Il mercato di borsa come sistema complesso
risultati inspiegabili dovuti all’incorporazione della componente non lineare di
cui si è parlato prima.
Ormerod (1998) afferma che l’economia e la società non possono essere
considerate al pari di una macchina che, pur essendo complicata, in fondo è
prevedile. Tutti i giorni nel modo economico si assiste a fenomeni che a priori
non era possibile prevedere, caratteristica principale dei sistemi complessi. Nel
libro presenta una serie di esperimenti in cui alla base vi sono semplici regole
ma che generano fenomeni inattesi. Uno di questi è effettuato su una colonia di
formiche posta alla stessa distanza da due mucchietti identici di cibo.
L’esperimento è creato in modo tale che le formiche non abbiano
assolutamente motivo di preferire un mucchietto piuttosto che un altro, per cui,
non appena una formica ne porta via una piccola quantità, se ne aggiunge in
modo da tenerli costantemente uguali. Ovviamente una formica che ha avuto
successo nella ricerca è incentivata a tornare, in quanto troverà sempre cibo.
Altra cosa importante nella valutazione dei risultati è il fatto che le formiche
tornando al formicaio influenzano i loro simili indicando la strada per mezzo di
una secrezione lasciata sul terreno. In termini economici questo significa che il
comportamento di ciascun agente è influenzato direttamente da quello degli
altri. Durante il suo percorso la formica pero è condizionata da tutte quelle che
le passano accanto per cui è difficile prevedere a priori dove arriverà.
Comunque maggiore è il numero di formiche che va verso lo stesso mucchio,
superiore è la probabilità che le altre siano spinte verso quella direzione.
Ovviamente sulla base di queste considerazioni, si pensava che le prime
formiche che uscivano alla ricerca del cibo, avrebbero determinato
un’influenza su tutte le altre e, dopo alcune fluttuazioni casuali, si sarebbe
dovuto osservare un numero sempre maggiore verso il mucchietto scelto
all’inizio da poche formiche.
Il risultato che si ottenne fu del tutto inatteso: le formiche pur raggiungendo in
massa un mucchio in un certo istante dopo qualche tempo la maggioranza si
sgretolava a favore dell’altro mucchio, a volte in modo lento e a volte in modo
repentino. Un risultato di questo tipo mette in luce, in modo molto chiaro,
come, anche in presenza di regole semplici di base, l’interazione tra agenti e
l’influenza reciproca dei comportamenti, possano creare dinamiche complesse
che rendono impossibile prevedere il comportamento della collettività sulla
base dei comportamenti dei singoli.
Tutto il campo dell’economia è del tutto assimilabile a quanto appena detto ed
è quindi facilmente comprensibile perché un mercato come quello borsistico
possa essere inteso come sistema complesso.
7
Capitolo 1
1.2 LA BORSA ITALIANA.
In generale con il termine borsa si intende il luogo in cui sono scambiati valori
mobiliari. Nel nostro paese la società che gestisce i mercati regolamentati è
Borsa Italiana s.p.a. che ha ricevuto l’autorizzazione il 2 gennaio 1998 da parte
della CONSOB (COmmissione Nazionale per le SOcietà e la Borsa, l’organo
di vigilanza dei mercati e delle società in esse quotate (Damilano e altri, 2002).
L’organizzazione del sistema di borsa italiana oggi è così strutturato:
L’immagine è scaricata direttamente dal sito ufficiale della società che gestisce
i vari mercati e comparti www.borsaitaliana.it.
