Aprendizagem baseada em comportamento na identificação de estratégias de negociação de alta frequência

Aprendizagem Baseada no Comportamento na Identificação de Estratégias de Negociação de Alta Freqüência.
8 Pages Postado em: 8 Nov 2011.
Steve Y. Yang.
Instituto de Tecnologia Stevens.
Mark E. Paddrik.
Governo dos Estados Unidos da América - Escritório de Pesquisa Financeira.
Universidade da Virgínia.
Andrew Todd.
Universidade da Virgínia.
Andrei A. Kirilenko.
Imperial College London - Centro de Finanças e Tecnologia Globais.
Peter Beling
Universidade da Virgínia, Departamento de Engenharia de Sistemas e Informação.
William Scherer.
Sociedade de Sistemas de Transporte Inteligente IEEE.
Data de Escrita: 7 de novembro de 2011.
Os mercados eletrônicos surgiram como locais populares para a negociação de uma ampla variedade de ativos financeiros, e o comércio algorítmico baseado em computador também se afirmou como uma força dominante nos mercados financeiros em todo o mundo. Identificar e compreender o impacto do comércio algorítmico nos mercados financeiros tornou-se uma questão crítica para os operadores e reguladores do mercado. Propomos caracterizar o comportamento dos operadores em termos das funções de recompensa que provavelmente deram origem às ações comerciais observadas. Nossa abordagem é modelar decisões de negociação como um Processo de Decisão de Markov (MDP) e usar observações de uma política de decisão ótima para encontrar a função de recompensa. Isso é conhecido como Aprendizado de Reforço Inverso (IRL). Nossa abordagem baseada em IRL para caracterizar o comportamento do trader estabelece um equilíbrio entre duas características desejáveis, na medida em que captura as propriedades empíricas chaves da dinâmica do livro de ordens e, ainda assim, continua tratável computacionalmente. Utilizando um algoritmo IRL baseado em programação linear, somos capazes de alcançar mais de 90% de precisão de classificação ao distinguir negociação de alta frequência de outras estratégias de negociação em experimentos em um mercado de futuros E-Mini S & P 500 simulado. Os resultados desses testes empíricos sugerem que as estratégias de negociação de alta frequência podem ser precisamente identificadas e perfiladas com base em observações de ações de negociação individuais.
Palavras-chave: Livro de pedidos de limite, Aprendizado de Reforço Inverso, Processo de Decisão de Markov, Máxima verossimilhança, Impacto no preço, Negociação de alta frequência.

Aprendizagem Baseada no Comportamento na Identificação de Estratégias de Negociação de Alta Freqüência.
8 Pages Postado em: 8 Nov 2011.
Steve Y. Yang.
Instituto de Tecnologia Stevens.
Mark E. Paddrik.
Governo dos Estados Unidos da América - Escritório de Pesquisa Financeira.
Universidade da Virgínia.
Andrew Todd.
Universidade da Virgínia.
Andrei A. Kirilenko.
Imperial College London - Centro de Finanças e Tecnologia Globais.
Peter Beling
Universidade da Virgínia, Departamento de Engenharia de Sistemas e Informação.
William Scherer.
Sociedade de Sistemas de Transporte Inteligente IEEE.
Data de Escrita: 7 de novembro de 2011.
