doc_2025-10-11_12-18-31 (2)

1. Агентно-ориентированное моделирование для анализа временных рядов

АГЕНТНО-ОРИЕНТИРОВАННОЕ
МОДЕЛИРОВАНИЕ ДЛЯ АНАЛИЗА
ВРЕМЕННЫХ РЯДОВ
Участники:
Мокрушин Владислав Александрович,
Куфтин Антон Андреевич, М24-Ш04

2. Что такое агентное моделирование?

ЧТО ТАКОЕ АГЕНТНОЕ МОДЕЛИРОВАНИЕ?
Не алгоритм, а парадигма! В отличие от других подходов в списке, это не просто формула или модель, а целый способ
мышления.
● Агент — это интеллектуальный объект, который:
● Имеет свое состояние (например, запас товара, бюджет, уровень "удовлетворенности")
● Следует определенным правилам (например, "если цена растет, продавай", "если сосед заражен, с вероятностью 30%
заразись")
● Может взаимодействовать с другими агентами и со средой.
● Обладает автономностью и может принимать решения.
Цель: Увидеть, как сложное глобальное поведение системы (например, биржевая паника, пробка на дороге, эпидемия)
emerges (возникает) из простых взаимодействий множества агентов.

3. Преимущества и недостатки

ПРЕИМУЩЕСТВА И НЕДОСТАТКИ
Преимущества:
● Моделирование сложных систем: Позволяет анализировать системы,
где традиционные методы бессильны (социальные сети, финансовые
рынки, логистические цепочки). Учитывает нелинейность и
взаимодействия
● Естественность и интерпретируемость: Правила агентов часто
интуитивно понятны и основаны на реальном поведении (например,
правила для трейдера или потребителя).
● Гибкость: Легко добавлять новых агентов, изменять их правила, вводить
новые типы поведения. Система легко масштабируется и
модифицируется.
● Анализ "что, если": Идеально для сценарного анализа. Можно
посмотреть, как система отреагирует на изменение правил одного типа
агентов (например, введение налога).
Недостатки:
• Вычислительная сложность: Моделирование миллионов
агентов требует огромных вычислительных ресурсов.
Может быть медленнее, чем аналитические методы.
• Сложность верификации и валидации: Из-за
стохастичности (случайности) и сложности трудно
доказать, что модель абсолютно точно отражает
реальность. Результаты разных прогонов могут
отличаться.
• Проблема с данными: Часто для настройки правил
агентов требуются очень детализированные данные,
которых может не быть.
• Нет "красивого" уравнения: Результат — это не формула,
а набор симуляций. Сложнее делать точечные прогнозы,
как в регрессии.

4. Режим реального времени

РЕЖИМ РЕАЛЬНОГО ВРЕМЕНИ
1.
Обучение с подкреплением (Reinforcement Learning): Это мост между агентами и реальным
временем. Агент (например, торговый робот) обучается в симулированной среде (созданной с
помощью агентного моделирования!), а затем применяет выученную политику в реальном мире.
2.
Использование в "цифровых двойниках": Агентная модель работает параллельно с реальной
системой (например, логистический склад), постоянно обновляя свое состояние на основе входящих
данных и позволяя оперативно тестировать управленческие решения.
3.
Упрощенные онлайновые агенты: В менее сложных системах (управление умным домом) простые
агенты-правила могут работать в реальном времени ("если температура выше 25°C, включи
кондиционер").

5. Наибольший эффект: прикладные задачи и данные

НАИБОЛЬШИЙ ЭФФЕКТ: ПРИКЛАДНЫЕ ЗАДАЧИ И ДАННЫЕ
Наибольший эффект — в задачах, где ключевую роль играют взаимодействия и гетерогенность
объектов.
○ Финансовые рынки
○ Эпидемиология и здравоохранение
○ Логистика и цепочки поставок
○ Умные города и транспорт
○ Социальные науки

6. Модификации и гибридные подходы

МОДИФИКАЦИИ И ГИБРИДНЫЕ ПОДХОДЫ
Агенты с ИИ
Многоуровневые агентные модели (MLAA)
Гибридные системы
○ Агенты + Системная динамика
○ Агенты + Бустинг/Нейросети
Эволюционные алгоритмы

7. Примеры реальных проектов

ПРИМЕРЫ РЕАЛЬНЫХ ПРОЕКТОВ
Моделирование экономики (ABM-Economics)
Борьба с пандемией COVID-19
Торговые роботы (HFT)
Оптимизация работы складов Amazon/Walmart

8. Наша позиция

НАША ПОЗИЦИЯ
Ключевой тезис: Агенты — это не конкурент, а мощное дополнение к классическим методам анализа временных
рядов.
Почему?
Статистика/Бустинг/Нейросети отвечают на вопрос «Что?»
Агенты отвечают на вопрос "Почему?" и "Что будет, если...?" (понимание причин и механизмов).