Nei prossimi paragrafi concentrerò la trattazione sul mercato azionario, in
quanto l’oggetto principale della tesi è il modello si simulazione di borsa in cui
è scambiato un titolo azionario
Dalla legge n. 272 del 1913, di costituzione delle borse valori, al T.U.F. (testo
unico della finanza ) si sono susseguite alcune leggi che hanno segnato
l’evoluzione normativa dell’intermediazione mobiliare. Nel 1974 e stata
istituita la CONSOB e sono state inserite nuove tipologie di azioni (risparmio e
convertibili). Nel 1983 si sancisce la costituzione dei primi fondi comuni di
investimenti mobiliari. Nel 1991 sono istituite le SIM (Società di
Intermediazione Mobiliare), sono riorganizzati i mercati mobiliari e nasce il
mercato dei derivati. Sempre in questo anno è emanata la legge sull’insaider
8
Il mercato di borsa come sistema complesso
trading: è colpevole di questo reato chi utilizza informazioni privilegiate per
effettuare transazioni di strumenti finanziari, indipendentemente dalla
realizzazione del profitto. L’anno successivo nasce la normativa sulle offerte
pubbliche di acquisto, vendita e scambio (rispettivamente denominate OPA,
OPV e OPS). Nel 1993 sono disciplinati, con due leggi distinte, i fondi
pensione e i fondi mobiliari chiusi. L’anno successivo e la volta dei fondi
immobiliari. Ultima tappa fondamentale prima del 1998 anno di emanazione
del testo unico è il 1996 che con il decreto legislativo n. 415 recepisce la
direttiva comunitaria n. 93/CEE sui servizi di investimento (detto decreto
EUROSIM).
Sul mercato mobiliare italiano gli organi di vigilanza sono:
ξ La CONSOB
ξ La Banca d’Italia
ξ Il Ministero dell’Economia e delle Finanze
ξ ISVAP (Istituto per la Vigilanza sulle Assicurazioni Private)
ξ COVIP (Commisione di VIgilanza sui fondi Pensione)
ξ Borsa Italiana
Alla CONSOB sono affidate molteplici funzioni: quella normativa che si
rivolge agli emittenti, agli intermediari e ai mercati, quella di vigilanza per fare
in modo che gli emittenti operino attenendosi alle regole imposte dal
legislatore e da lei stessa, ed infine quella amministrativa, perché concorre
all’organizzazione dei mercati regolamentati rilasciando autorizzazioni di vario
tipo (iscrizioni agli albi, pubblicazione dei prospetti informativi, all’esercizio
dei servizi di investimento.
Banca d’Italia emana norme e vigila sul mercato mobiliare solo in un’ottica di
stabilità del sistema finanziario nel suo complesso. Disciplina a riguardo
dell’adeguatezza patrimoniale degli intermediari, sulle partecipazioni detenibili
in essi, sulla loro organizzazione e il loro controllo interno. Ha anche un potere
ispettivo con la facoltà di richiedere informazioni e documenti ai soggetti
abilitati per eventuali indagini.
9
Capitolo 1
1.3 IL MERCATO AZIONARIO.
Il mercato azionario fa parte del più ampio mercato dei capitali in cui sono
scambiati strumenti finanziari con scadenza superiore ai 12 mesi (quelli di
durata inferiore sono scambiati sul mercato monetario). Fa parte di questo
mercato anche quello obbligazionario su cui sono trattati titoli di stato e
obbligazioni emesse sia da Enti che da imprese private.
Sul mercato azionario (comunemente chiamato borsa) sono scambiati titoli
rappresentativi di quote di società: chi le acquista può avere due obbiettivi, il
primo di rendimento per cui rappresenta una forma d’investimento, oppure può
essere effettuato al fine di controllo della società (Forestieri e Mottura, 2002).
Il mercato italiano azionario è distinto in tre segmenti:
1) MTA sul quale sono quotati i titoli delle società operanti in settori
consolidati; a seconda della capitalizzazione, data dal numero delle azioni
esistenti per il corso dei titoli quotati, si divide in tre sotto segmenti:
a) Blue Chip su cui non trattate le large cap stocks che hanno una
capitalizzazione superiore agli 800 milioni di euro
b) Star dove vengono scambiate le mid cap o medium cap stocks con
capitalizzazione tra gli 800 e i 300 milioni di euro
c) Segmento ordinario di borsa sul quale sono trattate le small e micro
stocks con capitalizzazione inferiore ai 300 milioni di euro.
