Modelov an ı soci aln ıch a ekonomick ych syst em u Radek Pel anek

Podobné dokumenty
Základy Jednoduché modely Příklady modelů. Modelování epidemií. Radek Pelánek

Modelování: obecné principy. Radek Pelánek

Modelování a simulace Lukáš Otte

Metody analýzy modelů. Radek Pelánek

NetLogo a modelování decentralizovaných

Pravděpodobnost, náhoda, kostky

Teorie regionálního rozvoje. Neoklasické teorie

Lze vydělat na burze?

Modelování a simulace: o předmětu. Radek Pelánek

Otázky ke státní závěrečné zkoušce

Metodický list - Finanční deriváty

Modelování a simulace: o předmětu. Radek Pelánek

Příručka k měsíčním zprávám ING fondů

Modelov an ı biologick ych syst em u Radek Pel anek

Pravděpodobnost, náhoda, kostky

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy

Manažerská ekonomika KM IT

Použití technik UI v algoritmickém obchodování III

Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group

4EK201 Matematické modelování. 11. Ekonometrie

aneb jiný úhel pohledu na prvák

Příručka k měsíčním zprávám ING fondů

Exponenciální modely hromadné obsluhy

Úvodem Dříve les než stromy 3 Operace s maticemi

1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,

PRAVDĚPODOBNOST A STATISTIKA 1 Metodický list č 1.

Měření závislosti statistických dat

dokumentu: Proceedings of 27th International Conference Mathematical Methods in

Web based dynamic modeling by means of PHP and JavaScript part III

Fyzikální korespondenční seminář MFF UK

MATEMATICKÝ SEMINÁŘ (volitelný a nepovinný předmět)

WEB BASED DYNAMIC MODELING BY MEANS OF PHP AND JAVASCRIPT

Moderní systémy pro získávání znalostí z informací a dat

Modelování založené na agentech a decentralizované myšlení

Vzdělávací oblast: Matematika a její aplikace Vyučovací předmět: Matematika. Ročník: Průřezová témata. Poznám ky. Výstup

analýzy dat v oboru Matematická biologie

Cvičení z matematiky jednoletý volitelný předmět

AVDAT Klasický lineární model, metoda nejmenších

Cvičení z matematiky - volitelný předmět

Použití technik UI v algoritmickém obchodování II

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

Úvod Teorie Studium CA Aplikace Souvislosti. Radek Pelánek

Základy ekonometrie. XI. Vektorové autoregresní modely. Základy ekonometrie (ZAEK) XI. VAR modely Podzim / 28

4EK311 Operační výzkum. 1. Úvod do operačního výzkumu

Charakteristika vzdělávacího oboru Seminář z matematiky

Vypracovat přehled paralelních kinematických struktur. Vytvořit model a provést analýzu zvolené PKS

You created this PDF from an application that is not licensed to print to novapdf printer (

Vyučovací hodiny mohou probíhat v multimediální učebně a odborných učebnách s využitím interaktivní tabule.

Matematika a její aplikace Matematika 1. období 3. ročník

Fakt. Každou soustavu n lineárních ODR řádů n i lze eliminací převést ekvivalentně na jednu lineární ODR

Učení, vývoj, adaptace. Radek Pelánek

Matematika PRŮŘEZOVÁ TÉMATA

Behaviorální finance. Ing. Michal Stupavský, CFAs. Při investování je největším nepřítelem vaše mysl.

Inferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů

Matematika. 7. ročník. Číslo a proměnná celá čísla. absolutní hodnota čísla. zlomky. racionální čísla

Matematické modelování a systémová dynamika

Aplikace teoretických postupů pro ocenění rizika při upisování pojistných smluv v oblasti velkých rizik

Simulační modely. Kdy použít simulaci?

ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK

1. Přednáška. Ing. Miroslav Šulai, MBA

UČENÍ BEZ UČITELE. Václav Hlaváč

DIPLOMOVÁ PRÁCE Nelineární řízení magnetického ložiska

Úvod do analýzy cenných papírů. Dagmar Linnertová 5. Října 2009

Matematika-průřezová témata 6. ročník

Kapacita jako náhodná veličina a její měření. Ing. Igor Mikolášek, Ing. Martin Bambušek Centrum dopravního výzkumu, v. v. i.