Os mercados eletrônicos surgiram como locais populares para a negociação de uma ampla variedade de ativos financeiros, e o comércio algorítmico baseado em computador também se afirmou como uma força dominante nos mercados financeiros em todo o mundo. Identificar e compreender o impacto do comércio algorítmico nos mercados financeiros tornou-se uma questão crítica para os operadores e reguladores do mercado. Propomos caracterizar o comportamento dos operadores em termos das funções de recompensa que provavelmente deram origem às ações comerciais observadas. Nossa abordagem é modelar decisões de negociação como um Processo de Decisão de Markov (MDP) e usar observações de uma política de decisão ótima para encontrar a função de recompensa. Isso é conhecido como Aprendizado de Reforço Inverso (IRL). Nossa abordagem baseada em IRL para caracterizar o comportamento do trader estabelece um equilíbrio entre duas características desejáveis, na medida em que captura as propriedades empíricas chaves da dinâmica do livro de ordens e, ainda assim, continua tratável computacionalmente. Utilizando um algoritmo IRL baseado em programação linear, somos capazes de alcançar mais de 90% de precisão de classificação ao distinguir negociação de alta frequência de outras estratégias de negociação em experimentos em um mercado de futuros E-Mini S & P 500 simulado. Os resultados desses testes empíricos sugerem que as estratégias de negociação de alta frequência podem ser precisamente identificadas e perfiladas com base em observações de ações de negociação individuais.
Palavras-chave: Livro de pedidos de limite, Aprendizado de Reforço Inverso, Processo de Decisão de Markov, Máxima verossimilhança, Impacto no preço, Negociação de alta frequência.

Aprendizagem baseada em comportamento na identificação de estratégias de negociação de alta frequência
Revise nossa lista de verificação de atualização do EZproxy para garantir acesso ininterrupto.
IEEE IEEE Xplore Biblioteca Digital IEEE-SA IEEE Spectrum More Sites.
Conta IEEE.
Detalhes da compra.
Informação do Perfil.
EUA & amp; Canadá: +1 800 678 4333 Mundial: +1 732 981 0060.
Uma organização sem fins lucrativos, o IEEE é a maior organização profissional técnica do mundo dedicada ao avanço da tecnologia em benefício da humanidade.
&cópia de; Copyright 2018 IEEE - Todos os direitos reservados. O uso deste site significa sua concordância com os termos e condições.

Identificação da Estratégia de Negociação Algorítmica Baseada no Comportamento.
Yang, Steve, Departamento de Engenharia de Sistemas, Universidade da Virgínia.
Scherer, William, Sistemas e Engenharia da Informação, Universidade da Virgínia.
Beling, Peter, Sistemas e Engenharia da Informação, Universidade da Virgínia.
Os mercados eletrônicos surgiram como locais populares para a negociação de uma ampla variedade de ativos financeiros, e o comércio algorítmico baseado em computador também se afirmou como uma força dominante nos mercados financeiros em todo o mundo. Identificar e compreender o impacto do comércio algorítmico nos mercados financeiros tornou-se uma questão crítica para os operadores e reguladores do mercado. Propomos caracterizar o comportamento dos operadores em termos das funções de recompensa que provavelmente deram origem às ações comerciais observadas. Nossa abordagem é modelar decisões de negociação como um Processo de Decisão de Markov (MDP) e usar observações de uma política de decisão ótima para encontrar a função de recompensa. Isso é conhecido como Aprendizado de Reforço Inverso (IRL), e uma variedade de abordagens para esse problema é conhecida. Nossa abordagem baseada em IRL para caracterizar o comportamento do trader estabelece um equilíbrio entre duas características desejáveis, na medida em que captura as propriedades empíricas chaves da dinâmica do livro de ordens e, ainda assim, continua tratável computacionalmente. Utilizando um algoritmo IRL baseado em programação linear, conseguimos atingir uma precisão de classificação superior a 90% ao distinguir High Frequency Trading de outras estratégias de negociação em experimentos em um mercado futuro de E-Mini S & P 500 simulado.