2) Il Nuovo Mercato su cui sono trattate le High growth stocks cioè i titoli
appartenenti a società con alto potenziale di crescita (operanti in settori
tecnologici, società di nuova costituzione, le start-up di società operanti in
mercati nuovi e innovativi.
3) Il Mercato Espandi in cui sono trattati titoli di piccole aziende che non
hanno i parametri per essere negoziati sul MTA. I requisiti di ammissione
sono meno stringenti.
I mercati gestiti da Borsa Italiana s.p.a., per cui anche il mercato azionario,
utilizzano un circuito telematico per le negoziazioni. Questo metodo di
contrattazione è stato introdotto a partire dal 1991, precedentemente le
negoziazioni avvenivano per lo più al di fuori della borsa non essendoci ancora
l’obbligo di concentrazione degli scambi. La parte che passava attraverso la
borsa era trattata in dieci borse valori situate nel nostro territorio nazionale e
più precisamente a Roma, Milano, Napoli, Palermo, Torino, Genova, Bologna,
Firenze, Venezia e Trieste. In queste sedi, smantellate con il decreto di
attuazione della direttiva CEE del 1996, le negoziazioni erano fatte con il
meccanismo delle grida (asta a chiamata), che consisteva nel ritrovo in una
specie di recinto, detto corbeille, di tutti coloro che erano interessati ad un
certo titolo. Il banditore partendo dal prezzo fixing del giorno precedente,
procedeva alzando e abbassando il prezzo fino ad arrivare a quello che
permetteva di uguagliare domanda ed offerta.
10
Il mercato di borsa come sistema complesso
Questa logica di funzionamento è stata ripresa anche in via telematica in alcune
fasi della negoziazione del mercato telematico, e più precisamente nelle aste di
apertura e di chiusura.
Il sistema di negoziazione utilizzato da Borsa Italiana è del tipo order-driven o
più semplicemente ad asta
1
: questo tipo di negoziazione permette una maggiore
probabilità di formazione di prezzi efficienti facendo confluire tutti gli
interessati nello stesso luogo (fisico o telematico che sia), creando quindi una
certa concorrenza.
Altra caratteristica essenziale del meccanismo di contrattazione dettato da
Borsa Italiana s.p.a. è l’assenza di lotti minimi. Dal 2002 è infatti possibile
acquistare o vendere anche un solo titolo azionario per volta.
Se non vi sono limiti alla quantità trattata non è così per le variazioni di prezzo:
il prezzo prima di tutto può essere espresso in valori multipli di tick stabiliti
seduta per seduta in base al prezzo di riferimento del giorno precedente
2
, ed
oltre tutto non può essere immesso un prezzo che abbia una variazione
superiore a ρ5% dall’ultimo contratto concluso.
Il book è il sistema centrale delle contrattazioni: in esso sono inserite tutte le
proposte che non hanno la possibilità di essere eseguite immediatamente. La
struttura interna di questo “libro” e divisa in due lati: da una parte sono inserite
proposte si acquisto in ordine di prezzo decrescente (nel caso di ordini di pari
valore si tiene conto della priorità temporale), dall’altra parte le proposte di
vendita in ordine crescente di prezzo.
Le informazioni che l’operatore deve indicare in ogni proposta sono:
ξ Il segno dell’operazione per individuare se in acquisto o in vendita;
ξ Il valore mobiliare a cui si riferisce (tutti i titoli cono codificati
attraverso il codice ISIN);
ξ Il prezzo (limitato o di mercato) che, a seconda della fase in cui si è,
può avere connotazioni differenti;
ξ La quantità totale oggetto di vendita o acquisto;
ξ Parametri di negoziazione che indicano la modalità di conclusione;
Di seguito sono indicati tutti i parametri di negoziazione inseribili:
ξ ERP esponi al raggiungimento del prezzo: la proposta è accettata ma
sarà esposta solo al raggiungimento di un determinato prezzo. È
utilizzato spesso per impostare i cosiddetti stop-loss
3
ξ ECO esegui comunque
4
: la proposta è abbinata a qualsiasi con quelle
nel book con qualsiasi prezzo sino alla sua soddisfazione totale
1
Nel capitolo 5 viene preso in considerazione tutto il meccanismo di conclusione dei contratti.
