金融市场研究的新视角

金融市场研究的新视角 金融市场研究的新视角 苟成玲 李英姿 刘玉萍 北京航空航天大学 物理系 北京 ,100083, gouchengling@buaa.edu.cn 摘 要: 本文介绍一门新兴的交叉学科------经济物理学,Econophysics,。物理学家以 复杂系统的观点对金融市场进行研究～秉承物理学研究的传统——让数据说话～并不事先假 设数据的模型。他们运用物理学中的数据处理方法来挖掘金融数据中的规律。他们还通过建 立微观模型～并用计算机模拟对经验规律给与解释。 经济物理丰富了金融市场研究的方法～ 加深了人们对金融市场的动力学行为～能为市场参与者提供预测市场和金融风险管理的新理 论和新方法。 关键词:金融市场～复杂系统～经济物理 1. 引 言 随着全球经济一体化进程的加快，和信息技术的广泛使用，全球金融市场的相关性和波 动性也日益增强，因此，愈来愈多的学者进入金融市场的研究领域，这其中就有许多的物理 学者。他们的加盟，为金融市场的研究带来了新的研究视角、新的研究方法和新的认识，逐 渐形成了一门新兴的交叉学科------经济物理学(Econophysics)。 2. 以复杂系统的观点研究金融市场 1984 年在诺贝尔奖获得者 Gell –Mann、Anderson、Arrow 等人发起和参与下，Santa Fe Institute 成立了，一批又一批的各个学科的科学家在这里从事跨学科的复杂性研究，使复杂 性研究学科从无到有。复杂科学突破了牛顿时代以来统治着科学研究的线性、还原论和简化 论的范式，在理论和应用方面都取得了长足的发展，加深了人们对复杂系统的认识。近年来 该领域的研究愈加活跃[1，2，3]。 由于金融市场有丰富的数据记录，这为研究提供了方便，所以复杂科学自诞生以来，就 把金融市场作为最为重要的研究方向。从复杂科学的角度研究金融市场，许多物理学家和经 济学家的研究明，金融市场是一种具有耗散结构的系统，因为具有思维能力的人的介入而 变得比自然复杂系统更为复杂，它具有更加明显的非线性、路径依赖、自组织和进化的特征 [3~7，17，48]。这些研究成果对以线性和静态平衡为基础的主流金融学的三大支柱:马柯 维茨定理、CAPM 定理和 B-S 公式提出了严峻的挑战。 3. 数据驱动的规律发现 物理学者对金融市场数据研究时，秉承物理学研究的传统——让数据说话，并不事先假 设数据的模型。他们运用物理学中的数据处理方法，如消除趋势波动、多重仿射方法、 -1- 多标度分形方法和小波分析等物理学的分析方法来挖掘金融数据中的规律。 1995 年，Mantegna 和 Stanley 在《自然》杂志上发表了他们关于 S&P500 指数收益率分 布的研究结果，发现收益率分布在中间部分与列维分布吻合得很好，但在几个标准差以外与 列维分布有较明显的区别，主要表现为幂指数大于 2，即收益率分布在尾部比正态分布所描 述的要“胖”，但又比列维分布的尾部要“瘦”，他们把这种分布称为截尾的列维分布[8]。 Gopikrishnam 和 Plerou 采用了更大的数据样本来验证股票的收益率分布，得出了相似的结 论[9,10]。Dacorogna (1993)、Cont (1997)和 Cizeau (1997) 发现收益率的相关性在大约 20 个 交易日的时间范围内服从幂律形式[11，12，13]。陈平发现了经济混沌的经验证据[49] 物理学家发现金融市场的崩溃现象与物理学中的断裂现象和量子力学中的状态跃迁很 相似，Sornette 等人比较深入的研究了金融市场的崩溃现象，他们指出 Drawdowns (从局 部极大到局部极小的损失)比按固定时间尺度测量的收益率更能反映金融市场的风险，他们 研究了世界主要的股市指数和汇率市场、黄金市场以及 20 个美国最大的上市公司的股价后， 发现 98%的 Drawdowns 能用指数律表示，但是，有几十个最大的 Drawdowns 的发生概率明 显地大于指数律所预测的概率;Drawups(从局部极小到局部极大的收益)也有类似性质， 7，17，14，36，48]。关于金融市场的多标度分形现象和波动率聚 只是数量少一半[3，6， 集效应也有研究[15，16]，国内关于金融市场复杂性的研究主要集中在从混沌和分形的角度 研究[18，19]。 文献[20，21]报道了关于股票价格变化与交易量之间的关系，如图 1 所示，图 1a 中 ?P 是股价的对数差、ω 是交易量， 图 1b 是将图 1a 重新标度后的图，可以看出，各个股票的 曲线几乎重合，这 ?P 与 ω 的关系具有普遍意义。吴如海等也研究了中国股市交易量与 股价变化的关系，其结论是股价变化的绝对值与交易量成正比[47]。 图 1: 股价变化与交易量的关系 [20] 4. 计算机模拟微观模型 对于经验规律的解释需要借助于微观模型。复杂科学的研究方法[1]致力于用一种全新 的观点理解经济系统中的复杂性。在微观上，首先，人们扬弃了完全理性、全知全能的“经 济人”的假设，取而代之的是能够学习和适应环境的运用归纳法决策的有限理性人;其次， 人们用“规则”代替计算来给每一个个体进行建模。在宏观上，人们扬弃了简单的还原论思 -2- 想——即认为研究清楚系统组分的行为就相当于认识了系统行为的思想，把经济系统看成是 由若干相互作用的经济主体(agent)进行复杂交互作用的复杂系统;在方法论上，人们扬 弃了纯粹的数学推理的方法，取而代之的是计算机模拟技术。 经济主体之间的相互作用可以通过宏观信息(股票价格等)间接相互作用，也可以通过 人际关系直接相互作用(局部相互作用)。根据对经济主体之间的相互作用的不同处理，可 以将现有的模型分为两大类，一类是只考虑宏观信息的模型，另一类是只考虑局部相互作用 的模型。 SFI(Santa Fe Institute)的人工股市模型(ASM)是第一类模型的代表[3, 22, 23]，ASM 系统 主要分成两个大部分，一部分是股票交易者(主体)，另一部分是每个主体所面临的环境。 