạc. Kiến thực tế tìm đường đi ngắn bằng cách tiết ra pheromone khi chúng đi; những con đường ngắn hơn được đi qua thường xuyên hơn trên một đơn vị thời gian, tích lũy nhiều pheromone hơn, và thu hút nhiều kiến hơn, trong một vòng phản hồi tích cực. Quan trọng là, pheromone bay hơi, cho phép đàn kiến quên đi những con đường cũ và thích ứng khi môi trường thay đổi.
Kiến nhân tạo xây dựng các lời giải từng bước trên một đồ thị. Tại nút i, một con kiến chọn nút tiếp theo j một cách xác suất, bị ảnh hưởng bởi pheromone tau_ij trên cạnh đó và một độ hấp dẫn heuristic eta_ij:
1(tau_ij)^alpha · (eta_ij)^beta2P(i -> j) = ----------------------------------------3 tổng trên k cho phép của (tau_ik)^alpha · (eta_ik)^beta
alpha kiểm soát mức độ kiến tin tưởng vào pheromone tích lũy (khai thác trí nhớ tập thể); beta kiểm soát mức độ chúng tin tưởng vào heuristic tức thời (chất lượng cục bộ tham lam). Sau khi tất cả kiến hoàn thành, pheromone được cập nhật:
1tau_ij <- (1 - rho) · tau_ij + tổng trên các kiến của delta_tau_ij
rho là tỷ lệ bay hơi. Khoản tiền gửi delta_tau_ij lớn hơn đối với những con kiến đã xây dựng các lời giải tốt hơn, vì vậy các cạnh tốt được củng cố. Sự bay hơi ngăn chặn sự khóa chặt sớm và là điều làm cho ACO thích ứng trên các bài toán không dừng, tức là, trên các thị trường.
2.2 Nơi ACO phù hợp trong tài chính
PSO dành cho các bài toán liên tục; ACO dành cho các bài toán rời rạc và có hình dạng đường đi. Trong tài chính, điều này bao gồm:
- Lựa chọn tài sản như một bài toán duyệt đồ thị. Chọn tập con nào của một vũ trụ để nắm giữ, nơi các cạnh mã hóa tương quan hoặc chuyển đổi ngành, và pheromone học được tổ hợp nào trong lịch sử mang lại lợi nhuận điều chỉnh theo rủi ro tốt.
- Định tuyến và thực hiện lệnh. Chia một lệnh mẹ lớn trên các sàn giao dịch và các lát thời gian để giảm thiểu tác động thị trường và chi phí là một bài toán đường đi tự nhiên. Pheromone củng cố các quyết định định tuyến mà trong lịch sử đạt được khớp lệnh tốt, và sự bay hơi cho phép bộ định tuyến thích ứng khi thanh khoản sàn giao dịch thay đổi trong ngày.
- Xây dựng các quy tắc giao dịch. Mỗi nút là một điều kiện hoặc chỉ báo; đường đi của một con kiến qua đồ thị là một quy tắc tổng hợp. Đàn kiến tìm kiếm không gian tổ hợp của các cấu trúc quy tắc, củng cố các chuỗi quy tắc có backtest tốt.
Sơ đồ trên cho thấy trường hợp thực hiện lệnh: tiền mặt nhàn rỗi phải đến được một khớp lệnh đã thực hiện, và đàn kiến củng cố tuyến đường (tiền mặt đến AAPL đến NVDA đến khớp lệnh) mà trong lịch sử giảm thiểu chi phí, với độ dày cạnh tỷ lệ thuận với pheromone tích lũy.
Cảnh báo overfitting tương tự từ PSO cũng được áp dụng với sức mạnh ngang nhau. Một đàn kiến đã củng cố một chuỗi quy tắc đến mức hoàn hảo trên dữ liệu lịch sử đã ghi nhớ quá khứ, chứ không phải khám phá tương lai.
Phần 3: Thị trường như một bầy đàn
3.1 Sự đảo ngược khái niệm
Phần 1 và 2 đã sử dụng trí tuệ bầy đàn như một công cụ chúng ta hướng vào thị trường. Phần 3 đưa ra một tuyên bố sâu sắc hơn: thị trường là một bầy đàn, và có thể nói là lớn nhất và có hậu quả nhất mà con người từng xây dựng.