2
Si veda il capitolo 6 in cui è riportata una recente tabella.
3
In JavaSum e in Sum vi sono agenti che hanno questo tipo di strategia pur non utilizzando il
parametro in fase di inserimento degli ordini.
4
È l’unico introdotto nel modello JavaSum
11
Capitolo 1
ξ EOC esegui o cancella: è eseguito anche parzialmente, la parte che
resta ineseguita è cancellata automaticamente.
ξ EQM esegui quantità minima: è eseguito solo se sul mercato è
disponibile una quantità minima in linea con il prezzo proposto.
ξ TON tutto o niente: la proposta è eseguita solo se è raggiunto tutto il
quantitativo richiesto, se così non è, automaticamente si elimina la
proposta
ξ VSC valido fino alla cancellazione: rimane valido fino alla fine della
contrattazione
ξ VSD valido fino alla data specificata: rimane valido nei giorni di
contrattazione seguenti fino ad un massimo di 90 giorni.
1.3.1 ORARI E FASI DELLA SEDUTA DI BORSA.
Il mercato azionario italiano presenta tre tipi di orari a seconda del segmento o
del mercato in cui si opera. In ogni fascia di tempo è svolta una determinata
fase: questi possono essere due o tre in base al segmento in cui si è.
I segmenti Blue-chip e Star ed il Nuovo Mercato hanno tre fasi così articolate:
ξ Asta di apertura dalle ore 8.00 alle 9.30
ξ Negoziazione continua dalle 9.30 alle 17.25
ξ Asta di chiusura dalle 17.25 alle 17.40
L’MTA segmento di borsa ordinario ha le stesse identiche fasi ma con orari
differenti:
ξ Asta di apertura dalle ore 8.00 alle 11.00
ξ Negoziazione continua dalle 11.00 alle 16.25
ξ Asta di chiusura dalle 16.25 alle 17.40
Il Mercato ristretto ha solo aste di apertura e chiusura dalle 8.00 alle 11.00 e
dalle 11.00 alle 16.40.
Durante le fasi di asta di apertura e di chiusura si sviluppano tre distinti
momenti. Il primo è la pre-asta in cui sono raccolte le proposte degli operatori
e in cui, sulla base di regole precise, è stabilito un prezzo teorico di apertura
5
.
Finito il primo, momento il secondo, detto validazione, è utilizzato per stabilire
se effettivamente il titolo potrà aprire. Il prezzo teorico è validato se non ha
avuto una variazione superiore a ρ10% del prezzo di riferimento del giorno
precedente. L’ultimo momento è quello in cui i contratti sono conclusi. Nel
caso in cui tale limite sia superato il titolo ritenta l’asta, per cui teoricamente e,
a volte anche praticamente , vi è la possibilità che il titolo non apra per tutta la
giornata. Vi sono anche casi in cui il prezzo teorico non è determinato: il titolo
5
Nel capitolo 5 è spiegato puntualmente l’algoritmo di determinazione di tale prezzo.
12
Il mercato di borsa come sistema complesso
apre lo stesso, inviando gli ordini al book di continua secondo determinate
regole imposte da Borsa Italiana s.p.a..
L’asta di chiusura è svolta secondo le stesse regole, sopra riportate, per quella
di apertura. Il motivo principale di queste due fasi sono per la prima, il voler
dare una certa continuità degli scambi tra le varie giornate, mentre per la
seconda si punta ad una sorta sintesi della giornata trascorsa.
1.4 MOTIVI PER CONSIDERARE IL MERCATO
AZIONARIO COME SISTEMA COMPLESSO.
Principalmente il motivo per cui la borsa dovrebbe essere considerata alla
stregua di un fenomeno complesso è la presenza di migliaia di agenti che
operano, secondo una propria strategia, in modo indipendente gli uni dagli altri.