它主要模拟了单一股票的交易情况(也就是说市场上仅仅有一种股票发行)。 其中主体模型又是由预测规则、效用函数、财富状态以及集合四个部分组成的。预 测规则是形如 if [condition] then [result]这样的规则，其中[condition]部分都是经过编码后的 01 序列抽象信息，[result]是当主体采用当前规则所采取的动作。为了模拟现实中的交易者 的多样性，每个主体都有一组不同的规则，而且学习效应是在规则层次体现的。具体说来， 就是主体通过不断的运用规则对股票的价格进行预测从而进行买入或者卖出或者持有的决 策，然后根据预测的后果来对他们运用的规则进行评价，从而确定每个规则作用的排序，然 后运用遗传算法淘汰掉评价不好的规则，同时产生新的更好的规则。主体的效用函数表达了 每个主体对股票价格以及股票持有量之间的偏好，给定当前的股票价格、该主体对未来股价 的预期就可以得到主体对股票持有的需求量。为了简便，系统给每个主体设计了同一类 型的效用函数。主体的财富状态主要包括当前该主体的股票持有量和现金量。主体的参数集 合定义了主体在运行过程中的不同行为参数，包括效用函数的具体参数、遗传算法的参数、 最大(小)持有股票量等等。 ASM 的环境主要包括下列几个部分:股市的状态以及状态的历史信息、一个做市商、 一个随机股息流(可以认为单一股票的股息是由外部不确定信息确定的)、股市的参数集合。 具体说来，股市的状态包括了股票当前的价格、股息、利率、风险中性价格(也就是利率与 股息的比值)、股票交易量。状态历史就是股市状态在最近几期内的历史纪录，其中历史的 记录长度是事先由用户给定的，系统还会根据当前的股市状态以及状态的历史信息进行编码 从而得到一串 01 编码传递给主体，主体根据这些编码可以查找哪条规则的 condition 部分与 其匹配，从而激活这条规则进行预测。做市商的作用是根据市场供求关系确定股票的交易价 格。随机股息流就是一个满足正态的独立同分布的随机过程。参数集合定义了股市运作过程 中的一些参数，包括历史纪录的长度、正态分布的具体参数等等。 ASM 能展现实际股市的许多特征，如收益率的“胖”尾分布，和波动性的聚集效应等。 但是，因为其数值模拟的复杂性，而留下了许多未能解决的问题。与 ASM 不同的是，基于 MG (Minority Game)的金融市场模型却相对简单。 -3- 图 3 N=501, s=2, r=4[28] 图 2 N=1001, M=10 [24] Damien Challet 和 Yi-Cheng Zhang [24] 提出的 MG (Minority Game) 模型，是由 Brian Arthur 的 El Farol 问题[25，26]改进而得的。MG 模型中是 N(奇数)个主体的系统，每个 主体有有限个策略 S，每一时间都必须在两个选择(如 A 和 B)中挑选其一，选择少数方的 获胜。每个主体具有有限的记忆力 M，用二进制方式记录选择 A 的获胜(1)或者失败(0)， 他们根据过去的记录作决策。总的策略数有 个，每个主体被随机分配 S 个策略。为了从 过去的失误中吸取教训，主体不停地更新其策略的计分，每次总是用最成功的策略。图 2 是 M=10 时主体选择 A 的时间进化记录，该模型的行为是稳态的[24]。 由此可以看出，MG 模型与主流的金融经济学的区别。主流的金融经济学是以匀质的主 体为基础，主体具有完全信息，使用演绎推理，能找到问题的最优解。因为主体是匀质的， 所以他们将对市场有相同的预期，并作出相同的买卖决策。这样市场的交易量应为零。但是， 实际的金融市场每天都有大量的交易量，这说明实际市场中的交易者使非匀质的，他们对市 场有不同的预期，因而有不同的买卖决策。MG 模型中主体有有限的信息，主体有不同的交 易策略，他们使用归纳推理，根据自己过去的经验对未来作出预测，因而 MG 模型中的主 体是非匀质的。并且 MG 模型的少数者胜出原则，反映了金融市场的游戏规则的本质。 为了使基于 MG (Minority Game)的金融市场模型能更好的用于金融市场建模，不少研究 人员对 MG 模型作了各种改进。下面介绍几种主要的对 MG 模型的修改模型。 英国牛津大学物理系教授和金融计算中心主任 Neil Johnson 博士领导的研究小组在这方 面作了大量的研究工作[27~30]。他们让主体可以有三种选择-----买(1)、卖(-1)和等待(0)，主 体是否买卖取决于其 S 个策略的计分是否有大于阈值 r，这样每一时间活跃的主体数就是变 化的;主体的财富和每次交易的量也是不同的;主体的买卖行为影响股价的变化，其作用机 制采用文献[31]的建议，即股价的对数差正比于供求差，股价的变化又以宏观信息的形式影 响主体的预期。图 3 是他们推广后的 MG 模型(GCMG)的动力学行为。对比图 2 和图 3，可 以看出 GCMG 的动力学行为与 MG 模型不同，是非稳态的，更接近于真实股市的股价时间 -4- 序列。他们基于 GCMG 和 GCBG 研究了宏观灾难现象发生的微观机制，如图 4 所示，当只 有想卖出的主体的策略计分高于阈值 r 时，灾难就会发生[30]。 Baosheng Yuan[50]等人对 MG 的修改在于取消了主体的宏观信息，代之以主体之间的 局部相互作用，他们发现修改后的模型的动力学行为和相应的相结构取决于主体之间的局部 相互作用网络结构。S. Gourley [51] 和 T. S. Lo [52] 等人研究了 MG 模型中，主体之间具有 随机网络联系，记忆力 m=1 的情况，发现主体的平均成功率随主体之间连通率的增加而下 降，最后趋于一个稳定值。 De Martino, I. Giardina1, M. Marsili and A. Tedeschi 等人对混合 Minority/Majority 游戏 做了解析和模拟研究 [53~57]. 