Hãy nhìn lại các thuộc tính xác định. Phi tập trung: hàng triệu người tham gia, không có bộ điều khiển trung tâm, mỗi người hành động dựa trên thông tin cục bộ một phần. Các quy tắc cục bộ đơn giản: hầu hết người tham gia không chạy lý thuyết trò chơi đến hội tụ; họ đang tuân theo các heuristic, động lượng, nỗi sợ hãi, hành vi của những người xung quanh. Tính nổi trội: bong bóng, sụp đổ, sụp đổ chớp nhoáng, các cụm biến động, và lợi nhuận đuôi dày không được thiết kế bởi bất kỳ ai. Chúng nổi lên từ sự tương tác.
Sự tái cấu trúc này quan trọng bởi vì truyền thống lý thuyết thống trị, giả thuyết thị trường hiệu quả và cân bằng kỳ vọng hợp lý, đấu tranh để tạo ra những hiện tượng này một cách nội sinh. Trong các mô hình đó, giá bằng giá trị cơ bản cộng với nhiễu, và các sai lệch lớn đòi hỏi các cú sốc ngoại sinh lớn. Nhưng thị trường sụp đổ khi không có tin tức. Vụ sụp đổ năm 1987, vụ sụp đổ chớp nhoáng năm 2010, vô số các tập nhỏ hơn: giá di chuyển dữ dội trong khi các yếu tố cơ bản nằm yên. Các mô hình cân bằng giải thích điều này bằng cách giả định một cú sốc mà không ai có thể xác định được. Các mô hình bầy đàn giải thích nó như một hiện tượng nổi trội, tức là, như hành vi bình thường của một hệ thống các tác tử heuristic tương tác.
3.2 Các mô hình dựa trên tác tử
Các mô hình dựa trên tác tử (ABM) làm cho điều này trở nên cụ thể. Bạn tạo ra một thị trường mô phỏng với các tác tử không đồng nhất, cung cấp cho mỗi tác tử các quy tắc hành vi đơn giản, để chúng giao dịch, và xem điều gì nổi lên trong giá. Thiết kế có ảnh hưởng nhất là mô hình nhà cơ bản - nhà kỹ thuật (Brock và Hommes, Lux và Marchesi, và những người khác).
- Nhà cơ bản (Fundamentalists) tin rằng giá sẽ quay trở lại giá trị cơ bản. Họ mua khi giá thấp hơn giá trị và bán khi cao hơn. Hành động một mình, họ ổn định thị trường.
- Nhà kỹ thuật (Chartists - trend-followers) tin rằng các biến động gần đây sẽ tiếp tục. Họ mua vì giá đang tăng và bán vì giá đang giảm. Hành động một mình, họ gây bất ổn.
Thành phần quyết định là chuyển đổi (switching): các tác tử không bị khóa vào một loại. Họ áp dụng chiến lược nào gần đây có lợi nhuận cao hơn, và họ chạy theo bầy đàn về phía những gì hàng xóm của họ đang làm. Đây là cơ chế lựa chọn rời rạc: tỷ lệ nhà kỹ thuật tăng lên khi giao dịch theo xu hướng gần đây có hiệu quả. Một vòng phản hồi đơn lẻ đó là đủ để tạo ra toàn bộ vườn thú các sự kiện phong cách hóa mà thị trường thực tế thể hiện và các mô hình cân bằng thì không.
Đây là một mô phỏng nhà cơ bản - nhà kỹ thuật tối thiểu nhưng hoàn chỉnh trong không gian log-giá, với chuyển đổi dựa trên lợi nhuận:
1import numpy as np23rng = np.random.default_rng(4)4T = 5205log_fund = np.log(100.0) # giá trị cơ bản không đổi6logp = [log_fund, log_fund] # log giá, cần hai độ trễ7frac_chartist = [0.5] # tỷ lệ dân số là nhà kỹ thuật8beta = 6.0 # cường độ lựa chọn (tốc độ chuyển đổi của tác tử)910for t in range(1, T):11 lp, lp1 = logp[-1], logp[-2]12 dev = lp - log_fund # độ lệch của giá so với giá trị cơ bản13 mom = np.clip(lp - lp1, -0.2, 0.2) # động lượng gần đây (log-lợi nhuận cuối cùng)1415 # Khả năng sinh lợi thực tế của mỗi quy tắc đối với biến động thực tế cuối cùng16 actual = mom17 pi_c = np.tanh(60 * mom * actual) # nhà kỹ thuật đúng nếu xu hướng tiếp diễn18 pi_f = np.tanh(60 * (-0.05 * dev) * actual) # nhà cơ bản đúng nếu nó quay đầu1920 # Lựa chọn rời