Pur conoscendo in modo dettagliato quali potrebbero essere le motivazioni o le
regole di ogni agente per operare sul mercato, i fenomeni e le dinamiche che si
generano non sempre sono prevedibili e nel momento in cui si verifica è
pressoché impossibile stabilire per quale motivo si siano verificati.
L’Istituto per gli studi sulla complessità di Santa Fe nel New Mexico ha
indicato 6 qualità specifiche della complessità a cui è possibile ricondurre le
caratteristiche del mercato di borsa:
ξ Interazione dispersa e diffusa.
ξ Nessuna capacità di gestione globale.
ξ Organizzazioni gerarchiche che si intersecano.
ξ Adattamento continuo degli agenti in grado di imparare ed evolvere.
ξ Innovazione continua.
ξ Dinamica senza equilibrio
Nel prossimo capitolo sarà affrontato il problema di rappresentazione e studio
di fenomeni complessi.
13
Capitolo 2
CAPITOLO 2
LA SIMULAZIONI AD AGENTI
2.1 LE SIMULAZIONI E LO STUDIO DELL’ECONOMIA.
Nel capitolo 1 ho messo in luce come, l’assenza di indipendenza tra gli
elementi dei sistemi complessi, faccia incorporare nei fenomeni che ne
risultano componenti che non sono né lineari né additivi. Questa caratteristica
non consente di scindere le parti che interagiscono nel sistema al fine di
comprendere, valutare e prevedere i fenomeni che si generano.
Le scienze sociali sono definite da Simon come hard, nel senso che molti
processi che ne fanno parte sono di natura complessa: i sub processi che
compongono i fenomeni (appartenenti a vari campi di ricerca tra cui quella
economica) non aiutano a comprendere gli effetti che si generano a livello
aggregato (Terna, 2000c). La difficoltà di questa scienza ritrova le sue cause
nell’impossibilità di effettuare delle sperimentazioni controllate, in quanto è
pressoché irrealizzabile la comprensione e la gestione della fitta rete di
interazione che si crea tra gli individui.
Molto spesso, nello studio dei fenomeni sociali, si tende ad eliminare
l’eterogeneità degli individui che fanno parte della società, creando
semplificazioni che allontanano i modelli dalla realtà rendendoli per questo
poco attendibili (molte volte si inserisce l’agente razionale molto lontano da
quelli che in realtà agiscono nella vita quotidiana).
Terna (2002c) indica tre modi per poter creare modelli:
ξ Letterario-descrittivi definiti flessibili ma con il limite di non avere la
possibilità di essere verificati per mezzo della matematica;
ξ Statistico-matematici per mezzo dei quali si possono costruire modelli
semplificati che si allontanano dalla realtà. Risultano molto difficili da
utilizzare in campi come le scienze sociali in cui il grande numero di
variabili e la loro interdipendenza potrebbe portare a soluzioni
indeterminate.
ξ La simulazione al computer (Ostrom, 1988).
Con questa ultima alternativa è possibile incorporare le componenti non lineari
in quanto sono generate dal modello stesso durante l’interazioni degli agenti
che lo popolano.
Negli ultimi anni le simulazioni hanno avuto una maggiore attenzione da parte
dei ricercatori operanti nelle scienze sociali. Il motivo principale è la possibilità
di creare degli agenti artificiali che popolano l’ambiente virtuale ricreando
sistemi complessi.
L’idea alla base è di produrre dei programmi che descrivano gli agenti, e gli
ambienti in cui operano, per poi farli interagire ottenendo modelli che emulano
la realtà.
14
La simulazioni ad agenti
Molto apprezzato è anche il fatto che con queste rappresentazioni è possibile
osservare ciò che potrebbe accadere nel caso in cui venisse modificato lo stato
di partenza del mondo virtuale, il comportamento di alcuni agenti, o singole
variabili alla base del modello.
