Estimated Dynamic Equilibrium Model: Supply and Demand as a Sample Path of a Stochastic Process

Technische Samenvatting: Geschat Dynamisch Evenwichtsmodel (EDEM)

Probleemstelling
Het artikel behandelt de aanhoudende onbekwaamheid van de Efficient Market Hypothesis (EMH) om marktfenomenen zoals bubbels, crashes en aanhoudende cross-sectionele rendementanomalieën te verklaren. Hoewel de empirische literatuur over de "divergentie van mening" (Miller, 1977) concurrerende theorieën biedt — sommige voorspellen een premie voor meningsverschil, anderen een korting — blijven deze bevindingen tegenstrijdig en hangen ze vaak af van het specifieke observatievenster. De auteurs stellen dat de wortel van deze verwarring ligt in de statische framing van vraag en aanbod. Echte markten zijn geen vaste schema's, maar continue, stochastische processen waarbij de prijzen van vandaag terugkoppelen naar de waarderingen van morgen. Het artikel streeft naar de constructie van een generatief, bottom-up model om te bepalen of aanhoudend onevenwicht kan ontstaan uit eenvoudige, gezond verstand-regels, zonder aan te nemen dat investeerders irrationeel, optimistisch of bevooroordeeld zijn.

Methodologie
De auteurs introduceren het Geschat Dynamisch Evenwichtsmodel (EDEM), een agent-based framework (ABM) geïmplementeerd in de Python-bibliotheek Mesa. Het model simuleert een onroerendgoedmarkt op een toroidale rooster waar heterogene agenten (kopers en verkopers) interageren volgens de volgende structurele regels:

1. Heterogene Schatting: Agenten bezitten persoonlijke schattingsfuncties voor de activa-waarde, gedefinieerd als $E_{i,t}(h) = v_t(h) \cdot (1 + \epsilon_{i,t,h})$, waarbij $\epsilon$ een term met gemiddelde nul is met agent-specifieke spreiding $\sigma$. Cruciaal is dat de fouten gemiddeld nul zijn; agenten zijn niet inherent bevooroordeeld.
2. Max-Bod Clearing: Verkopers kiezen het hoogste bod uit een pool van ruisende schattingen.
3. Bod-Commitment Regel: Kopers verbinden zich tot een aankoop alleen als het aangeboden bod gelijk is aan of hoger is dan hun eigen lopend gemiddelde van uitstaande bods. Dit beperkt daadwerkelijke transacties tot de bovenste staart van de eigen bod-distributie van de koper.
4. Dynamische Feedback:
   • Dynamisch Evenwicht (DE) Variant: Gebruikt een rollend gemiddelde van de laatste $W$ verkopen om marktprijzen bij te werken. Vraag- en aanbodhoeveelheden passen zich aan via "balancer"-parameters ($C_b, C_s$) die reageren op prijsstijgingen, wat mean-reverting of trendvolgend gedrag simuleert.
   • Speculatieve Markt Variant: Werkte activa-waarden multiplicatief bij op basis van de verhouding tussen winnende bods en huidige waarden, waardoor de studie van onbegrensde bubbels mogelijk wordt.

Het model behandelt vraag en aanbod niet als deterministische schema's, maar als gehele-waarde willekeurige wandelingen aangedreven door prijsstijgingen en balancer-parameters.

Belangrijkste Bijdragen

1. Order-Statistic Drift Mechanisme: Het artikel leidt een gesloten-vorm resultaat af waaruit blijkt dat zelfs met schattingsfouten met gemiddelde nul, het verwachte winnende bod voor een verkoper die $n$ bods ontvangt, de ware waarde overschrijdt met een factor van $1 + \sigma(n-1)/(n+1)$. Deze "order-statistic bias" ontstaat omdat het maximum van $n$ ruisende trekkingen strikt groter is dan het gemiddelde.
2. Gecomposte Exponentiële Groei: De auteurs tonen aan dat wanneer dit gerealiseerde maximum teruggekoppeld wordt naar de waarderingsanker van de volgende epoch (via de multiplicatieve update-regel), de bias multiplicatief compenseert. Dit genereert aanhoudende opwaartse prijsdrift en exponentiële bubbels zonder enige aanname van investeerdersoptimisme of irrationaliteit.
3. Gefuseerd Kader van Regimes: EDEM omvat het klassieke Walraasevenwicht (als $\sigma \to 0$) en Millers statische premie (als een een-periode limiet) als speciale gevallen. Het identificeert verder zes distincte regimes buiten evenwicht die voortkomen uit een enkel agentenregelsysteem, geparametriseerd door schattingsruis, verkopersgeduld en balancer-strength:
   • Band-stabiel evenwicht
   • Endogene conjunctuurcycli
   • Aanhoudende overschrijdingen en onderschrijdingen
   • Ontsnappende exponentiële bubbels
   • Constante transitie (nooit stabiliserend)

Resultaten
Via acht primaire gecontroleerde experimenten en een 30-cel gevoeligheidsrooster observeren de auteurs:

• Stabiele versus Instabiele Dynamiek: Lage schattingsruis en gematigd geduld leveren een stabiel evenwicht op. Hoge ruis induceert conjunctuurcycli; hoog geduld of lage agentdichtheid creëert aanhoudende afwijkingen (overschrijdingen of onderschrijdingen) van het handboek-evenwicht.
• Bubbelsgeneratie: In de speculatieve variant zonder balancer ($C_b=0$) en gematigde ruis ($\sigma=15\%$) groeien prijzen exponentieel (bereikend ~421x de ware waarde over 3000 ticks).
• Ondoeltreffendheid van Lineaire Balancers: Mean-reverting balancers ($C_b > 0$) dempen maar elimineren de opwaartse drift niet. Trendvolgende balancers ($C_b < 0$) staan grotere bubbels toe. Cruciaal is dat geen enkele instelling van de lineaire balancer de prijs binnen de gesimuleerde tijdschalen herstelt naar de eerlijke waarde ($v_t/v^* = 1$).
• Gevoeligheid: De order-statistic drift is universeel over het parameterrooster; elke combinatie van balancer-coëfficiënt en ruisniveau resulteerde in $v_t/v^* > 1$.

Betekenis en Claims
Het artikel bescheiden claimt een structurele verklaring te bieden voor tegenstrijdige empirische bevindingen in de literatuur over divergentie van mening. Het postuleert dat of een studie een "premie" of een "korting" observeert, afhangt van de positie van het steekproef langs de onderliggende stochastische trajectorie, wat korte vensterstudies niet kunnen onderscheiden.

De primaire theoretische implicatie is dat bubbels een statistische onvermijdelijkheid zijn van max-bod clearing met feedback, geen gedragsanomalie. Een secundaire, praktische implicatie betreft machine-learning waarderingsalgoritmen (bijv. Zillow Offers). De auteurs betogen dat algoritmen getraind op historische clearingprijzen per ongeluk de bovenste order-statistiek (het winnende bod) leren in plaats van het populatiegemiddelde. Bij inzet fungeren deze algoritmen als positief bevooroordeelde schatters, waardoor ze een coördinerend signaal bieden dat de bubbels die ze bedoelen te prijzen, juist versterkt. Het artikel concludeert dat correctie hiervan "selectie-bewuste" procedures vereist (bijv. het voorspellen van medianen of het gebruik van censored-data likelihoods) in plaats van het behandelen van historische clearingprijzen als onbevooroordeelde trainingsdoelen.