2. 主体建模基础：定义交易市场中的智能体（Agent）

好，咱们进入第二章。上一章我们聊了复杂适应系统的整体框架，你可能觉得有点抽象。这一章我们来点实在的——智能体（Agent）。说白了，就是交易市场里的“人”。

我个人习惯把智能体想象成一个有脑子、有情绪、有策略的交易员。它不只是个代码模块，它得能看盘、能决策、能执行、还能学习。嗯，这里要注意，我们说的智能体，不是那种全知全能的上帝视角，而是局部信息、有限理性的参与者。

2.1 什么是交易智能体？

先给个定义：智能体是能够感知环境、自主决策并执行动作的实体。

在交易场景里，环境就是市场数据（价格、成交量、订单簿）。智能体看到这些数据，做出买卖决策，然后下单。就这么简单？不，复杂的地方在于——每个智能体的决策逻辑都不一样。

我在项目中遇到过最典型的例子：两个智能体，一个只看均线，一个看成交量异动。同样的行情，一个在涨，一个在跌。你想想看，市场就是这么被不同认知的人推着走的。

2.2 智能体的内部结构

一个完整的交易智能体，我建议至少包含以下四个模块。这是我在做量化回测框架时总结出来的，少一个都不行。

模块	功能	举例
状态感知器	处理市场数据，提取特征	计算MACD、RSI、布林带
策略引擎	根据状态生成交易信号	突破买入、止损卖出
风险管理器	控制仓位、止损止盈	单笔亏损不超过2%
学习模块	根据历史结果调整参数	强化学习、遗传算法

你可能会问：为什么需要学习模块？因为市场在变。我曾经写过一个策略，回测时年化50%，实盘跑了三个月就失效了。为什么？因为市场结构变了，智能体必须学会适应。

2.3 智能体的行为模式

交易智能体的行为，可以归纳为几种典型模式。我把它画成了一张图，方便你理解。

这四种模式，基本覆盖了市场上90%的交易行为。但要注意，一个智能体可以同时拥有多种模式。比如，我见过一个高频做市商，平时赚价差，遇到大行情立刻切换成趋势跟踪。这种模式切换能力，才是智能体的精髓。

2.4 智能体的交互与涌现

单个智能体没什么好玩的。真正有意思的是多个智能体之间的交互。你想想看，当1000个趋势跟踪者同时买入，会发生什么？价格被推高，然后均值回归者开始做空，接着套利者进场平衡价差……

这就是涌现（Emergence）。市场本身没有意识，但智能体之间的互动，产生了趋势、泡沫、崩盘这些宏观现象。

2.5 代码实现：一个简单的交易智能体

光说不练假把式。咱们直接上代码。这是一个最简版的交易智能体，用Python实现。

class TradingAgent:
    def __init__(self, name, cash=100000):
        self.name = name
        self.cash = cash
        self.position = 0
        self.trade_history = []
    
    def perceive(self, market_data):
        """感知市场：获取当前价格和均线"""
        self.price = market_data['price']
        self.ma5 = market_data['ma5']
        self.ma20 = market_data['ma20']
    
    def decide(self):
        """决策：简单的均线交叉策略"""
        if self.ma5 > self.ma20 and self.cash > self.price:
            return 'buy'
        elif self.ma5 < self.ma20 and self.position > 0:
            return 'sell'
        else:
            return 'hold'
    
    def execute(self, action):
        """执行交易"""
        if action == 'buy':
            shares = int(self.cash / self.price)
            self.position += shares
            self.cash -= shares * self.price
            self.trade_history.append(('buy', self.price, shares))
        elif action == 'sell':
            self.cash += self.position * self.price
            self.trade_history.append(('sell', self.price, self.position))
            self.position = 0
    
    def learn(self, performance):
        """学习：根据表现调整参数（简化版）"""
        # 这里可以加入强化学习逻辑
        pass

这段代码虽然简单，但包含了智能体的所有核心要素。你可以在learn()方法里加入遗传算法或Q-learning，让它自己进化。

2.6 智能体的分类

根据我的经验，交易智能体可以从两个维度分类：

• 按理性程度：
  • 完全理性：知道所有信息，能计算最优解（现实中不存在）
  • 有限理性：只知道局部信息，用启发式决策（这才是真实市场）
  • 零理性：随机交易，或者完全跟随（比如散户追涨）
• 按学习能力：
  • 静态智能体：策略固定，不学习
  • 自适应智能体：根据市场变化调整参数
  • 进化智能体：通过遗传算法或强化学习进化策略

我个人建议，刚开始做仿真时，先用有限理性 + 自适应的组合。既不会太复杂，又能看到涌现现象。

2.7 小结

这一章我们聊了智能体的定义、结构、行为模式，还手写了一个简单的交易智能体。核心就一句话：智能体是市场的微观基础，市场的宏观现象源于智能体的交互。

下一章我们会把这些智能体放到一起，看看它们如何形成市场。但在此之前，我建议你动手改改上面的代码，加一个止损逻辑，或者试试不同的策略。只有亲手写过，才能真正理解。