Un grande vantaggio che questi modelli possiedono è la necessità di utilizzare
il computer: questo permette di superare alcuni limiti umani (per esempio la
memoria e la precisione nei calcoli). La simulazione mette a disposizione un
laboratorio virtuale (Parisi, 1999) per il ricercatore per osservare sistemi che
altrimenti non potrebbero essere rappresentati.
A differenza dei modelli classici, sono necessarie solo alcune semplificazioni
che non pregiudicano e non mettono in dubbio la validità del modello nel
ricreare fenomeni complessi.
Con un simile strumento non si ha più la necessità di scindere le varie
componenti che creano un sistema complesso, avendo la possibilità di
osservare i fenomeni, e la loro dinamica di formazione, nella loro interezza.
Con i modelli tradizionali è possibile definire correttamente i legami che vi
sono tra le diverse parti e tra le parti ed il sistema stesso; tuttavia è
estremamente difficile, se non impossibile, determinare come le parti siano
influenzate dall’ambiente che le circonda e soprattutto come lo stato del
sistema sia modificato dai rapporti che si creano tra gli agenti. Con le
simulazioni ad agenti, questo problema è facilmente aggirato potendo
descrivere attraverso codice informatico tutte le varie parti del sistema in modo
dettagliato, incorporando quindi anche l’influenza che le diverse parti hanno
reciprocamente.
Con il metodo delle simulazioni è poi possibile inserire le diversi parti in modo
graduale in modo da rendere più facile e controllabile la ricerca di errori nel
codice e di conseguenza una verifica costante del funzionamento. Questo è
molto importante perché, non appena il modello sarà ultimato, i risultati che si
otterranno potranno essere “bizzarri” e inattesi per cui sarà difficile stabilire se
sono attendibili o frutto di errori di programmazione.
Le principali critiche che sono state avanzate a questa metodologia sono:
ξ Risultano troppo semplificate rispetto alla realtà. Più volte nella
trattazione si è detto come anche le teoriche classiche presentano vari
gradi di semplificazione. A differenza di altri metodi qui è possibile
contenerle, ma è comunque importante osservare che queste siano
quelle poche necessarie ad una più facile comprensione del fenomeno, e
che allo stesso tempo, non compromettano la validità dei risultati che si
otterranno.
ξ Sembrano non dire nulla di nuovo sul fenomeno che si simula. Questa
obbiezione è facilmente contrastabile vista la flessibilità che ha una
simulazione. Infatti, grazie ai modelli è possibile osservare come i
risultati si modificano apportando variazioni alle variabili iniziali.
Oltretutto attraverso l’osservazione dei risultati è possibile testare la
validità della teoria sottostante al modello.
15
Capitolo 2
ξ Non siamo in grado di simulare un qualcosa di cui non siamo profondi
conoscitori. Anche questa critica è facilmente contrastabile. Lo scopo
delle simulazioni è arrivare ad una migliore conoscenza, altrimenti non
ci sarebbe la necessità di doverla simulare.
ξ La riproduzione con successo di un fenomeno non sempre consente di
facilitarne la comprensione. Questa affermazione è vera nel caso in cui
la simulazione è osservata solo dall’esterno. Non è più così se la si
considera, come detto prima, un laboratorio sperimentale che permette
al ricercatore di verificare cosa comportano determinate scelte di
modifiche da apportare al modello.
Oltre a queste critiche di non grosso spessore vi sono alcuni problemi che
effettivamente delineano alcuni limiti di questa metodologia. Alcuni di questi
problemi sono molto probabilmente dovuti alla scarsa conoscenza del metodo,
per cui ad esempio si rischia, come accennato prima, di cadere in
semplificazioni che escludono aspetti rilevanti al fine della simulazione.
Un altro problema è che si tende a non verificare adeguatamente e in modo
sistematico i risultati empiricamente. Spesso ci si basa sulle intuizioni pur
essendo comunque fondamentale un confronto dettagliato e ampio tra i risultati
delle simulazioni e le evidenze empiriche conosciute.