rạc: tác tử chảy về phía quy tắc gần đây có lợi nhuận (logit)21 ec, ef = np.exp(beta * pi_c), np.exp(beta * pi_f)22 target = ec / (ec + ef)23 target = np.clip(target + 1.8 * abs(mom), 0, 1) # biến động lớn thu hút một đám đông chạy theo xu hướng2425 # Quán tính bầy đàn: đám đông thay đổi dần dần, không phải ngay lập tức26 share = np.clip(0.55 * frac_chartist[-1] + 0.45 * target + rng.normal(0, 0.025), 0.02, 0.98)2728 # Tác động giá: nhà kỹ thuật ngoại suy động lượng, nhà cơ bản kéo về giá trị29 dl = share * 0.95 * mom + (1 - share) * (-0.05 * dev) + rng.normal(0, 0.014)30 dl = np.clip(dl, -0.12, 0.12)3132 logp.append(lp + dl)33 frac_chartist.append(share)3435price = np.exp(np.array(logp[1:]))
Không có gì trong mã nguồn này ra lệnh cho thị trường hình thành bong bóng. Không có biến "sụp đổ" nào. Tuy nhiên, chạy nó và các bong bóng và sụp đổ xuất hiện, và chúng trùng khớp với sự gia tăng trong tỷ lệ nhà kỹ thuật: khi giao dịch theo xu hướng bắt đầu có lợi nhuận, đám đông đổ xô vào, giá tách rời khỏi giá trị cơ bản, sự tách rời cuối cùng làm cho việc quay trở lại trung bình trở nên cực kỳ có lợi nhuận, đám đông đảo chiều, và bong bóng sụp đổ.
Bảng trên cùng là giá dao động xung quanh một giá trị cơ bản phẳng là 100, với các bong bóng lên 120 và sụp đổ xuống 80. Bảng dưới cùng là tỷ lệ nhà kỹ thuật. Các đỉnh trong phần chia sẻ chạy theo xu hướng của đám đông xảy ra trước và thúc đẩy các điểm cực trị của giá. Đây là hành vi bầy đàn được thể hiện như một cơ chế chứ không phải một phép ẩn dụ.
3.3 Các sự kiện phong cách hóa xuất hiện miễn phí
Lợi nhuận tài chính thực tế có các đặc điểm thống kê được ghi chép rõ ràng mà các mô hình bước ngẫu nhiên Gaussian không thể tái tạo. Các mô hình bầy đàn dựa trên tác tử tạo ra chúng một cách nội sinh, mà không cần các giả định bổ sung:
- Đuôi dày (độ nhọn thừa). Lợi nhuận cực đoan phổ biến hơn nhiều so với dự đoán của phân phối chuẩn, bởi vì hành vi bầy đàn đồng bộ hóa các tác tử và khuếch đại các biến động.
- Cụm biến động (Volatility clustering). Các biến động lớn nối tiếp các biến động lớn. Khi chế độ nhà kỹ thuật thống trị, biến động cao và dai dẳng; khi nhà cơ bản thống trị, thị trường yên tĩnh. Sự chuyển đổi tạo ra các cụm.
- Không có tự tương quan tuyến tính trong lợi nhuận cùng với tự tương quan mạnh trong lợi nhuận tuyệt đối. Thị trường không thể dự đoán được về hướng nhưng có thể dự đoán cao về sự hỗn loạn, chính xác như ABM tạo ra.
Việc một mô hình gồm các tác tử đơn giản tương tác tái tạo dấu vân tay thống kê chính xác của thị trường thực tế, trong khi các mô hình cân bằng thanh lịch cần các cú sốc ngoại sinh được gắn thêm vào, là bằng chứng mạnh mẽ nhất cho thấy khuôn khổ bầy đàn nắm bắt được điều gì đó đúng đắn về cách giá thực sự được hình thành.
Phần 4: Một kiến trúc tham khảo
Nếu bạn muốn vận hành hóa tất cả những điều này, các công cụ tối ưu hóa và lăng kính mô phỏng phù hợp với một ngăn xếp. Lõi bầy đàn coi các chiến lược như các hạt và tìm kiếm không gian chiến lược; bộ đánh giá độ thích nghi chạy các backtest walk-forward; một cổng rủi ro thực thi các ràng buộc cứng mà không trình tối ưu hóa nào được phép vi phạm; ACO xử lý định tuyến thực hiện lệnh; và bộ mô phỏng dựa trên tác tử có thể được sử dụng để kiểm tra sức chịu đựng của các chiến lược trước các thị trường tổng hợp nhưng thực tế và để tạo ra các kịch bản mà dữ liệu lịch sử không bao giờ chứa.