Rozhodovací procesy v ŽP HRY A SIMULAČNÍ MODELY

Matematika a její aplikace Cvičení z matematiky

Reálné gymnázium a základní škola města Prostějova Školní vzdělávací program pro ZV Ruku v ruce

Maturitní témata z matematiky

České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská OKRUHY. ke státním závěrečným zkouškám BAKALÁŘSKÉ STUDIUM

Úvod Teorie Studium CA Aplikace Souvislosti. Radek Pelánek

Inovace studia obecné jazykovědy a teorie komunikace ve spolupráci s přírodními vědami

Simulace socio-dynamických a socioekonomických

OBSAH. Poděkování Úvod...15 I. ČÁST: TEORIE ŽIVOTNÍ SITUACE. 1. Společenský kontext sociální práce Postmodernita v životní situaci...

Umělá inteligence a rozpoznávání

Metody a nástroje modelování Generation Adequacy. David Hrycej, CIIRC ČVUT

Inovace studia obecné jazykovědy a teorie komunikace ve spolupráci s přírodními vědami. reg. č.: CZ.1.07/2.2.00/

přesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod

Projekt IMPLEMENTACE ŠVP. pořadí početních operací, dělitelnost, společný dělitel a násobek, základní početní operace

Systém rizikové analýzy při sta4ckém návrhu podzemního díla. Jan Pruška

Numerické modelování interakce proudění a pružného tělesa v lidském vokálním traktu

AKCIÍ COLOSSEUM, A.S. RYZE ČESKÁ SPOLEČNOST JIŽ 17 LET NA TRHU BROKER ROKU 2014, 2013, 2012, 2011 BEST FUTURES BROKER 2015

Hledání kořenů rovnic jedné reálné proměnné metoda půlení intervalů Michal Čihák 23. října 2012

Regulační diagramy (RD)

Asociační i jiná. Pravidla. (Ch )

Přednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy

Newtonova metoda. 23. října 2012

NESTABILITY VYBRANÝCH SYSTÉMŮ. Úvod. Vzpěr prutu. Petr Frantík 1

Psychometrie on-line

Cvičení z matematiky - volitelný předmět

Vybrané poznámky k řízení rizik v bankách

Finanční management. Nejefektivnější portfolio (leží na hranici) dle Markowitze: Polemika o významu dividendové politiky

VYUŽITÍ SIMULACE PŘI MODELOVÁNÍ PROVOZU NA SVÁŽNÉM PAHRBKU SEŘAĎOVACÍ STANICE

ZLOMKY. Standardy: M CELÁ A RACIONÁLNÍ ČÍSLA. Záporná celá čísla Racionální čísla Absolutní hodnota Početní operace s racionálními čísly

Organizační chování. Rozvoj poznání v organizačním chování

Emergence chování robotických agentů: neuroevoluce

Odhad změny rotace Země při změně poloměru

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík

Znalostní technologie proč a jak?

Správy cache. Martin Žádník. Vysoké učení technické v Brně, Fakulta informačních technologií v Brně Božetěchova 2, Brno

Transkript:

Modelování sociálních a ekonomických systémů Radek Pelánek

Generativní sociální věda sociální vědy: pozorování chování sociálních systémů a snaha vysvětlit toto chování problém s experimenty a falsifikací teoríı jak se pozná dobré vysvětlení? Epstein: pokud to neumíš vypěstovat, pak to neumíš vysvětlit J. M. Epstein: Generative Social Science

Archeologie a modelování nemožné dělat experimenty většinou jen hypotézy ABM možnost přehrát si minulost

Anasazi: Historie kultura v Severní Americe (Pueblo), Arizona, údoĺı Long House Valley (96 km 2 ) hlavní rozkvět 800-1300 po roce 1300 údoĺı opuštěno velmi dobrá data dostupná (klimatické podmínky, úrodnost, osídlení,...)

Anasazi: U dolı Long House Valley

Anasazi: Proxy data

Anasazi: Rekonstruovaná data

Artificial Anasazi Population growth and collapse in a multiagent model of the Kayenta Anasazi in Long House Valley simulace kultury Anasazi cíle: hledání odpovědí na otázky: proč údoĺı opuštěno? enviromentální vlivy nebo i něco jiného? zachytit hypotézy o chování modelem a porovnat s daty

Základní pravidla agenti = usedlosti, pravidla: pěstování a konzumace jídla stěhování, při stěhování se zohledňuje úrodnost půdy dostupnost vody obsazenost rozdělení usedlosti (sňatek) rozšíření: agenti = jednotlivci, větší heterogenita

Realita a simulace

Výsledky

Model povstání Modeling civil violence: An agent-based computational approach NetLogo: Social Science / Rebellion ABM model decentralizované povstání (rebellion) proti centrální autoritě modeluje dynamiku, nikoliv podstatu povstání

Parametry vnější parametry (jejich dynamiku nemodelujeme) H (hardship) útrapy (individuální pro každého agenta) L (legitimacy) legitimita režimu (globální) G (grievance) rozhořčení, G = H(1 L) R (risk aversion) obava riskovat (individuální pro každého agenta)