2.2 LA COSTRUZIONE DI MODELLI DI SIMULAZIONE
AD AGENTI.
Parisi (2001) fornisce una definizione di simulazione ad agenti: è un particolare
tipo di simulazione che cerca di riprodurre fenomeni collettivi facendo
interagire tra di loro un determinato numero di agenti, i quali hanno
determinate regole, ossia reagiscono agli stimoli che ricevono in modo
determinato. Ovviamente una metodologia di questo tipo risulta molto utile
nello studio dei fenomeni sociali. In economia questo tipo di simulazioni
offrono uno strumento flessibile per lo studio dei comportamenti all’interno di
un sistema.
Negli ultimi anni, al fine di rendere più agevole e standard la costruzione dei
modelli di simulazione, si sono sviluppate alcune metodologie e alcuni
strumenti in continua evoluzione. Tra questi Swarm, che consiste in un insieme
di librerie di funzioni, e in protocolli di costruzione dei modelli in modo
standardizzato
6
.
Il dettare regole comuni di costruzioni aiuta a creare modelli che possono
essere modificati anche da chi non è l’inventore, ma da chi ha intenzione di
adattare il modello alle proprie esigenze per lo studio di altri fenomeni o per
integrare quello preesistente.
Swarm come già accennato non è l’unico strumento esistente ma è sicuramente
tra i più diffusi.
6
Si veda il capitolo 4 .
16
La simulazioni ad agenti
Terna (2002c) propone di utilizzare uno schema di costruzione dei modelli che
permette alcune semplificazioni della programmazione. Tale schema è detto
ERA (Enviroment-Rules-Agents
7
) che riporto nella figura sottostante:
L’ambiente all’interno del protocollo di Swarm è il Model, ovvero la parte di
codice che si occupa della creazione degli agenti, e di tutto ciò che è necessario
per poter gestire in modo adeguato la simulazione (gestione anche del tempo).
La seconda colonna individua le varie tipologie degli agenti: questi possono
essere di vario tipo (agenti con mente, che hanno metodi di apprendimento, o
agenti senza mente che operano in modo casuale). La terza colonna rappresenta
la parte di programmazione che gestisce le regole. Prima di operare ogni agente
interroga il proprio gestore (detto RuleMaster) il quale sulla base dei dati che
riceve indica all’agente come comportarsi. L’ultima parte della figura
rappresenta il RuleMaker, ovvero il generatore di regole. Questo è utilizzato
per poter rendere gli agenti più evoluti e capaci di modificare la loro strategia
di azione durante la simulazione.
Gli scenari che si possono sviluppare attraverso modelli simulativi sono
(Terna, 2001):
ξ Agenti “senza mente” operanti in ambiente non strutturato;
ξ Agenti “senza mente” operanti in ambiente strutturato;
ξ Agenti “con mente” operanti in ambiente non strutturato;
ξ Agenti “con mente” operanti in ambiente strutturato;
7
Nel capitolo di programmazione del Book questo schema è adattato al modello di borsa.
17
Capitolo 2
Da quanto appena elencato si può dedurre che, con i modelli ad agenti, è
possibile riprodurre anche simulazioni che possono essere definite
“sofisticate”, in cui vi è la presenza di un ambiente strutturato (ad esempio il
meccanismo di contrattazione della borsa), ed allo stesso tempo agenti con
capacità di scelta, capacità di adattamento ed anche di apprendimento dagli
eventi che sorgono nella simulazione.
Nei prossimi paragrafi presento alcune strutture informatiche che permettono
di fornire una “mente” agli agenti artificiali dandogli un comportamento
adattivo all’interno della simulazione.
2.3 LE RETI NEURALI ARTIFICIALI.
Le reti neurali artificiali nascono dall’osservazione di processi naturali: in
questo caso, quello esaminato, fu il funzionamento del cervello umano
attraverso i neuroni e le sinapsi.