Além disso, investigamos e abordamos a observação incompleta e questões policiais não determinísticas relacionadas a observações reais do mercado. Também desenvolvemos modelos baseados no Aprendizado de Reforço Inverso do Processo Gaussiano. O objetivo primário deste estudo é modelar o comportamento de negociação algorítmica usando a inferência bayesiana no âmbito da aprendizagem de reforço inverso (IRL). Nós modelamos o comportamento do profissional como um processo gaussiano no espaço de recompensas. Com observações incompletas de diferentes participantes do mercado, pretendemos recuperar as políticas ótimas e as correspondentes funções de recompensa para explicar seus comportamentos sob diferentes circunstâncias. Mostramos que o comportamento de negociação algorítmica pode ser identificado com precisão usando o algoritmo GPIRL desenvolvido por Qiao e Beling (Qiao e Beling [2011]), e é superior ao linear.
abordagem de maximização de recursos. Experimentos reais de dados de mercado usando o modelo GPIRL fornecem mais de 95% de precisão de identificação do trader consistentemente usando o método de classificação baseado em máquinas de vetores de suporte (SVM). Também mostramos que existe uma conexão clara entre a classificação de trader baseada em estatística existente (Kirilenko et al. [2011]) e nossa classificação baseada em comportamento. A fim de abordar a possível mudança do comportamento comercial ao longo do tempo, propomos uma abordagem de classificação baseada em pontuação para abordar as variações do comportamento do comércio algorítmico em diferentes condições de mercado. Além disso, conjecturamos isso porque a nossa identificação baseada no comportamento é melhor.
A selecção de acções e propostas de valor por parte dos comerciantes em diferentes condições de mercado, é mais informativa e robusta do que a abordagem estatística sumária, e é adequada para descobrir novos padrões de comportamento dos participantes no mercado.
No geral, comprovamos a hipótese de que as estratégias de Trading Algorítmico podem ser identificadas com precisão usando técnicas de modelagem baseadas em comportamento sob o framework Inverse Reinforcement Learning e essas estratégias podem ser propostas com base em observações de ações comerciais individuais para vigilância de mercado e outras pesquisas econômicas sobre o impacto de diferentes estratégias de Negociação Algorítmica para a qualidade do mercado financeiro em geral.
Negociação Algorítmica, Negociação de Alta Freqüência, Aprendizado por Reforço Inverso, Otimização, Processo Gaussiano.

Análise de decisão e aprendizado de máquina em sistemas econômicos e financeiros.
Qifeng Qiao Peter A. Beling Autor do email.
A análise de decisão pode ser vista como o uso combinado de técnicas de modelagem preditiva (por exemplo, previsão e aprendizado de máquina) e estruturas de decisão prescritivas (por exemplo, otimização e simulação) para criar valor em sistemas. Nos últimos anos, houve uma explosão nas aplicações de análise de decisão, impulsionadas pelos avanços nos métodos de aprendizado de máquina e otimização computacional e pelo aumento maciço nos dados aos quais essas técnicas podem ser aplicadas. A análise de decisão tem sido usada há muito tempo nos domínios dos sistemas econômico e financeiro, com a pontuação de crédito sendo um exemplo de sucesso inicial, e a tendência clara é o desenvolvimento de métodos e aplicativos cada vez mais sofisticados.
Esta edição do Environment System & amp; As decisões são dedicadas à análise de decisões em sistemas e ambientes financeiros e econômicos. Cada artigo tem influência sobre os desenvolvimentos teóricos e as aplicações financeiras e econômicas de métodos estatísticos, aprendizado de máquina e técnicas de modelagem de risco e decisão. Antes de apresentar os artigos, revisamos parte da literatura influente a esse respeito.
1 Previsão nos mercados financeiros.
Dados históricos e movimento de preços não aleatórios fornecem oportunidades para os técnicos desenvolverem algoritmos automatizados para prever preços. Isso foi observado por LeBaron et al. (1992), que mostrou que muito pode ser aprendido de um mercado de ações simulado com comerciantes simulados. Leigh et al. (2002) realizaram experimentos focados na previsão de preços no mercado de ações, incluindo técnicas convencionais de reconhecimento de padrões para identificar sinais de direção de mercado de preço / volume e técnicas de redes neurais e algoritmos genéticos para prever mudanças de preços para o índice composto da NYSE. Esses primeiros artigos foram seguidos por uma avalanche de pesquisas nas áreas de ferramentas de modelagem de dados, métodos de aprendizado de máquina, computação de alto desempenho e gerenciamento de big data. As capacidades nestas áreas desenvolvidas ao longo da última década criaram uma oportunidade sem precedentes para os sistemas de decisão oferecerem informações valiosas sobre problemas complexos no mundo dos negócios.
