O objetivo desta pesquisa, conforme discutido no Capítulo 1, envolve o estudo do comportamento de mercados de capitais artificiais, através da simulação de preços em um ambiente que reflete a interação de agentes com características distintas. Conforme evidenciado, o uso de modelos de simulação de agentes em estudos na área de economia é relativamente recente, tendo sido viabilizada pelos avanços computacionais.
De acordo com Gilbert (2007), a modelagem baseada em agentes possibilita a criação, a análise e a experimentação de modelos em que agentes interagem em um ambiente cujas condições são controladas e reproduzíveis. Deve-se destacar que essas características da ABM são extremamente úteis para o estudo de fenômenos, pois possibilita a repetição de experimentos sob condições semelhantes.
Considerando pesquisas sobre mercado de capitais, avaliações empíricas dificilmente conseguem controlar condições de mercado e, mais ainda, propiciam apenas uma realização de todo o processo de preços entre um instante inicial e um instante final. Neste contexto, a modelagem através de simulação permite a geração de diversas realizações de processos de preço, sob as mesmas premissas.
105
A ABM permite ainda que sejam associados comportamentos distintos a cada agente buscando-se características gerais emergentes (Gilbert e Terna, 2000), provenientes da interação entre os indivíduos. No contexto da modelagem baseada em agentes, esta pesquisa estabelece um mercado de capitais artificial no qual agentes com diferentes comportamentos podem interagir e alterar o equilíbrio de preços de ativos. Nesta pesquisa, considerações sobre a ABM, incluindo sua aplicabilidade e limitações, são evidenciadas no Capítulo 2.
A despeito de a moderna teoria de finanças estabelecer, dentro da hipótese de mercados eficientes, que o preço deve refletir de forma instantânea toda a informação relevante sobre um ativo, eventualmente a influência de comportamentos dos agentes pode ser relevante o suficiente para causar distorções de preços, também denominadas de anomalias.
No Capítulo 3, a partir de um modelo simplista, investigou-se inicialmente o equilíbrio de preços em um mercado composto por agentes homogêneos, sem assimetria de informação. Neste modelo, todos os agentes atribuem a mesma distribuição de probabilidades aos dividendos futuros. Mais ainda, a distribuição de probabilidades estabelecidas pelos agentes é igual à distribuição de probabilidades dos dividendos intrínsecos do ativo. Dentro das premissas do modelo, os resultados sugerem que, em um mercado com muitos participantes, o preço do ativo tende a acompanhar, com baixa volatilidade, a tendência dada pela média de dividendos intrínsecos.
Posteriormente, no Capítulo 4, estudou-se um modelo que explora uma assimetria informacional simples. Todos os agentes são homogêneos com relação à distribuição de probabilidades dos dividendos projetados. Porém, suas projeções de dividendos baseiam-se em distribuições que são diferentes da distribuição intrínseca dos dividendos. Ou seja, a informação verdadeira sobre a distribuição de dividendos não é conhecida pelos agentes. Considerando o mecanismo de
106
equilíbrio proposto no modelo, dentro deste contexto de assimetria de informação, o preço de mercado do ativo distancia-se do preço justo. Assim, o preço de mercado fica sujeito unicamente às expectativas homogêneas dos agentes.
Uma evolução natural dos modelos anteriores envolve o relaxamento da premissa de homogeneidade dos agentes. Agentes heterogêneos foram investigados inicialmente no Capítulo 5. Assim, nesta pesquisa foram estudados também modelos em que agentes têm características distintas perante as distribuições de dividendos projetados. No capítulo, confrontam-se situações em que agentes são otimistas ou pessimistas e situações em que agentes têm excesso ou apresentam falta de confiança em suas estimativas sobre dividendos. Novamente, os resultados apontam para a relevância dos valores médios dos dividendos esperados pelos agentes.
No Capítulo 6, foram mantidas as suposições de assimetria de informação e heterogeneidade de agentes. Entretanto, o processo de geração de dividendos foi alterado. Ao invés de os dividendos serem gerados a partir de uma distribuição normal e de forma independente ao longo do tempo, neste capítulo, os dividendos foram gerados a partir de um processo auto-regressivo de reversão à média conforme apresentado por Ehrenthreich (2007). Os resultados mostram que a influência dos agentes é significativa, alterando, inclusive o sinal da auto- correlação de retornos defasados por um período. Enquanto o preço justo corrigido pelos dividendos intrínsecos implica auto-correlação negativa entre retornos de períodos consecutivos, o preço de mercado, decorrente da interação dos agentes, conduz a uma auto-correlação positiva. Ou seja, o impacto da interação dos agentes pode ser relevante o suficiente para alterar características de auto-correlação de retornos.