Agenti: občané omezený rozhled náhodný pohyb v rámci rozhledu rozhodnutí zda být aktivním rebelem: počet policistů ve výhledu C počet aktivních rebelujících ve výhledu A odhad pravděpodobnosti zatčení: P = 1 exp( k(c/a)) budu aktivní pokud G PR > T, kde T je fixní mez

Agenti: policisté pokud ve výhledu aktivní rebel do vězení jinak náhodný pohyb policisté se nikdy nevzbouří vězení: náhodně zvolená délka pobytu ve věznění z určitého intervalu

Simulace dvě paralelní zobrazení: aktuální stav agentů: aktivní X poklidní aktuální nálada agentů: rozhořčení

Počet aktivních demonstrantů v čase

Čas mezi dvěma nepokoji

Napětí a aktivita

Změna vnímání legitimity režimu experiment: změna parametru za běhu

Změna počtu policistů

Etnické násiĺı variace předchozího modelu dvě skupiny obyvatel pozitivní zpětná vazba: zabíjení vede k zabíjení motivace modelu: genocida Rwanda, role mírových sil

Komentáře relativně jednoduchý model, zajímavá dynamika pozitivní zpětná vazba čím víc rebelů, tím spíš se ostatní přidají negativní zpětná vazba vězení výsledky analýz: grafy, konkrétní závislosti a závěry (nejen barevné obrázky)

Modelování v ekonomii (neo)klasická ekonomie (hlavní proud), zjednodušeně: předpoklad racionálního chování chování agentů vyjádřeno pomocí funkce užitečnosti matematické modely analytické řešení modelů hledání ekvilibria soustavy rovnic agent-based computational economics omezená racionalita, heterogenita,... výpočetní metody, ABM modely

Příklad modelu trhu Asset Pricing Under Endogenous Expectations in an Artificial Stock Market model trhu: srovnání klasický model vs. ABM model podobný základní princip modelování jako El Farol Bar

Jednoduchý model trhu zaručený vklad (risk free asset) - vynáší pevný zisk r% (úroková míra) akcie (jeden druh) cena p t vynáší dividendy d t - vnější veličina, náhodně se mění

Agenti na trhu agenti mají k dispozici informace o trhu (minulý vývoj) na základě toho odhadují budoucí vývoj dividend podle odhadu se rozhodují, kolik akcíı v každém kole koupit/prodat (zbytek jde do vkladu)

Racionální agenti Racionální agenti předpoklady: jsou homogenní všichni mají stejná očekávání o budoucím vývoji jsou plně racionální znají přesný mechanismus určování ceny ví vše výše uvedené (připomenutí: hádanka piráti)

Racionální agenti analytické řešení analytické řešení = vypočítat rovnice popisující chování agentů trh je v rovnováze cena akcíı kopíruje vnější vývoj dividend objem obchodování je minimální, nedochází ke spekulacím, bublinám, krachům,...

Artificial stock market pokus o uvolnění předpokladů na racionalitu, homegenitu snaha o realističtější model včetně spekulací, bublin,... nahrazení deduktivního uvažování (perfektní racionalita) induktivním uvažováním (učení se ze zkušeností) artificial stock market - prostředí pro simulaci heterogenních, adaptabilních, induktivně uvažujících virtuálních agentů

Adaptabilní agenti model agenta = variace na classifier system odhad vývoje dividend: podmínka odhad podmínka: 12 bitů, dva typy informací fundamentální : je hodnota dividend větší než cena akcí úroková míra? technické : je aktuální cena vyšší než průměr za posledních 10 kol? odhad: lineární kombinace ceny akcíı a hodnoty dividend k odhadu se využívá několik nejúspěšnějších pravidel, jejichž podmínka odpovídá aktuální situaci

Adaptabilní agenti učení 1 úprava odhadu na základě zkušeností po každém kole se upraví pravidla a jejich úspěšnost 2 výměna pravidel zrušení málo úspěšných, vygenerování nových (genetický algoritmus)

Simulace Simulace trhu ukazuje dva režimy fungování: pomalé učení (malá frekvence výměny pravidel): chování směřuje k rovnováze, odpovídá teoretickému deduktivnímu řešení rychlé učení (velká frekvence výměny pravidel): dynamické komplexní chování včetně spekulací

Využití technických informací

Shrnutí modelování sociálních, ekonomických systémů široká škála uplatnění velmi abstraktní modely ilustrující základní principy modely reprodukující konkrétní data, testování hypotéz předpovídání, podklady pro konkrétní rozhodnutí dříve matematické modely, nyní často modely s agenty