Terna (1995) definisce le reti neurali artificiali come una funzione che produce
un vettore di output da un vettore di input sulla base di un insieme di parametri,
detti pesi, la cui determinazione non si discosta dalle consuete stime statistiche
in ambito multivariato. Di seguito riporto lo schema di un neurone artificiale
che compone la rete neurale:
18
La simulazioni ad agenti
Le reti neurali artificiali maggiormente utilizzate sono quelle con il
meccanismo feedforward in cui l’informazione non ha modo di tornare
indietro. Questo tipo di reti è costituito, in genere, da tre strati:
ξ Nodi di input
ξ Nodi hidden
ξ Nodi di output
Sostanzialmente ogni neurone riceve varie attivazioni che possono essere
derivanti dai nodi precedenti o direttamente dagli input forniti alla rete, nel
caso del primo strato.
Come si può vedere dalla figura precedente, le attivazioni arrivano al neurone
artificiale moltiplicate per dei pesi che inizialmente sono generati casualmente.
All’interno del neurone è calcolata la sommatoria dei prodotti precedentemente
descritti e il risultato è trasformato per mezzo di una funzione signoide.
La funzione più comunemente utilizza è la logistica:
x
e
xf
1
1
)(
Gli input, generalmente, come anche le attivazioni dei neuroni degli altri strati
sono generalmente compresi nell’intervallo 0-1.
Avendo pesi iniziali casuali, la rete deve effettuare in primo luogo un
apprendimento: attraverso un training set, ovvero un insieme di dati
determinati, la rete deve produrre in uscita valori prestabiliti in modo tale che
sia possibile, attraverso un adeguato metodo, modificare i pesi per ridurre al
minimo l’errore che inizialmente è prodotto. Successivamente si passa dalla
fase di verifica attraverso un insieme di dati di controllo detti validation set, e
solo dopo ha senso utilizzarla su dati nuovi.
Lo schema di una rete neurale può essere così rappresentato:
19
Capitolo 2
La determinazione dei pesi appartenenti ad una rete neurale artificiale si basa
sulla minimizzazione dell’errore misurato come differenza tra i valori y di
output ed i valori utilizzati come target dai pattern del training set. Per ogni
caso (pattern), si disporrà di un vettore x di valori in input ed un vettore t di
risultati attesi. L’errore da minimizzare è calcolato mediante una doppia
sommatoria:
2
)(
k
nk
k
yt
ƒ ƒ
dove n va da 1 al numero totale dei pattern e mentre k individua i singoli nodi
di output.
Con questo metodo, quello che si ottiene è uno speciale tipo di elaborazione
delle informazioni che, se associato ad agenti artificiali, gli permettono di
comportarsi in base a ciò che accade nell’ambiente (input). Gli output che
ottengono dalla rete, sono le azioni che l’agente decide di effettuare.
Terna (1995) individua almeno cinque ragioni perché il ricercatore è spinto ad
utilizzare le reti neurali artificiali:
1. consentono di avere una riproduzione semplificata del cervello umano;
2. perché si allontanano dalla precedente visione dell’intelligenza
artificiale basata sulla rappresentazione simbolica e subsimbolica: si
tenga presente che l’intelligenza è per lo più basata su scelte piuttosto
che su simboli;
3. dimostrano una particolare rilevanza matematico-statistica, avendo
come principale caratteristica la capacità di approssimare qualsiasi tipo
di funzione;
4. sono una struttura adatta a lavorare in parallelo, cioè su più macchine;
5. specificità nella costruzione connessionistica, intesa come paradigma di
rappresentazione della coscienza e di determinazione del
comportamento dei singoli agenti o organizzazioni.
Attraverso le reti neurali artificiali è possibile costruire tre distinti modelli: il
primo è fondato su agenti che utilizzano la rete per fare previsioni; un secondo
in cui gli agenti basano le proprie regole comportamentali; l’ultimo tipo
strettamente econometrico e quello di utilizzare la rete come una funzione che
produce un output da un input interpolando i dati per generalizzarli e produrre
previsioni.
20
Ricevi informazioni sui nostri servizi, sulle offerte e non perdere news e consigli su università e lavoro.