在他们的模型中，两类主体有相同的历史记忆长度 m 和无穷 大的策略计分能力，两类主体的比例可变。他们发现只有当玩 Majority 游戏的主体的比例小 于 1/2 时，有效且不可预测相才存在;当此比例大于 1/2 时，波动性急剧增加。 苟成玲也对 MG 模型做了修改，主要是增加了主体的多样性。当把 MG 模型用于金融 市场建模时，有批评意见指出，趋势跟随者也能获利[58，59]。现实中既有“精明”的主体， 如机构投资者、共同基金等，也有分析能力有限，投资行为主要表现为随大流的主体[31~36]， 如散户投资者等。因此，不仅应考虑将这两类主体以适当的比例混合，而且应考虑主体的有 限理性。申请人提出了混合游戏(Mix-game)模型，在此模型中一部分主体玩少数游戏 (minority game)，另一部分主体玩多数游戏(majority game)，这部分主体是市场中的趋 势跟随者，两类主体的记忆力 m 不同，策略计分能力也不同。 申请人发现 Mix-game 的系 统波动性和主体的平均成功率及其相互关系取决于两类主体的记忆力的组合和其混合比例， 并且说明了用于金融市场建模时，玩多数游戏的主体的记忆必须小于玩少数者游戏的主体地 记忆力。作为实例找到了用 Mix-game 模拟上证指数的合适的参数[60~64]。 第二类基于主体的金融市场模型是只考虑局部相互作用的模型，也可以称为渗透 (percolation)模型[31~36]。这一类模型的特点是将金融市场常见的“羊群效应”与收益率 分布的“胖”尾特征联系了起来。 图 4: 左图是对应于右图股价崩溃时的主体策略计分分布[30] -5- 1997 年，Cont 和 Bouchaud[32]提出用随机网络表示主体之间的联系，网络的顶点表示 主体，网络的连接线表示主体之间的联系，主体之间的连接概率是固定的 p = c/N，N 是主 体数量，c 是连通率参数，并规定主体之间两两相连;主体可以有三种选择——买(1)、卖(-1) 和等待(0)，考虑“羊群效应”，假定同组的主体(相互连通的主体)采取同样选择;主体 的买卖行为影响股价的变化，其作用机制采用文献[31]的建议。在 和 c=1 的条件 下，他们运用随机网络理论，得出了主体组群的大小分布服从幂率分布，将供求差与股价变 化按文献[31]的机制联系起来，得到了收益率分布的“胖”尾分布。该模型是一个静态的渗 流模型。1999 年 Eguiluz 和 Zimmermann[33]将该模型中固定不变的连通率参数 c 改进为随 时间变化的 c(t)，他们发现在 c(t)远低于 c=1 时，就能观察到收益率分布的“胖”尾分布。 5. 进一步研究的方向 综上所述，可以看出关于金融市场建模研究还存在如下几个有待改进的方面: 首先，因为实际市场中的交易者不仅有市场交易的宏观信息，他们之间也有着千丝万缕， 所以将第一类模型与第二类模型结合，应该能得到更接近实际的金融市场模型。 其次，第二类模型在处理经济主体之间的相互作用时，采用了随机网络模型，但是随机 网络模型不能反映真实社会人际关系，而采用小世界网络模型能更真实地反映现实。 第三， 现有的模型对经验规律的模拟只注重了对收益率分布和波动性特征的模拟，还 没有考虑文献[20，21]报道的价格变化与成交量的关系的模拟。 6. 结论 物理学家对资本问题的研究，丰富了金融市场研究的方法，加深了人们对金融市场的动 力学行为，尤其是金融危机的形成机制的理解，能为管理层宏观调控及改革金融市场提供可 兹参考的理论和方法，尤其有助于预测和防范金融系统的异常变化，特别是对金融危机这类 灾难性变化的认识、预测和防范提供参考，同时能为市场参与者提供预测市场和金融风险管 理的新理论和新方法。 参 考 文 献 [1] 米歇尔.沃尔德罗普，《复杂》，三联书店，(1997); [2] Bak, P., “How Nature Works: the Science of Self-organized Criticality”, Copernicus, New York, NY, USA(1996); [3] Anderson, P.W., Arrow, K.J., Pines, D. (Eds.), “The Economy as an Evolving Complex System”, Addison-Wesley, New York (1988);. [4] StauNer, D., Sornette, D., “Self-organized percolation model for stock market Kuctuations”. Physica A 271(1999), 496–506. [5] Vandewalle, N., Boveroux, P., Minguet, A., Ausloos, M., “The crash of October 1987seen as a phase transition: amplitude and universality”, Physica A 255(1998a), 201–210; [6] Zhou, W.-X., Sornette, D., “2002. Statistical significance of periodicity and log-periodicity with heavy-tailed correlated noise”. Int. J. Mod. Phys. C 13 (2), 137–170. 