Komplekse Systemer og Econofysik: Asymmetrier i Aktiemarkedet. 25. oktober 2011, CFIR Mogens Høgh Jensen, Niels Bohr Institutet 1. Komplekse Systemer: Et ‘nyt’ forskningsfelt i fysikken fra 80’erne.. 2. Kaos, fraktaler, turbulens: Fundamentale komplekse ‘metoder’. 3. Turbulens: kogende vand – kaos og laviner ! 4 Økonomi: Opfører sig som kogende vand ! 5 Vi studerer aktiekurser som turbulens ! 6. Asymmetri i aktiemarkedet ! Samarbejde: • • • • • Anders Johansen, NBI; Ingve Simonsen, Trondheim Peter Ahlgren, Nykredit/NBI; Henrik Dahl, NBI/Nykredit Kim Sneppen, NBI, Raul Donangelo, Rio, Brazil Felippo Petroni, Rome Publikationer: MHJ, ”Multiscaling and Structure Functions in Turbulence: An Alternative Approach, Phys.Rev.Lett. 83, 76 (1999). MHJ, A. Johansen and I. Simonsen, “Optimal Investment Horizons”, Eur. Jour. Phys B 27, 583 (2002) MHJ, A. Johansen and I. Simonsen, “Inverse Statistics in Economics: The gain-loss asymmetry”, Physica A 324, 338 (2003). MHJ, A. Johansen, F. Petroni and I. Simonsen, ”Inverse Statistics in the Foreign Exchange Market”, Physica A 340, 678 (2004). A. Johansen, MHJ and I. Simonsen, “Inverse Statistics for Stocks and Markets”, submitted (2005). R. Donangelo, MHJ, I. Simonsen and K. Sneppen, “Synchronization and Asymmetry in Stock Markets: The Consequences of Fear”, J. Stat. Mech. 11, L11001 (2006). P. Ahlgren, MHJ, I. Simonsen, R. Donangelo, K. Sneppen, “Frustration driven stock market dynamics: Leverage effect and asymmetry”, Physica A 383, 1-4 (2007). Niels Bohr Institutet ! Fysikkens Mekka .. Kaos og økonofysik ? Komplekse Systemer: Strange Attractors Ikke-periodisk bevægelse, stor afhængighed af begyndelses-betingerlserne Lorenz attractor The ’butterfly effect’ En sommerfugl der bevæger vingen over Brasilien kan udløse en tornado over Florida ! Muligt indenfor fysikkens love !! Måske ikke så sandsynligt ! Fraktal Dimension: Ikke hel-tallig Norges kyst er en fraktal ! Viskøse fingre: Vigtig for olieudvinding. Vand i olie Blæk på papir Fraktaler er skyld i oliekriser! Fraktal struktur Self-similær på alle skalaer ! Bakterier kan vokse som fraktaler Atmosfæren er kaotisk og turbulent : Kogende vand ! Kriser i økonomi, klima, etc Laviner !! - Også laviner i kogende vand ! Laviner har større sandsynlighed en vi troede ! Ikke Gaussiske teorier. Paradigme model: Per Bak’s sandbunke Komplekse netværks-skrukturer Proteiner i Gær ! Også ’fraktal’ strukturer Hvad påvirker hvad ? Hvad påvirker hvad ? Tids-serie fra turbulens model: Re u5 Re u14 Denne kan analyseres med ‘embedding’ metode: Fraktaler Hvilken slags fluktuationer får man i turbulens ? Ikke normal-fordelte !! Dow Jones Industrial Average With inflation Detrended (over 1000 days) Hvilken slags fluktuationer får man i finans ? Også ikke normal-fordelte !! Fluktuationer i turbulens er som i finans ! Hvad er økonofysik ? • Startede for ca. 10-12 år siden • Fysikere brugte metoder fra komplekse systemers fysik • Store data mængder, lange tids-serier • Kaos-terorier • Fraktal teorier • Turbulens teorier • Statistik, korrelationer Børsens Investeringstillæg! Estimate differences in the DJIA: Inverse statistics (initially defined for turbulence): When does it for first time exceed predescribed level D : Inverse statisctis for ρ=0.05 Maximum: Optimal Investment horizon Power law tail Fit: generalized Gamma function: Positive ρ: Gevinster Negative ρ: Tab DJIA Note: Asymmetri mellem gevinst og tab DJIA SP500 NASDAQ Inverse statistics for single stocks Inverse statistics for single stocks Averaged over many single stocks NOTE: No asymmetry How to explain the asymmetry in the market? • External events (wars, terror, earthquakes, hurricanes) introduces a fear factor in the market • Psychology of society/market: When stocks begin to fall they do it synchronously • Under up-trends stocks move more or less randomly The Fear Factor Model (FFM) For the log-price of a stock: p : fear factor N : # of stocks in the index • With prob. p : all stocks move downwards synchronously • With prob. 1-p : they do independent biased random walks – With prob. q : move upward – With prob. 1-q : move downward • q determined from: – Requirement : si(t) is drift-less DJIA Model results NOTE the slight asymmetry ~e 0.70m ~e-0.65m Let us consider the probability that the DJIA index drops (m<0) or rises (m>0) several days (m) in a row (“mini crashes/rallies”) m=1 : 10% more likely to have a price drop than a price rise The model catch also this feature of the real market excellently! Renteresultater DEM 10% ændring Distribution of waiting times , DEM 10 Y yield 0.6 0.4 10. pct . Fitted generalized Gamma distributions , DEM 10 Y yield 0.5 0.2 0.4 10. pct . 0 0 200 400 Days 0.3 600 800 1000 Pct Pct 10. pct . Op/ned = 45/100 10. pct . 0.2 0.1 0 0 200 400 Days 600 800 1000 Renteresultater DKK 10% ændring Distribution of waiting times , DKK 10 Y yield 0.8 10. pct . 10. pct . 0.4 Fitted generalized Gamma distributions , DKK 10 Y yield 0.6 0.2 0.5 10. pct . 0 0.4 0 200 400 Days 600 800 Pct Pct 0.6 Op/ned = 35/74 1000 0.3 10. pct . 0.2 0.1 0 0 200 400 Days 600 800 1000