Esta es la línea de meta de Modelos basados en agentes y simulación de mercados. Empezaste preguntándote por qué construirías un mercado de abajo arriba a partir de agentes que interactúan en lugar de aprender un generador de precios de arriba abajo, y viste que un ABM hace que el comportamiento macro emerja como un resultado en lugar de incorporarlo como una suposición. A partir de ahí conociste la base de inteligencia cero — la prueba de que la institución de negociación, y no el cerebro de los agentes, hace la mayor parte del trabajo — luego poblaste el zoo de agentes con creadores de mercado, perseguidores de tendencias (momentum), operadores de valor y operadores de ruido, y observaste cómo su interacción fabricaba agrupamiento de volatilidad y colas gruesas. Aprendiste que calibrar estos modelos significa luchar contra una verosimilitud intratable con métodos basados en simulación, que la calibración nunca es validación, y que la verdadera recompensa son los contrafactuales: preguntas sobre mercados que nunca existieron. Este examen es calificado e irreversible. No hay pistas, cada respuesta se bloquea en el momento en que la envías, y tu puntuación permanece oculta hasta el final. Lee cada opción con atención antes de comprometerte.
Repaso del curso
Big picture
El recorrido de la simulación de mercados basada en agentes
- ABM y simulación de mercados
- Por qué construir desde agentes
- De abajo arriba, no de arriba abajo
- El comportamiento macro emerge
- La interacción es el motor
- Lento y con muchos parámetros
- Agentes de inteligencia cero
- Cotizaciones aleatorias y aun así eficiente
- La estructura por encima de la inteligencia
- ZI-C respeta el presupuesto
- La base a superar
- El zoo de agentes
- Los creadores de mercado estabilizan
- El momentum desestabiliza
- Los operadores de valor revierten a la media
- Santa Fe y ABIDES
- Hechos estilizados emergentes
- Agrupamiento por retroalimentación
- Colas gruesas por comportamiento gregario
- Sin interacción es gaussiano
- Producir, no reproducir
- Calibrar un ABM
- La verosimilitud es intratable
- Método de momentos simulados
- ABC y emuladores
- La identificabilidad es difícil
- Validar con honestidad
- Calibrar no es validar
- Hechos fuera de muestra
- Análisis de sensibilidad
- El impuesto del sobreajuste
- La recompensa contrafactual
- Reejecutar con reglas nuevas
- Pruebas de estrés de desplome relámpago
- Campo de entrenamiento reactivo
- Maneja el impacto en el mercado
- Por qué construir desde agentes
Una ejecución, un único intento
Este es el examen final calificado e irreversible. Hay 34 preguntas, mostradas de una en una. Enviar una respuesta bloquea esa pregunta para siempre — no hay botón Atrás, ni reintento, ni reinicio. Una respuesta incorrecta simplemente falla esa pregunta y el examen avanza. Tu puntuación acumulada permanece oculta hasta la pantalla final, y la nota de aprobado es el 70%. Algunas preguntas aceptan más de una opción correcta y así lo indican en el enunciado, así que lee todas las opciones antes de enviar.
¿Cuál es el rasgo definitorio de un modelo basado en agentes (ABM) de un mercado, frente a un modelo generativo de arriba abajo?
Selecciona una respuesta para continuar.
Ideas clave
Ahora puedes construir un mercado, no solo describirlo
Terminar este examen significa que puedes razonar sobre los mercados desde los agentes hacia arriba: sabes por qué la interacción — no la inteligencia — es el motor, por qué la base de inteligencia cero es el listón a superar, cómo una población bien elegida de creadores de mercado, seguidores de tendencia y operadores de valor fabrica el agrupamiento y las colas gruesas, y por qué producir esos hechos es necesario pero nunca suficiente. Puedes calibrar contra una verosimilitud intratable con momentos simulados e inferencia moderna basada en simulación, puedes distinguir la calibración de la validación y resistirte a un ajuste demasiado bueno dentro de muestra, y entiendes el verdadero premio: los contrafactuales, las pruebas de estrés de desplome relámpago y un campo de entrenamiento reactivo que maneja el impacto en el mercado donde un backtest no puede. En la escalera cuantitativa, eso te sitúa en la frontera donde se encuentran la simulación, el mecanismo y el aprendizaje automático — equipado para usar los ABM y los modelos generativos como las herramientas complementarias que son.