財務市場資訊不對稱的現象已由不少學者研究, 本文利用真人實驗方法對此一議題再檢驗, 依照擁有資訊的程度分為: 完全知訊者、不完全知訊者與外部者。結果發現, 價格收斂情形與知訊者的多寡有顯著相關, 然而卻與知訊品質的高低相關性較低。成交量與價格收斂情形呈反向關係, 雖顯著但相關性有限, 我們推測對資產定價的落差雖是交易動機的原因之一,但並非僅只有此原因。市場內財富差異性亦與價格收斂有所相關, 價格收斂越好的市場, 市場吉尼係數就越小, 顯示參與者間貧富落差越小。與過去文獻差異較多是擁有較多資訊的參與者不見得有較好的利得,因此, 擁有資訊的程度不再是決定利得的唯一因素, 策略的選擇將是影響利潤的重要因素之一。 根據實驗結果, 發現限價單使用比例與期末利得有顯著的正相關, 且排名較為前面的參與者能較快學習到此一結果。本文將限價單使用比例的增減做為一策略選擇, 並利用三種強化學習模型解釋市場現象, 此三種模型皆從Roth 與Erev 的文獻中而來, 前二種模型中有二種參數: 新進因子與經驗因子, 新進因子表示前一期策略的動機對本期採同一策略動機的影響,經驗因子則表示前其策略所引發的利潤對本期策略動機的影響, 此一參數亦隱含了參與者強化學習之能力。第三種模型則多增加了參與者對利潤敏感的的測度。結果發現, 無論是此三種模型的何種參數, 在不同資訊結構的市場與不同類型的參與者間幾無差異。然而, 若以參與者利得的表現區分, 參與者對過去利潤的反應, 即經驗因子, 有顯著的差異, 說明了利潤高低與是否能從過去利潤結果學習到經驗(即強化學習能力) 有密切關係。上述三個現象說明, 參與者的行為參數在進入實驗室前就已決定了,因此利用市場環境與參與者身份將之分類比較的差異性不大, 但這樣的差異卻會影響之後的利得。故本文的結論與過去文獻不同的是, 在此實驗中決定參與者利得 多寡的不再是資訊掌握程度, 而是其學習(策略) 之能力。

因應電子化交易興起而進行的一系列人機互動研究顯示, 縱使人類會透過學習而改善其表現, 電腦化的交易程式獲利能力還是遠勝於真人交易者之表現。本研究遂以遺傳規劃演算法作為學習型交易者之代表, 與一系列電腦化交易策略相競爭, 以探討學習的功效及其限制。 本研究採用離散型雙方喊價機制, 摒除了計算能力所造成之決策時間差異所會帶來的影響, 亦排除掉人類情緒、預期、相關知識不足等可能因子, 在計算能力對等的情況下, 單純地來評估學習與理性設計策略的結果。並且首次嘗試將影響學習至鉅的智商因子帶入模型之中, 實驗結果顯示學習具有相當的能力, 即使是在對環境缺乏認識的情況下, 隨著時間的經過其表現最終可凌駕理性設計的策略之上, 然而學習所需的時間是學習型交易者的一大弱點。同時, 本研究也顯示對於以遺傳規劃建構的學習型交易者而言, 其虛擬智商的參數愈高, 學習的效果也愈佳。此研究因此可作為未來在代理人基經濟學模型中, 更深入地探討智商水準不同所造成之行為差異的基礎。 / The study of a series of human-agent interactions as well as computerized trading tournaments in double auction markets has exhibited a general superiority of computerized trading strategies over learning agents. The ineffectiveness of learning motivates the study of learning versus designed trading agents in this research. We therefore initiates a series of experiments to test the capability of learning GP agents and rationally-designed trading strategies. The results shows that with the cost of time, eventually learning agents can beat all other trading strategies. At the same time, the notion of intelligence is introduced into the model to investigate the influence of individual intelligence on learning ability. We utilize the population size of the GP trader as the proxy variable of IQ which is a measure of general intelligence. The results show that individuals with higher intelligence can perform better than those with lower intelligence, which manifests its importance discovered in Psychological research.

近年來，網際網路(Internet)快速發展，已成為一個無疆無界無時差的市場，如何不被這股潮流所淘汰，我們所提出的解決方案—軟體代理人(software agent)，一位具有人工智慧(artificial intelligence)演化調適(adaptive)能力的代理人，現在已經有許多企業與資訊、管理、電腦科學等各方面專家結合，開始使用軟體代理人來代勞，試想一位永不停止、具有創新、學習適應的員工，企業家可以隨意複製或刪除，隨時配合市場規模，不必擔心任何裁員的負擔，這樣的代理人的問世，勢必對我們的經濟環境帶來莫大的衝擊。 電子商務(electronic commerce)已經行之有年，人類的消費型態似乎不易於因這個轉變而有所改變，消費者如果沒有經過視覺、觸覺、嗅覺等感官的刺激，很難有購買的動機，再加上授信制度的不健全使得電子商務的施行充滿了風險。雖然有這麼多問題，我們仍無法阻擋這股趨勢，在電子科技的進步，3D數位影像、各種感官刺激的傳送、或如同期貨市場上明確公認的規格、法律的修訂、完善的認證制度，接下來我們就是要看軟體代理人的表現。 我們將軟體代理人運用在人工雙方喊價(artificial double auction)的市場，就像真實市場已經有人開始使用自動下單或自動議價代理人的機制一樣。然而市場上是否有必然不敗的策略呢？本文就是要解開這個答案。再進一步來看，待真實市場每個成員受不了生存競爭的壓力，也採取使用代理人的演化性策略，屆時我們的人工市場就是真實市場的縮影，我們在本文也會針對這樣一個具有未來前瞻性市場的表現如何？透過經濟學的角度來揭露市場的本質是否仍然維持？ 在本文軟體代理人即為議價代理人(bargaining agent)，她可以在穩定的(stable)市場環境(其他參與者使用固定策略)中辨別出一些有利的市場特徵，藉由這些特徵發展出有利的策略，而其結果甚至不是很容易想到的策略；接著若每個人都使用議價代理人在市場上交易，這裡我們使用一種納許式過程(Nash-like process)來詮釋，之後再分別依市場的分配效率、價格效率、及所得分配來討論市場績效。