股市、房地产系统作为社会经济系统中的一个重要组成部分,预测其市场走势是相当困难的:投资者迫切地渴望能对明天的价格做出某种程度的预测;学者们力图理清市场价格是怎么形成的。传统金融理论通过对这类系统的各种简化,包括对投资者的预测和决策方式、市场机制等方面的简化,建立拥有明确目标函数的数学模型,通过最大化目标函数来帮助理解和解释市场中的种种现象。然而,数学模型仅能用来研究具有完全确定性和线性的简单系统。对于灵活多变的复杂系统,几乎无法建立完备的数学模型。即使建立起模型,由于过于庞大,结果也无从检验。并且复杂系统被简化成一系列抽象的法则、公式是脱离现实的,不可能正确反映其本质并可能产生彼此矛盾的结果。虽然传统数学模型解释了一些现象,但却留下了许多未能解答的问题,这种情况是由于系统的复杂性造成的。尽管传统理论对此早有认识,但它们更多地把复杂性归结为外界随机信息冲击的结果,而很少考虑复杂性内生的可能性。复杂性科学对传统的经济学理论提出了挑战,不再将经济系统看成是市场稳定和供求均衡的结果,而看成是由许多相互作用的个体在不稳定的状况下彼此不断调整关系的结果。在复杂性科学研究的学派中,以Holland教授等人的复杂适应系统CAS理论为代表。CAS理论主要采用计算机模型模拟的方法研究复杂系统,其研究工作的一大特点是高度重视应用计算机技术。计算机模型完全可以直接用有条件作用和其它诸如交换之类的组合算法描述,这些条件/组合算法用偏微分方程只能粗略地描述。采用基于计算机的直接描述的模型,而不是走偏微分的老路,能反映演化过程中的组合复杂性。通过计算机模拟的方法来研究和观察复杂系统,可以在计算机环境中重复或再现客观存在的复杂系统。论文针对现有股市、房地产系统研究的不足,突破传统数学建模的框架,运用复杂性科学的最新成果,采用学科交叉的方式,建立新的研究方法和体系。试图将CAS理论运用到股市、房地产系统研究中,构建基于Multi-Agent技术的股市、房地产系统框架体系,并对涉及的关键技术进行探讨。论文主要研究以下内容:分析股市、房地产系统和CAS在内在特点上的一致性,依据CAS理论证实股市、房地产系统是一类复杂适应系统,因此采用CAS理论对股市、房地产系统进行研究具有科学性和可行性。同时,基于CAS理论,分析一类复杂适应系统的特征、复杂性行为等,指出复杂性是其内部本质特征,复杂性背后的机理是异质投资者同系统环境之间的非线性交互作用。通过对一类复杂适应系统传统研究方法的总结,证实经典的有效市场假说、传统的数学工具(线性、固定点、微分方程系统)和传统的均衡经济理论对系统的分析大多基于一定的假设,明显具有主观性,故根本无法描述此类系统的复杂多变性。因此,必须要用复杂系统的理论和方法来对此类系统进行重新的理解、研究。鉴于此,论文将股市、房地产系统视为一类复杂适应系统,提出运用CAS理论与方法对此类系统进行建模与仿真研究的思路方法。并且,通过对Holland教授ASM模型实例的分析,进一步论证用CAS理论的建模与仿真方法对这类系统进行研究的可行性。CAS理论的核心概念是Agent,其方法学是基于Agent的建模方法。Agent和Multi-Agent理论与技术为复杂系统的建模与仿真提供了一个崭新的途径。对于人工社会中多智能体系统MAS的应用,目前展开的研究工作仍然处于起步阶段,因此采用MAS对一类复杂适应系统进行建模和应用研究具有理论探索意义。论文阐述了MAS建模的研究方法和过程:在基于Multi-Agent的建模过程中,最基本的是构造计算机模型,Agent在这一模型中运行着(行为)。首先要选择合适的微观个体,并对其建模;然后建立微观个体之间的交互关系;最后在宏观上对整个系统进行建模。其中,重点研究了Agent及Agents之间交互关系的设计方法。同时,结合一类复杂适应系统的实际运作情况,运用Multi-Agent的建模方法并结合其它技术、方法对一类复杂适应系统进行建模研究。在选择微观个体时,参与者的多样性是CAS的一个显著特征,因此,针对实际系统中交易者的不同类型,论文引入四种类型的智能体。对微观个体建模,即建立每一类Agent的属性和行为规则,是Multi-Agent建模方法中最重要的设计问题:主要考虑决策、目标函数、异质性和学习几个方面。比如对于神经网络智能体,尝试用神经网络代替Agent,运用神经网络的学习能力模拟Agent的适应性。特别地,对于BP-CT神经网络智能体,运用Agent行为一致性自适应的神经网络方法结合CT方法对其进行建模,利用CT方法产生不断变化的目标,从行为和行为所产生的效果两方面来训练神经网络,使其产生内部一致性,这也是智能体认知能力的一种体现。Agents间的交互是建模中的关键问题。Agents之间的交互涉及到模型整体的涌现结果,在建模过程中,既要考虑Agent的独立性,又要考虑Agents间的交互。为此,引入ERA方案,自主开发基于ERA方案的一类复杂适应系统模型,模型中不仅保留了通过规则和一般数据仿照前后关系模型化的环境,而且还保留了在不同概念层次上具有个性化数据的Agent。模型设置了不同的规则管理器和规则生成器,规则管理器控制智能体的行为,规则生成器调整、生成规则,一个规则生成器可以被多个规则管理器使用(如一个学习结果的运用)。这种模型设计方案,既保证了程序的模块性,也保证了程序的可扩展性:当需要增加新类型智能体时,只需修改或增加相应的规则管理器和规则生成器就可以了。同时,为了更好地模拟真实系统,模型引入一类特殊的智能体book——订单簿,负责接收并执行买入、卖出定单。所有类型的智能体都向订单簿智能体提交订单,订单簿在处理订单过程的同时完成不同类型智能体之间的交互,克服了传统股市研究方法中引入分析专家干预市场的主观行为。更重要的是,通过订单簿智能体可以引入多支股票,其中每个订单簿代表一支股票,从而克服了传统股市研究中只有单股运行的缺陷。论文引入3支股票。Swarm是一个实现了CAS理论、面向对象思想以及分布式人工智能技术三者综合运用的仿真平台。利用Swarm提供的强大功能,可以模拟从实际经济系统中抽象出来的模型,观察其运行状况及趋势,从而为现实世界中的经济决策提供依据。论文探讨在Swarm环境下进行一类复杂适应系统仿真的技术和方法,并在Swarm仿真平台下自主开发以股市为例的仿真程序,从而对一类复杂适应系统的复杂性进行仿真研究。通过设计多种类型的智能体对股市的实际运行情况进行仿真研究,模拟不确定环境下股市的动态演化过程,再现了许多通过传统的研究方法很难得到而在真实系统中又确实存在的现象,从而验证了用CAS理论与方法对一类复杂适应系统进行研究的可行性与有效性。为投资者的投资决策提供一定的参考。同时,对于研究类似复杂系统的研究者而言,论文的建模与仿真方法也具有一定的借鉴意义。仿真的目标在于更好地理解一类复杂适应系统的动力学特性,而并非尝试着进行预测。