No contexto de negociação, a previsão de tendências nos preços das ações é um processo de apoio à decisão. Os resultados empíricos mostraram que as redes neurais artificiais (RNAs) têm melhor desempenho que a regressão linear, uma vez que os mercados de ações são dinâmicos e caóticos (Trippi 1995). White (1988) mostrou como usar redes neurais para procurar e decodificar regularidades não-lineares nos movimentos dos preços dos ativos. O experimento enfocou o caso dos retornos diários de ações ordinárias da IBM e mostrou que a evidência de encontro ao mercado eficiente com redes simples não é fácil, mas no lado positivo, essas redes simples são capazes de comportamento dinâmico extremamente rico. A previsão de preço usando as RNAs é comumente feita com backpropagation, um algoritmo de treinamento no qual o gradiente de descida mais íngreme é usado para aprender os parâmetros de rede ideais. A pesquisa de gradiente não é um método robusto de otimização global, pois o processo pode convergir para um ótimo local. Na tentativa de desenvolver abordagens mais robustas para o treinamento de redes neurais, pesquisadores investigaram algoritmos genéticos, simulated annealing e outros métodos que incorporam mecanismos para escapar de mínimos locais (ver, por exemplo, Chen et al. 1991; McInerney e Dhawan 1992). As RNAs são estudadas em Trippi e DeSieno (1992) no contexto de uma tentativa de construir um sistema de negociação para futuros de índice S & P 500 que podem superar o investimento passivo no índice. Grudnitski e Osburn (1993) investigaram a capacidade da RNA de prever o índice S & amp; 500 e futuros de ouro, tomando como dados de entrada os preços históricos e padrões de interesse aberto que visam caracterizar as crenças dos comerciantes no mercado correspondente. Baba e Kozaki (1992) e Armano et al. (2005), entre muitos outros, continuaram a combinar indicadores técnicos e RNAs para prever índices de estoque. Ao longo de linhas semelhantes, Tan e Yao (2000) aplicaram RNAs nas taxas de câmbio, prevendo as relações entre o dólar e outras cinco principais moedas. Os resultados ilustraram a dificuldade, esperada da teoria financeira, em obter lucro usando um modelo preditivo em um mercado eficiente.
Alguns estudos, como Wood e Dasgupta (1996) e Zemke (1999), têm se concentrado em prever as direções ascendentes e descendentes dos índices de mercado. Zemke (1999) descobriu que o método do vizinho mais próximo superou os classificadores ingênuos de Bayes e um algoritmo genético que evoluiu regras de classificação. Chen et al. (2003) modelaram e previram a direção do retorno sobre o índice de mercado da Bolsa de Valores de Taiwan, mostrando que estratégias de investimento baseadas na rede neural probabilística obtêm retornos mais elevados que outras estratégias baseadas em caminhadas aleatórias e métodos generalizados de momentos com filtro de Kalman. Em vez de formular o problema de previsão de direção como um problema de classificação binária, Tilakaratne et al. (2008) desenvolveram um algoritmo de rede neural para prever sinais de negociação em três classes: comprar, manter e vender, quando a distribuição desses sinais é desequilibrada.
Tio et al. (2005) e Hasbrouck (2007), entre muitos outros, aplicaram métodos de aprendizado de máquina para modelar a dinâmica do livro de ordens de limite. Fletcher e Shawe-Taylor (2012) aplicaram máquinas de vetores de suporte (SVMs) para prever a direção do movimento de preços de uma moeda. Kercheval e Zhang (2015) desenvolveram uma estrutura de aprendizado de máquina baseada em SVM para modelar a dinâmica de pedidos de limite de alta frequência em mercados financeiros e automatizar a previsão em tempo real de métricas como movimento de preço médio e cruzamento de preço.
