29. 模拟推演：基于多智能体的市场价格均衡仿真
说实话，经济学课本里讲供需均衡，画两条线一交叉就完事了。但真实市场哪有这么简单？
我做了十几年市场分析，最深的体会就是：市场不是一条线，而是成千上万个活生生的人在博弈。每个人都有自己的小算盘，有人追涨，有人杀跌，有人死扛。这些个体行为叠加起来，才构成了我们看到的“价格均衡”。
今天我们就来亲手搭一个多智能体仿真系统，看看价格到底是怎么“蹦”出来的。
29.1 为什么需要多智能体仿真？
传统经济学有个假设叫“理性人”——每个人都掌握全部信息，都能做出最优决策。你想想看，这现实吗？
我在2015年股灾时做过一个复盘，发现很多散户根本不是理性决策，而是看到隔壁老王卖了，自己也跟着卖。这种“羊群效应”在传统模型里根本体现不出来。
多智能体仿真（Multi-Agent Simulation）说白了就是：
- 创建一群“虚拟交易员”
- 每个交易员有自己的策略、资金、风险偏好
- 让他们在虚拟市场里互相交易
- 观察价格怎么变化
核心思想：宏观现象（价格均衡）是由微观行为（个体交易）涌现出来的。你不需要设计价格，只需要设计交易员的行为规则。
29.2 系统架构设计
我个人习惯把这类仿真拆成三层：
- 智能体层：每个交易员的属性、策略、状态
- 市场层：撮合引擎、订单簿、价格计算
- 环境层：外部冲击、新闻事件、政策变化
下面这张图是我自己项目里常用的结构，你一看就明白：
29.3 核心代码实现
嗯，这里要注意，代码不是越复杂越好。我刚开始做仿真时，总想搞个超级复杂的模型，结果跑起来慢得要死，还看不出规律。
后来我学乖了——先搭一个最简单的版本，跑通了再慢慢加功能。
29.3.1 智能体基类
class Agent:
def __init__(self, agent_id, cash, holdings, strategy):
self.id = agent_id
self.cash = cash # 可用资金
self.holdings = holdings # 持仓数量
self.strategy = strategy # 策略类型
self.history = [] # 交易记录
def decide(self, price, market_info):
"""根据策略决定买卖"""
if self.strategy == 'value':
return self._value_strategy(price)
elif self.strategy == 'trend':
return self._trend_strategy(price, market_info)
else:
return self._noise_strategy()
def _value_strategy(self, price):
# 假设内在价值为100
intrinsic_value = 100
if price < intrinsic_value * 0.9:
return ('buy', 10) # 买入10股
elif price > intrinsic_value * 1.1:
return ('sell', 10) # 卖出10股
else:
return ('hold', 0)29.3.2 市场撮合引擎
class Market:
def __init__(self, initial_price):
self.price = initial_price
self.buy_orders = [] # 买单队列
self.sell_orders = [] # 卖单队列
self.trade_log = []
def submit_order(self, agent_id, order_type, quantity, price):
"""提交订单"""
if order_type == 'buy':
self.buy_orders.append((price, quantity, agent_id))
self.buy_orders.sort(reverse=True) # 价格高优先
else:
self.sell_orders.append((price, quantity, agent_id))
self.sell_orders.sort() # 价格低优先
def match_orders(self):
"""撮合买卖订单"""
while self.buy_orders and self.sell_orders:
best_buy = self.buy_orders[0]
best_sell = self.sell_orders[0]
if best_buy[0] >= best_sell[0]:
# 成交！价格取中间价
trade_price = (best_buy[0] + best_sell[0]) / 2
trade_qty = min(best_buy[1], best_sell[1])
self.trade_log.append({
'price': trade_price,
'quantity': trade_qty,
'buyer': best_buy[2],
'seller': best_sell[2]
})
# 更新订单队列
self._update_orders(trade_qty)
self.price = trade_price # 更新市场价格
else:
break避坑指南：我曾经在撮合逻辑上栽过跟头——没有处理“部分成交”的情况。比如买单要买100股，但卖单只有50股，剩下的50股应该留在队列里继续等。这个细节不处理好，仿真结果会严重失真。
29.4 仿真运行与结果分析
搭好框架后，我们来跑一个完整的仿真。我一般会设置100个智能体，跑1000个时间步。
def run_simulation():
# 初始化
agents = []
for i in range(100):
strategy = random.choice(['value', 'trend', 'noise'])
agents.append(Agent(i, cash=10000, holdings=100, strategy=strategy))
market = Market(initial_price=100)
price_history = []
# 主循环
for step in range(1000):
# 每个智能体做决策
for agent in agents:
action, qty = agent.decide(market.price, market)
if action == 'buy' and agent.cash >= market.price * qty:
market.submit_order(agent.id, 'buy', qty, market.price * 1.02)
elif action == 'sell' and agent.holdings >= qty:
market.submit_order(agent.id, 'sell', qty, market.price * 0.98)
# 撮合交易
market.match_orders()
price_history.append(market.price)
return price_history29.5 关键发现
跑了几十次仿真后，我总结出几个有意思的规律：
| 智能体构成 | 价格行为特征 | 均衡稳定性 |
|---|---|---|
| 全是价值投资者 | 价格围绕内在价值小幅波动 | 非常稳定 |
| 价值+趋势各半 | 出现周期性超调和回调 | 中等稳定 |
| 趋势交易者占多数 | 价格剧烈波动，容易形成泡沫 | 不稳定 |
| 加入噪声交易者 | 价格出现随机游走特征 | 取决于占比 |
注意：这个仿真模型虽然简单，但它揭示了一个重要道理——市场价格均衡不是“设计”出来的，而是“涌现”出来的。你没法直接控制价格，但你可以通过调整交易规则、信息披露方式等，间接影响均衡结果。
我在2018年帮一家交易所做流动性优化时，就用类似的仿真模型测试了不同的交易费率和最小报价单位对市场深度的影响。结果发现，把最小报价单位从0.01降到0.001，市场深度反而下降了——因为太多人挂单抢跑，反而没人愿意提供真正的流动性。
29.6 扩展方向
如果你想把这套仿真做得更贴近真实市场，可以考虑：
- 引入学习机制：让智能体通过强化学习不断优化策略
- 加入网络结构：智能体之间可以互相观察、模仿（羊群效应）
- 多资产联动：同时仿真股票、债券、商品等多个市场
- 真实数据回测：用历史数据初始化智能体的策略参数
我个人觉得，多智能体仿真最有魅力的地方在于——你永远不知道系统会涌现出什么行为。有时候你只是改了一个参数，整个市场就“疯”了。这种不确定性，恰恰是真实市场的灵魂所在。
一句话总结：市场价格均衡不是数学公式算出来的，是千千万万个“不完美”的个体，在有限信息下互相博弈的结果。仿真，就是让我们在安全的环境里，观察这种博弈如何展开。