Voltando o foco no perfil dos agentes, o Capítulo 7 investigou o comportamento de preços em um mercado no qual agentes observadores de notícia atuam. Este
107
modelo, seguindo Hong e Stein (1999), estabelece que diferentes grupos de agentes possuem a mesma quantidade de informação, porém parcelas diferentes da informação. A difusão gradual de informação causa uma sub-reação. Essa sub- reação, no entanto, não pode ser explorada para obtenção de retornos extraordinários, devido à ausência de agentes que operam baseando-se em tendências passadas de preço.
Finalmente, o Capítulo 8 incorporou, no modelo anterior, agentes operadores de momento. Estes agentes estabelecem estratégias de negociação considerando o comportamento passado dos retornos. Assim, os agentes de momento teoricamente poderiam explorar a sub-reação gerada pela difusão gradual da informação entre os agentes observadores de notícias. Porém, a atuação dos agentes de momento causa uma sobre-reação que inviabiliza estratégias baseadas em preços passados.
De fato, os resultados da simulação mostram que, na média, as gerações de operadores de momento não obtêm retornos significativamente diferentes de zero. Assim, a modelagem baseada em agentes possibilitou para o caso do modelo de Hong e Stein (1999) identificar uma situação em que (i) o mercado não é eficiente, (ii) há sub-reação de preços, mas que, no entanto, (iii) não possibilita ganhos extraordinários para nenhum dos agentes.
A modelagem baseada em agentes permite a identificação de fenômenos interessantes que podem auxiliar o desenvolvimento da teoria de finanças. Entretanto, limitações da pesquisa também devem ser evidenciadas. Por exemplo, a simplificação demasiada dos modelos pode não ser adequada para investigar fenômenos complexos como é o caso do equilíbrio de preços de ativos. Porém, justifica-se o uso da ABM, pois mesmo modelos simplistas possibilitaram uma discussão rica. Adicionalmente, resultados de simulações, a partir de premissas simples, assemelham-se com comportamentos de preços reais de ativos.
108
Outra limitação do estudo envolve a análise fundamentada primordialmente em evolução de preços, retornos médios, desvios-padrões e auto-correlações. Estudos futuros devem contemplar outros tipos de análises, principalmente aquelas voltadas para investigar eventuais relações complexas entre variáveis de interesse. Por exemplo, no Capítulo 6, algumas avaliações de estática comparada não conduziram a relações evidentes entre variáveis. Assim, como sugestão para estudos futuros, modelos não-lineares podem ser considerados.
Finalmente, pesquisas futuras podem enfatizar testes de hipótese de sub e sobre- reação, para evidenciar os comportamentos anômalos de preços. Mais ainda, testes estatísticos podem ser mais desenvolvidos empreendidos para identificar estratégias de negociação que explorem a ineficiência do mercado e conduzam a ganhos extraordinários.
109
Referências bibliográficas
ARTHUR, W. B.; HOLLAND, J. H.; LE BARON, B.; PALMER, R.; TAYLER, P. Asset pricing under endogeneous expectations in an artificial stock market. In Arthur, W. B.; Durlauf, S. N.; Lane, D. (Eds.). The economy as an evolving complex system II. Reading: Addison-Wesley, Reading, MA: 15–44, 1997. AXELROD, R. The complexity of cooperation: agent-based models of competition
and collaboration. Princeton: Princeton University Press, 1997.
AXELROD, R. The evolution of cooperation: revised edition. Basic Books, 2006. AXELROD, R.; TESFATSION, L. A guide for newcomers to agent-based modeling
in the social sciences. in Tesfatsion, L.; Judd, K. L. (Eds.). Handbook of computational economics, vol. 2: agent-based computational economics. Handbooks in Economics Series, Amsterdam: Elsevier/North-Holland, 2006. BLACK, F. Noise. Journal of Finance, 61(3): 529-543, 1986.
BRATLEY, P.; FOX, B. L.; SCHRAGE, L. E. A guide to simulation. New York: Springer-Verlag, 1987.
BUCHANAN, M. Meltdown modeling. Could agent-based computer models prevent another financial crisis? Nature, 460(6): 680-682, 2009.
CALDWELL, S. B. CORSIM 3.0 User and technical documentation. New York: Cornell University, 1997.
CYERT, R.; MARCH, J. Behavioral theory of the firm. Oxford: Blackwell, 1963. DE BONDT, W. F. M.; THALER, R. Does the stock market overreact? Journal of
Finance, 40(3): 793-805, 1985.
DE LONG, J. B.; SHLEIFER, A.; SUMMERS, L. H.; WALDMANN, R. J. Noise trader risk in financial markets. Journal of Political Economy, 98(4): 703-738, 1990.
EHRENTREICH, N. Agent-based modeling. The Santa Fe Institute Artificial Stock Market Model Revisited. Springer, 2007.
110
FAMA, E. Efficient capital markets: a review of theory and empirical work. Journal of Finance, 25(2): 383–417, 1970.
GILBERT, N. Agent-based Models. Quantitative Applications in the Social Sciences. Sage, 2007.