2 Reconhecimento da estratégia de negociação.
Operadores algorítmicos projetam seus algoritmos e sistemas de negociação para obter retornos consistentes sob diferentes condições de mercado. A medida de eficácia mais usada pelos sistemas de negociação é o índice de Sharpe (Sharpe, 1994). Mullei e Beling (1998) usaram algoritmos genéticos para aprender regras técnicas de decisão que, então, são a base para decisões de negociação. Da mesma forma, Allen e Karjalainen (1999) desenvolveram regras para determinar os dias que podem dar um retorno positivo com baixa volatilidade. Moody (2002) propôs um algoritmo adaptativo chamado aprendizado de reforço recorrente para descobrir políticas de investimento e teste em aplicações reais de troca de moeda intra-diária e um sistema mensal de alocação de ativos para o índice de ações S & P 500. Outro trabalho, como o de Chung et al. (2004), Kim e Shin (2007) e Lee et al. (2010), focada no aprimoramento do sistema de negociação, empregando métodos de aprendizado de máquina para prever padrões de preços de ações.
Na última década, as estratégias de negociação de alta frequência atraíram atenção significativa de investidores, reguladores e formuladores de políticas. Embora muitas estratégias de HFT existam hoje, elas são amplamente desconhecidas para o público. Recentemente, os pesquisadores começaram a lançar alguma luz sobre as características gerais dessas estratégias. Diversas estratégias ilustrativas de HFT incluem (1) atuar como um formador de mercado informal ou formal, (2) negociação de valor relativo de alta frequência e (3) negociação direcional em releases, fluxo de pedidos ou outros sinais de alta frequência (Jones). 2012). A pesquisa sobre estratégias de negociação de HFT específicas se enquadra no tema maior das abordagens baseadas em aprendizado de máquina para identificar e caracterizar o comportamento em negociações algorítmicas. Estudos nesse sentido examinam as atividades de diferentes tipos de algoritmos e comerciantes e tentam reconhecer suas diferenças comportamentais. Hendershott e Riordan (2013) resumiram o papel dos comerciantes algorítmicos na oferta e demanda de liquidez no estoque do Deutsche Aktien Index e estudaram o problema de classificação de distinguir os comerciantes algorítmicos dos humanos. Kirilenko et al. (2011) classificaram os comerciantes em várias categorias, incluindo HFTs, comerciantes oportunistas, comerciantes fundamentais e comerciantes de ruído. Hayes et al. (2013) utilizaram o aprendizado supervisionado e não supervisionado para fazer engenharia reversa de estratégias de alocação de fundos para grupos de participantes humanos na competição comercial simulada. Conforme documentado por Yang et al. (2012) e Hayes et al. (2012), as estratégias de negociação algorítmica podem ser monitoradas por operadores de mercado e reguladores para evitar práticas comerciais injustas e melhorar a saúde dos mercados financeiros. Qiao e Beling (2013) propuseram uma abordagem geral para o reconhecimento de comportamento em problemas de decisão seqüencial que é baseado em modelos de processo de decisão de Markov (MDP) e aprendizado de reforço inverso de processo Gaussiano (cf. Qiao e Beling 2011). Yang et al. (2015) aplicaram essa abordagem ao comércio algorítmico, modelando as estratégias de negociação em termos de um MDP e, em seguida, aprendendo o comportamento do operador no espaço de funções de recompensa aprendidas através da aprendizagem de reforço inverso. Os resultados empíricos do mercado de futuros E-Mini S & P 500 mostram que a abordagem baseada em aprendizado de máquina fornece melhoria significativa e consistente em métodos de classificação baseados em regras anteriores.
