存在拆台行为的锦标赛激励效应

本文研究不同奖金设置和拆台行为如何影响锦标赛激励效应。比之不存在拆台行为,存在拆台行为时更大的奖金差距会导致代理人之间的非合作行为增加,对能力具有异质性的代理人将产生沮丧效应和破坏效应。在三人锦标赛中,若奖金固定不变,增加获奖者人数(从1到2个)对代理人均衡努力水平没有影响。从薪酬管理角度看,为了提高对雇员的激励而增加获奖者人数,在三人锦标赛中可能没有效果;管理者可以提高赢家奖金或者降低输家奖金,通过扩大奖金差距来激励雇员努力工作。但奖金差距也不能过大,否则会导致过多的非合作行为并导致雇员放弃努力。管理者也需要警惕雇员之间的异质性对锦标赛激励效应的削弱。

在做市商机制下预测我国股票市场价格模型的研究

由于金融市场的复杂动态和不稳定性,在理性预期下的标准资产定价模型很难预测价格变化。在传统金融模型中,认为基本面分析者的预期信念与价格偏差有很大的关系,而对于图表分析者,将预期信念归因于对于历史价格的学习过程。因此,我们在做市商机制下建立一个简单的异质代理人模型,包括两类交易者:基本面分析者和图表分析者。从以下几方面研究:1) 研究我国股票市场的收益与波动动态之间的关系。2) 预测市场价格动态。3) 以上海证券市场综合指数为研究对象。本文用统计分析方法将由模型得到的仿真数据的收益序列模拟结果与实证研究做对比分析,并做相关统计检验。分析结果表明股票市场具有高的相关性与异方差性,波动性与市场风险性,长记忆性,并且收益率序列是具有非对称性以及市场中总体上存在着杠杆效应,引起了价格变化,发现此模型能较好的反映真实市场。

基于机器学习替代模型分析的主体模型参数空间搜索及校准

基于主体的建模方法是研究复杂系统的有效方法。为了更为有效地描述真实系统的涌现行为,主体建模往往包含大量需要验证的参数,导致由于参数膨胀所引起的维数灾害问题越发突出,这给一般研究者的工作带来了困难,也导致对主体模型的适用性和解释能力提出了怀疑。为解决这一难题,提出了一种将机器学习和智能采样相结合的替代分析方法,在计算成本和数据容量有限的条件下显著地提升了参数估计效率。利用xgboost机器学习算法,可以对模型的所有参数按对结果影响的重要性进行排序并校准,进而进行主体建模的验证和输出结果分析等工作。将以上研究方法应用于金融学领域中的异质代理模型,取得了良好的拟合效果和预测精度,从而为复杂系统主体建模分析的参数验证问题提供了实用的技术分析手段。