3; [7] Sornette, D., “The US market descent: how much longe and deeper?”, Quantitative Finance, 2(2002)468 -6- [8] Mantegna, R. and Stanley, H.E, “Scaling behavior in the dynamics of an economic index”, Nature 376(1995); [9] V. plerou, P. Gopikrishnam, L.A.N. Amaral, M. Meyer, H.E. Stenley, “Scaling of the distribution of fluctuations of financial market indices”, Phys. Rev.E60(1999); [10] P. Gopikrishnam,V. plerou, L.A.N. Amaral, M. Meyer, H.E. Stenley, “ Scaling of the distributions of price fluctuations of individual companies”, Phys. Rev.E60(1999); [11] M.M.Dacorogna, U.A.M. Yuller, R.J. Nagler, R.B. Olsen, O.V.Pictel, J. Int. Money Finance 12(1993); [12] R. Cont, M. Potters, J.-P.Bouchaud, in B. Dubruller, F. Graner, D. Sornette , (Eds.), “Scale Inbariance and Beyong”, Springer, Berlin, (1997); [13] P. Cizeau, Y. Liu, M. Meyer, C.-K. Peng, H.E. Stenley, Physica A245(1997); [14] Anders Johansen1 and Didier Sornette1, “Large Stock Market Price Drawdowns Are Outliers”, arXiv:cond-mat/0010050 ( 2001); [15] T. Lux and M. Marchesi, “Scaling and Criticality in a Stochastic Multi-agent Model of Financial Market,” 500; Nature, Vol. 397, (1999), pp.498– [16] J.-.P. Bouchaud and R. Cont, “A Langevin Approach to Stock Market Fluctuations and Crashes,” European Physics J. B, Vol. 6, (1998), pp. 543–550; [17] J.D. Farmer, Market Force, “Ecology, and Evolution”, Santa Fe Inst. Working Paper 98-12-117, SFI, Santa Fe, N.M., 1998; ; [18]盛昭瀚，“面对复杂性?:经济时序动力系统最佳采样间隔分析研究”，《管理科学》，Vol.3,No.1,P100; [19]黄小厚，“股市波动的标度无关性算法及应用研究”，《管理科学》，Vol.4,No.6,P55; [20] F. Lillo, J.D. Farmer and R.N. Mantagna, “Master curve for price-impact function”, Nature 421, 129-130(2003); [21] V. Plerou, P. Gopikrishman and H.E.Stanley,” Quantify stock-price response to demand fluctuations”, Phys. Rev. E 66, 027104(2002);. [22] W.Brian Arthur, John H.Holland, Blake LeBaron, Richard Palmer, and Paul Tayler, “Asset Pricing Under Endogenous Expectations”, Santa Fe Institute Paper, (1996); [23] B. LeBaron, W.B. Arthur, and R. Palmer, “Time Series Properties of an Artificial Stock Market,” J. Economic Dynamics and Control, Vol. 23, (1999), pp. 1487–1516; [24] D. Challet and Y.-C. Zhang, “Emergence of cooperation and organizationin an evolutionaru game”, arXiv:adap-org/9708006; [25] W.B. Arthur, “Inductive Reasoning and Bounded Rationality,” Am. Economic Assoc. Papers and Proc., Vol. 84, (1994), 406–411; [26] W.B. Arthur, “Complexity and the Economy,” Science, Vol. 238( 1999), pp. 107–109; [27] N.F. Johnson, M. Hart, and P.M. Hui, “Crowd Effects and Volatility in a Competitive Market,” (1998); ; [28] P. Jefferies1, M. Hart1, P.M. Hui2 and N.F. Johnson, “From