缓解非可辨性：基于多变量时间序列数据的高保真金融市场模拟校准目标

非可辨性问题在社会模拟工作中经常被报告，其中不同的代理模型参数在某些偏差度量标准下会产生难以区分的模拟时间序列数据。这一问题大大削弱了模拟的保真度，却缺乏专门的调查。本文在理论上表明，在模型校准阶段融合多个时间序列数据特征可指数级地缓解非可辨性问题，随着特征数量的增加。为实现这一理论发现，本文基于现有偏差度量标准提出了基于最大化的聚合函数，以形成新的校准目标函数。为验证，本文考察了校准金融市场模拟（FMS）的任务，该任务是典型且复杂的社会模拟。实证研究确认，在缓解校准任务的非可辨性方面取得了显著的改进。此外，作为一种模型无关的方法，它在合成数据和真实市场数据上均实现了对所选FMS模型的 much higher simulation fidelity。进一步地，理论上和实证上分析表明，只要特征被选取且不呈线性相关性，就能促进缓解，这表明了所提出目标函数的鲁棒性。因此，本工作预期不仅能为社会模拟中的非可辨性问题提供严格的理解，还能为FMS提供即插即用的数据校准目标函数。