pre clean for az pt. 1
This commit is contained in:
Joshua E. Jodesty
parent
b394f2be46
commit
d39bca6700
|
|
@ -9,4 +9,3 @@ Pipfile
|
||||||
Pipfile.lock
|
Pipfile.lock
|
||||||
results
|
results
|
||||||
.mypy_cache
|
.mypy_cache
|
||||||
simulations/scrapbox
|
|
||||||
|
|
@ -0,0 +1,494 @@
|
||||||
|
from decimal import Decimal
|
||||||
|
import numpy as np
|
||||||
|
|
||||||
|
from SimCAD import Configuration, configs
|
||||||
|
from SimCAD.configuration import exo_update_per_ts, bound_norm_random, \
|
||||||
|
ep_time_step
|
||||||
|
|
||||||
|
seed = {
|
||||||
|
'z': np.random.RandomState(1)
|
||||||
|
# 'a': np.random.RandomState(2),
|
||||||
|
# 'b': np.random.RandomState(3),
|
||||||
|
# 'c': np.random.RandomState(3)
|
||||||
|
}
|
||||||
|
|
||||||
|
#Signals
|
||||||
|
# Pr_signal
|
||||||
|
#if s['P_Ext_Markets'] != 0:
|
||||||
|
#Pr_signal = s['Z']/s['P_Ext_Markets']
|
||||||
|
#else Pr_signal = 0
|
||||||
|
# if Pr_signal < s['Z']/s['Buy_Log']:
|
||||||
|
beta = Decimal('0.25') #agent response gain
|
||||||
|
beta_LT = Decimal('0.1') #LT agent response gain
|
||||||
|
alpha = Decimal('0.091') #21 day EMA forgetfullness between 0 and 1, closer to 1 discounts older obs quicker, should be 2/(N+1)
|
||||||
|
max_withdraw_factor = Decimal('0.9')
|
||||||
|
external_draw = Decimal('0.01') # between 0 and 1 to draw Buy_Log to external
|
||||||
|
|
||||||
|
# Stochastic process factors
|
||||||
|
correction_factor = Decimal('0.01')
|
||||||
|
volatility = Decimal('5.0')
|
||||||
|
|
||||||
|
|
||||||
|
# Buy_Log_signal =
|
||||||
|
# Z_signal =
|
||||||
|
# Price_signal =
|
||||||
|
# TDR_draw_signal =
|
||||||
|
# P_Ext_Markets_signal =
|
||||||
|
|
||||||
|
# Behaviors per Mechanism
|
||||||
|
|
||||||
|
# BEHAVIOR 1: EMH Trader
|
||||||
|
EMH_portion = Decimal('0.250')
|
||||||
|
EMH_Ext_Hold = Decimal('42000.0')
|
||||||
|
|
||||||
|
def b1m1(step, sL, s):
|
||||||
|
# y = 'P_Ext_Markets'
|
||||||
|
# Psignal_ext = s['P_Ext_Markets'] / s['Z']
|
||||||
|
# Psignal_int = s['Buy_Log'] / s['Z']
|
||||||
|
# if Psignal_ext < Psignal_int:
|
||||||
|
# return beta*(Psignal_int - Psignal_ext) * s['Z'] # Deposited amount in TDR
|
||||||
|
# else:
|
||||||
|
# return 0 # Decimal(0.000001)
|
||||||
|
# return (y,x)
|
||||||
|
theta = (s['Z']*EMH_portion*s['Price'])/(s['Z']*EMH_portion*s['Price'] + EMH_Ext_Hold * s['P_Ext_Markets'])
|
||||||
|
if s['Price'] < (theta*EMH_Ext_Hold * s['P_Ext_Markets'])/(s['Z']*EMH_portion*(1-theta)):
|
||||||
|
return beta * theta*EMH_Ext_Hold * s['P_Ext_Markets']/(s['Price']*EMH_portion*(1-theta))
|
||||||
|
elif s['Price'] > (theta*EMH_Ext_Hold * s['P_Ext_Markets'])/(s['Z']*EMH_portion*(1-theta)):
|
||||||
|
return 0
|
||||||
|
else:
|
||||||
|
return 0
|
||||||
|
|
||||||
|