market games to real-world markets”, arXiv:cond-mat/0008387 ( 2000); [29] Paul Jefferies and Neil F. Johnson, “Designing agent-based market models”, arXiv:cond-mat/0207523 ( 2002); [30] David Lamper, Paul Jefferies, Michael Hart and Neil F. Johnson, “Managing catastrophic changes in a collective”, arXiv:cond-mat/0210132 ( 2002); [31] J.P. Bouchaud and R. Cont, Eur. Phys. J. B 6, 543 (1998); J.D. Farmer, arXiv:adap-org/9812005. [32] Rama CONT 1,2,3 and Jean-Philippe BOUCHAUD, “Herd behavior and aggregate fluctuations in financial markets”, arXiv:cond-mat/9712318 ( 1998); [33] Victor M. Eguiluz, Martin G. Zimmermann, “Transmission of Information and Herd Behavior: an Application to Financial Markets”, arXiv:cond-mat/9908069 (2000); [34] R. d?Hulst and G.J. Rodgers, “Democracy versus Dictatorship in Self-Organized Models of Financial Markets”, arXiv:adap-org/9912003 (1999); [35] D. Stauffer and D. Sornette, “Self-Organized Percolation Model for Stock Market Fluctuations,” (1999); [36] D. Sornette, “Why stock market crash?”, Princeton University Press(2003); [37] M. E. J. Newman, “The structure and function of complex networks”, arXiv:cond-mat/0303516 ( 2003); [38] Watts D J, Strogatz S H. Nature( 1998)393~440; [39] S. N. Dorogovtsev, and J. F. F. Mendes, “Exactly solvable small-world network”, Europhys. Lett., 50 (1), pp. 1–7 (2000); [40] Moreira, A. A., Andrade, Jr., J. S., and Amaral, L. A. N., “Extremum statistics in scale-free network models”, Preprint cond-mat/0205411 (2002); [41] Hong, H., Choi, M. Y., and Kim, B. J., “Synchronization on small-world networks”, Phys. Rev. E 65, 026139 (2002); [42] Jespersen, S., Sokolov, I. M., and Blumen, A., “Relaxation, properties of small-world networks”, Phys. Rev. E 62, 4405–4408 (2000); [43] Kleczkowski, A. and Grenfell, B. T., “Mean-field-type equations for spread of epidemics: The „small world? model”, Physica A 274, 355–360 (1999); -7- [44] Moore, C. and Newman, M. E. J., “Epidemics and percolation in small-world networks”, Phys. Rev. E 61, 5678–5682 (2000); [45] Newman, M. E. J. and Watts, D. J.,” Scaling and percolation in the small-world network model”, Phys. Rev. E 7342 (1999); 60, 7332– [46] Ozana, M., “Incipient spanning cluster on small-world networks”, Europhys. Lett. 55, 762–766 (2001); [47]吴如海，宋逢明，“基金分离下中国股市交易量模型的实证研究”，《管理科学》vol.3, No. 1, P39; [48] J.D. Farmer and S. Joshi, “Evolution and Efficiency in a Simple Technical Trading Model”, SFI Working Paper 99-10-071, Santa Fe Inst., Santa Fe, NM, (1999); [49]陈平 ，《文明分岔 经济混沌和演化经济学》，经济科学出版社，2000 年 [50] Baosheng Yuan, Bing-Hong Wang, and Kan Chen, “Evolutionary Dynamics in Complex Networks of Competing Boolean Agents”, arXiv: cond-mat /0411664 v1 26 Nov 2004; [51] S. Gourley, S.C. Choe, P.M. Hui, and N.F. Johnson, “Dynamical interplay between local connectivity and global competition in a networked population”, arXiv: cond-mat/0401527; [52] T. S. Lo, H. Y. Chan, P. M. Hui, and N. F. Johnson, “Theory of Networked Minority Games based on Strategy Pattern Dynamics”, arXiv:cond-mat/0404391; [53] M. Marsili, Physica A 299 (2001) 93 . [54] A. De Martino, I. Giardina, G. Mosetti, J. Phys. A 36, 8935 (2003). [55] A C C Coolen, The Mathematical Theory of Minority Games, Oxford University Press, Oxford (2005). [56] A. Tedeschi , A. De Martino and I. Giardina, [57] A. De Martino, I. Giardina1, M. Marsili and A. Tedeschi, [58] J. V. Andersen, and D. Sornette, The $-game, cond-mat/0205423 [59] Blake LeBaron , “Agent-based Computational Finance”。 [60] [Chengling Gou ， System Efficiency vs. Individual Performance in Competing System ， [61] [Chengling Gou， The Relations between Agent Performances and Their Intellective Abilities in Competing Systems, [62] Chengling Gou, Design in Complex Systems: Individual Performance versus System Efficiency, ; proceeding of workshop of“Embracing Complexity in Design”, 2nd of July, 2005, University College London, London; [63] Chengling Gou,“Agents play mix-game”, ， Invited lecture at the International workshop on Econophysics of Stock Markets and Minority games, Saha Institute of Nuclear Physics, Kolkata, India, 14~17 Feb. 2006. [64] Chengling Gou, “Dynamic Behaviours of Mix-game models and Its Application”, Feb. 20005, submitted to “Physica A”and under the process of review, Research on Financial Markets from a New Perspective Chenglingl Gou Physics Department, Beijing University of Aeronautics and Astronautics 37 Xueyuan Road, Heidian District, Beijing, 100083, China Abstract This paper introduces an emerging interdiscipline--- econophysics. Physicists study financial markets from the perspective of complex systems and put emphasis on finding laws from empirical data. They also explain empirical laws by model simulations from micro-perspective. Econophysics provides a supplementary research method for financial markets. Keywords: financial market, complex systems, Econophysics 作者简介:苟成玲 1995 年在北京科技大学获博士学位，2004 年 10 月到 2005 年 9 月在英国 牛津大学做访问博士后，现在北京航空航天大学理学院任副教授，目前的研究方向为复杂系 统、经济物理和金融风险管理。 -8-