GILBERT, N.; TROITZSCH, K. G. Simulation for the social scientist. London: Open University Press, 1999.
GILBERT N.; TERNA, P. How to build and use agent-based models in social science. Mind & Society, 1(1): 57-72, 2000.
GROSSMAN, S.; STIGLITZ, J. E. On the impossibility of informationally efficient markets. American Economic Review, 70(3): 393-408, 1980.
HOLLAND, J. H. Hidden order: how adaptation builds complexity. Perseus Books, 1995.
HONG, H.; STEIN, J. C. A unified theory of underreaction, momentum trading and overreaction in asset markets. Journal of Finance, 54(6): 2143-2184, 1999. JEGADEESH, N.; TITMAN, S. Profitability of momentum strategies: an evaluation
of alternative explanations. Journal of Finance, 56: 699-720, 2001.
JENSEN, M. C. Some anomalous evidence regarding market efficiency. Journal of Financial Economics, 6(2-3): 95-101, 1978.
JI, X. Is it under or over-reaction? An empirical investigation. Asia-Pacific Journal of Financial Studies, 37(2): 185-216, 2008.
KAHNEMAN, D.; TVERSKY, A. Prospect theory: an analysis of decision under risk. Econometrica, 43: 313-327, 1979.
KAUFFMAN, S. At home in the universe: the search for the laws of self- organization and complexity. Oxford University Press, 1996.
KENT, D.; HIRSHLEIFER, D.; SUBRAHMANYAM, A. A theory of overconfidence, self-attribution, and security market under-and overreactions. Journal of Finance 53: 1839-1886, 1998.
LE BARON, B. Agent-based computational finance: suggested readings and early research. Journal of Economics Dynamics and Control, 24: 679-702.
111
LE BARON, B. Evolution and time horizons in an agent based stock market. Macroeconomics Dynamics, 5: 225-254.
MACY, M. Social simulation. In Smelser, P.; Baltes, P. (Eds.). International encyclopaedia of the social and behavioural sciences, Amsterdam: Elsevier, 2002
MACY, M. W.; WILLER, R. From factors to actors: computational sociology and agent-based modeling. Annual Review of Sociology. 28:143-166, 2002.
MERTON, R. C. An intertemporal capital asset pricing model. Econometrica, 41: 867-887, 1973.
LE BARON, B.; ARTHUR, W. B.; PALMER, R. Time series properties of an artificial stock market. Journal of Economic Dynamics and Control, 23(9-10): 1487-1516, 1999.
LEWELLEN.W.G.; LEASE, R. C.; SCHLARBAUM, G. G. The individual investor: attributes and attitudes. Journal of Finance, 29(2): 413-438, 1974.
LINTNER, J. The valuation of risk assets and the selection of risky investments iin stock portfolios and capital budgets. Review of Economics and Statistics, 47: 13-37, 1965.
PALMER, R. G.; ARTHUR, W. B.; LE BARON, B.; TAYLER, P. Artificial economic life: a simple model of a stockmarket. Physica D, 75: 264-274, 1994.
ROSS, S, A. The arbitrage theory of capital asset pricing. Journal of Economic Theory, 13: 341-360, 1976.
SHARPE, W. F. Capital asset prices: a theory of market equilibrium under conditions of risk. Journal of Finance, 19: 425-442, 1964.
SHEFRIN, H. Beyond greed and fear: understanding behavioral finance and the psychology of investing. Cambridge: Harvard Business Press, 1999.
SHILLER, R. J. Irrational exuberance. Broadway Books. New York, 2000.
SHLEIFER, A. Inefficient markets: an introduction to behavioral finance. New York: Oxford University Press, 2000.
112
SIMON, H. A behavioral model of rational choice. In Models of man, social and rational: mathematical essays on rational human behavior in a social setting. New York: Wiley, 1957.
SQUAZZONI, F. The impact of agent-based models in the social sciences after 15 years of incursions. History of Economic Ideas. 18: 197-233, 2010.
TESFATSION, L. Agent-based computational economics: modeling economies as complex adaptive systems. Informatics and Computer Science: an International Journal, 149(4): 263-269, 2003.
TESFATSION, L. Agent-based computational economics: a constructive approach to economic theory. In Tesfatsion, L.; Judd, K. L. (Eds.). Handbook of Computational Economics, vol 2, Agent-based computational economics: 831- 880, 2006.
TROITZSCH, K. G. Social science simulation: origins, prospects, purposes. In Conte, R.; Hegselmann, R.; Terna, P. (Eds.). Simulating social phenomena. Berlin, Springer: 41-54, 1997.
TROITZSCH, K. G. Multi-agent systems and simulation: a survey from an application perspective. In: Uhrmacher, A.; Weyns, D. (Eds.). Agents, simulation and applications. London: Taylor and Francis: 53-75, 2009.
ZEIGLER, B. Theory of modeling and simulation. New York: Wiley Interscience, 1976.