3 Crise financeira e modelagem de risco.
Modelos de causa e desenvolvimento de crises financeiras têm sido temas de muita pesquisa, principalmente nos anos que se passaram desde 2008. O risco de uma crise bancária sugere a importância de identificar bancos com problemas potenciais antes que eles enfrentem crises de liquidez ou solvência. Falhas nos bancos podem resultar de más práticas de gestão, riscos ampliados, volatilidade da taxa de juros, contas contábeis inadequadas e aumento da concorrência (Miletic 2008). Ecer (2013) comparou a capacidade de redes neurais artificiais e máquinas de vetores de suporte em prever falhas de bancos. Um componente notável da literatura sobre crises financeiras é composto de métodos analíticos de decisão que cobrem o risco de crédito do consumidor e corporativo, já que níveis inesperados de inadimplência de crédito ou outros preços errados do risco podem resultar em choques substanciais no sistema financeiro.
As técnicas de aprendizado de máquina têm sido amplamente estudadas como ferramentas para previsão de inadimplência e falência nos espaços corporativos e de consumo, já que ambos os problemas de previsão podem ser formulados como um problema de classificação binária que atribui um rótulo de risco bom ou ruim a uma nova observação. Zhong et al. (2014), para dar um exemplo, comparou a eficácia da aprendizagem da retropropagação, máquinas de aprendizagem extrema, máquinas de vetores de suporte (SVMs) e ANNs para classificações de crédito corporativo, e mostrou que as ANNs e SVMs demonstraram desempenho notável. Outros estudos concentraram-se no impacto da seleção de características em modelos de pontuação de crédito (por exemplo, Liu e Schumann 2005) e na previsão de falências (por exemplo, Tsai 2009; Xu e Wang 2009). Os classificadores e os classificadores híbridos foram usados ​​para melhorar o desempenho do classificador único na previsão de crises financeiras por meio de grupos de votação majoritários (Li e Sun, 2009); k-NN conjuntos (Paleologoa et al. 2010; Twala 2010); conjuntos de regressão logística (Twala 2010); Conjuntos de SVM (Nanni e Lumini 2009; Paleologoa et al. 2010); e conjuntos de redes neurais (West 2000; West et al. 2005; Kim e Kang 2010). Os classificadores híbridos são amplamente aplicados porque, em relação a outros métodos, consomem menos recursos computacionais e são menos exigentes em termos de complexidade de escolha de classificadores e conjuntos de dados de treinamento.
Gestel et al. (2006) aplicaram classificadores de máquinas vetoriais de suporte de mínimos quadrados dentro de uma estrutura bayesiana de evidências para inferir e analisar a capacidade creditícia de potenciais clientes corporativos. As probabilidades inferidas de falência da classe posterior foram usadas para analisar a sensibilidade da saída do classificador e auxiliar no processo de tomada de decisão de atribuição de crédito. Um modelo híbrido de rede neural e método de reforço adaptativo foi estudado por Xu et al. (2015). Sexton e Mcmurtrey (2006) e Setiono et al. (2009) estudaram um algoritmo de rede neural baseado em algoritmos genéticos para triagem de cartões de crédito e descobriram que a extração de regras de redes neurais é muito eficaz na descoberta de conhecimento e é particularmente apropriada em aplicações que exigem compreensão e precisão. Um modelo híbrido de dois estágios baseado em redes neurais artificiais e splines de regressão adaptativa multivariada (MARs) foi proposto para pontuação de crédito por Lee e Chen (2005). A saída de MARs é usada como variáveis ​​de entrada das redes neurais projetadas.