Vòng phản hồi là linh hồn của thiết kế. Độ thích nghi và rủi ro liên tục định hình lại bầy đàn, cũng giống như trong tự nhiên, môi trường liên tục định hình lại đàn. Cổng rủi ro là không thể thương lượng và nằm bên ngoài quá trình tối ưu hóa: một bầy đàn tối ưu hóa Sharpe sẽ, nếu có cơ hội, thực hiện một vị thế tối ưu trên backtest và tai hại trong một đuôi. Cổng là thứ ngăn chặn nó.
Phần 5: Những hạn chế trung thực
Các phương pháp bầy đàn không phải là ma thuật, và các chế độ thất bại là cụ thể:
Overfitting là rủi ro chi phối. Mọi trình tối ưu hóa hộp đen là một cỗ máy tìm ra bộ tham số giải thích tốt nhất mẫu của bạn, bao gồm cả nhiễu của nó. Trình tối ưu hóa càng nhanh và mạnh, nó càng nguy hiểm. Phân tích walk-forward và kỷ luật ngoài mẫu là bắt buộc.
Không có đảm bảo về tính tối ưu. PSO và ACO là các siêu heuristic. Chúng thường tìm ra các lời giải xuất sắc; chúng không chứng minh được điều gì. Đối với các bài toán thực sự lồi, hãy sử dụng một bộ giải lồi và nhận được điểm tối ưu được chứng nhận. Chỉ sử dụng các phương pháp bầy đàn khi cấu trúc mà các phương pháp cổ điển cần là không có.
Nhạy cảm với siêu tham số. Trọng số quán tính, hệ số gia tốc, kích thước bầy đàn, tỷ lệ bay hơi: những thứ này quan trọng, và tinh chỉnh bộ tinh chỉnh có nguy cơ dẫn đến một lớp overfitting khác. Các giá trị mặc định hợp lý (các giá trị co thắt w=0.72, c1=c2=1.49 cho PSO) tồn tại vì lý do chính đáng.
ABM có tính giải thích, không có tính dự đoán. Các mô hình dựa trên tác tử tái tạo một cách xuất sắc hành vi định tính của thị trường, các bong bóng và đuôi dày. Chúng không cho bạn biết giá vào thứ Ba tới. Giá trị của chúng nằm ở việc hiểu cơ chế, kiểm tra sức chịu đựng, và tạo kịch bản, chứ không phải dự báo điểm.
Cái bẫy phản xạ (Reflexivity trap). Khi đủ vốn chạy các chiến lược tương tự do bầy đàn khám phá, các chiến lược đó trở thành một phần của động lực thị trường và làm xói mòn lợi thế của chính chúng. Bản đồ làm thay đổi lãnh thổ. Đây không phải là một lỗ hổng trong phương pháp; đó là sự thật sâu sắc nhất mà khuôn khổ bầy đàn dạy cho bạn. Bạn không phải đang phân tích một bầy đàn từ bên ngoài. Bạn là một tác tử bên trong nó, và dấu vết pheromone của bạn thay đổi nơi mọi người khác đi tiếp theo.
Lời kết
Hai nửa của bài viết này thực sự là một ý tưởng được nhìn từ hai góc độ. Tối ưu hóa bầy đàn hoạt động trên các bài toán tài chính bởi vì những bài toán đó sống trên các không gian xấu xí, lừa dối, phi lồi, và tìm kiếm ngẫu nhiên phi tập trung với thu hút xã hội được xây dựng chính xác cho địa hình như vậy. Và lý do tại sao thị trường tạo ra những không gian như vậy ngay từ đầu là bởi vì thị trường tự chúng là những bầy đàn: các quần thể rộng lớn gồm các tác tử đơn giản, chạy theo bầy đàn, chuyển đổi, mà sự tương tác của chúng một cách nổi trội tạo ra các bong bóng, sụp đổ, và đuôi dày mà không mô hình cân bằng nào chủ định.
Hiểu được điểm thứ hai làm cho bạn giỏi hơn ở điểm thứ nhất. Khi bạn nhớ rằng bề mặt bạn đang tối ưu hóa được tạo ra bởi một bầy đàn, bạn ngừng tin tưởng vào bất kỳ điểm tối ưu đơn lẻ nào, bạn tôn trọng tính không dừng, bạn xây dựng cổng rủi ro, và bạn không bao giờ quên rằng khoảnh khắc chiến lược của bạn di chuyển với quy mô thực, bạn đã không còn là người quan sát bầy đàn và trở thành một phần của nó.
**