O crédito ao consumidor excedeu US $ 14 trilhões no quarto trimestre de 2015; as oportunidades e exposições de risco nesse espaço são igualmente desproporcionadas. A natureza complicada e o grande número de decisões envolvidas no negócio de empréstimos ao consumidor tornam necessário o uso de algoritmos para automatizar a avaliação e o gerenciamento de riscos para indivíduos. É comum que as instituições de crédito criem seus modelos com base nas informações dos arquivos de crédito coletados pelas agências do departamento de crédito e informações privadas sobre o comportamento anterior dos mutuários. Pontuação de crédito tem sido usada com sucesso na prática há mais de quatro décadas. Desai et al. (1996) compararam uma série de alternativas aos métodos tradicionais de pontuação de crédito, destacando um interesse crescente na aplicação de técnicas de aprendizado de máquina na avaliação do risco de crédito individual. Até hoje, uma rica variedade de métodos de aprendizado foi estudada nessa área. Ong et al. (2005), por exemplo, concluíram que algoritmos genéticos superam os modelos baseados em RNAs, árvores de decisão e regressão logística. Martens et al. (2007) propuseram um método de extração de regras para as SVMs para gerar modelos de crédito ao consumidor com regras interpretáveis ​​pelo homem e pouca perda de precisão. Amir et al. (2010) usaram árvores de classificação e regressão generalizadas para construir modelos de gestão de risco de crédito.
4 Nesta edição.
O conhecido parâmetro Beta fornece uma medida da volatilidade de um ativo em relação ao mercado, uma quantidade que é necessária em muitas decisões de investimento. Baker et al. (2016) estudam métodos para estimar Beta e, por fim, sugerem um novo método com características desejáveis. Seguindo a mesma linha, Laird-Smith et al. (2016) consideram uma alternativa à Beta que fornece um estimador mais realista e estável para risco e retorno relacionados ao mercado.
Os bancos centrais das nações costumam usar as taxas de juros de curto prazo para impulsionar a política monetária e influenciar as decisões de investimento. Shaw et al. (2016) usam modelos de processos estocásticos para explorar como os saltos nos preços de mercado podem predizer os anúncios do banco central.
Historicamente, os modelos de desempenho de ações têm sido baseados em um conjunto restrito de observáveis, como atividade de negociação (por exemplo, ordens de compra e venda), preços em si e os fundamentos das empresas. Hoje, por meio de novas fontes de mídia e conjuntos de dados, é possível formar estimativas diretas das relações entre as opiniões das pessoas sobre uma ação e seu preço. Mo et al. (2016) estudam uma hipótese de feedback de que o sentimento de notícia impulsiona a atividade de negociação e que a atividade de negociação gera publicidade, influenciando as notícias.
O advento da negociação algorítmica expandiu enormemente a quantidade e a complexidade dos dados que os reguladores do mercado de ações devem considerar na tomada de decisões operacionais e em nível de política. Paddrik et al. (2016) consideram uma variedade de ferramentas de visualização para apoiar decisões regulatórias em mercados dominados pelo comércio eletrônico.
Três artigos na edição são sobre análise de decisão em ambientes e sistemas econômicos e industriais. Danielle et al. (2016) consideram o planejamento econômico sob risco e incerteza ambiental, desenvolvendo um modelo de otimização fuzzy que recebe insumos de especialistas e fornece suporte aos tomadores de decisão. Em ambientes de produção, as decisões operacionais e financeiras são frequentemente conduzidas por indicadores-chave de desempenho (KPIs), que são métricas de produtividade e econômicas. Collins et al. (2016) apresentam uma nova abordagem e insights sobre o aprimoramento dessas importantes ferramentas analíticas de decisão. Hopkins (2016) considera um problema fundamental de decisão econômica, análise de custo-benefício, estudando as características do problema em diversos estudos de casos em planejamento de projetos ambientais.
Os artigos desta edição especial de Environment Systems & amp; As decisões abrangem uma série de problemas de decisão, abordagens analíticas e domínios. Esperamos que esta coleção sirva para ilustrar a natureza rica da pesquisa de análise de decisão nos sistemas econômico e financeiro.