def b1m2(step, sL, s):
|
||||||
|
theta = (s['Z']*EMH_portion*s['Price'])/(s['Z']*EMH_portion*s['Price'] + EMH_Ext_Hold * s['P_Ext_Markets'])
|
||||||
|
if s['Price'] < (theta*EMH_Ext_Hold * s['P_Ext_Markets'])/(s['Z']*EMH_portion*(1-theta)):
|
||||||
|
return 0
|
||||||
|
elif s['Price'] > (theta*EMH_Ext_Hold * s['P_Ext_Markets'])/(s['Z']*EMH_portion*(1-theta)):
|
||||||
|
return beta * theta*EMH_Ext_Hold * s['P_Ext_Markets']/(s['Price']*EMH_portion*(1-theta))
|
||||||
|
else:
|
||||||
|
return 0
|
||||||
|
|
||||||
|
# BEHAVIOR 3: Herding
|
||||||
|
|
||||||
|
|
||||||
|
# BEHAVIOR 4: HODLers
|
||||||
|
HODL_belief = Decimal('10.0')
|
||||||
|
HODL_portion = Decimal('0.250')
|
||||||
|
HODL_Ext_Hold = Decimal('4200.0')
|
||||||
|
|
||||||
|
def b4m2(step, sL, s):
|
||||||
|
theta = (s['Z']*HODL_portion*s['Price'])/(s['Z']*HODL_portion*s['Price'] + HODL_Ext_Hold * s['P_Ext_Markets'])
|
||||||
|
if s['Price'] < 1/HODL_belief*(theta*HODL_Ext_Hold * s['P_Ext_Markets'])/(s['Z']*HODL_portion*(1-theta)):
|
||||||
|
return beta * theta*HODL_Ext_Hold * s['P_Ext_Markets']/(s['Price']*HODL_portion*(1-theta))
|
||||||
|
elif s['Price'] > (theta*HODL_Ext_Hold * s['P_Ext_Markets'])/(s['Z']*HODL_portion*(1-theta)):
|
||||||
|
return 0
|
||||||
|
else:
|
||||||
|
return 0
|
||||||
|
|
||||||
|
|
||||||
|
# BEHAVIOR 2: Withdraw TDR and burn Zeus
|
||||||
|
# Selling Agent- Arbitrage on TDR ext v TDR int signals
|
||||||
|
# def b2m1(step, sL, s):
|
||||||
|
# Psignal_ext = s['P_Ext_Markets'] / s['Z']
|
||||||
|
# Psignal_int = s['Buy_Log'] / s['Z']
|
||||||
|
# if Psignal_ext > Psignal_int:
|
||||||
|
# # withdrawn amount in TDR, subject to TDR limit
|
||||||
|
# return - np.minimum(beta*(Psignal_ext - Psignal_int) * s['Z'],s['Buy_Log']*max_withdraw_factor)
|
||||||
|
# else:
|
||||||
|
# return 0 #- Decimal(0.000001)
|
||||||
|
# return 0
|
||||||
|
|
||||||
|
# BEHAVIOR 1: Deposit TDR and mint Zeus
|
||||||
|
# Buying Agent- Arbitrage on Price and Z signals
|
||||||
|
# def b1m2(step, sL, s):
|
||||||
|
# # Psignal_ext = s['P_Ext_Markets'] / s['Z']
|
||||||
|
# # Psignal_int = s['Buy_Log'] / s['Z']
|
||||||
|
# # if Psignal_ext > Psignal_int:
|
||||||
|
# # # withdrawn amount in TDR, subject to TDR limit
|
||||||
|
# # return - np.minimum(beta*(Psignal_ext - Psignal_int) * s['Z'],s['Buy_Log']*max_withdraw_factor)
|
||||||
|
# # else:
|
||||||
|
# # return 0 #- Decimal(0.000001)
|
||||||
|
# #
|
||||||
|
# # LT more valuable than ST = deposit TDR and mint Z
|
||||||
|
# Psignal_LT = s['Price'] / s['Z']
|
||||||
|
# if Psignal_LT > 1:
|
||||||
|
# return beta_LT*(Psignal_LT - 1) * s['Z']
|
||||||
|
# else:
|
||||||
|
# return 0
|
||||||
|
|
||||||
|
# Behavior will go here- b2m2, putting in mech 3: b1m3 for debugging
|
||||||
|
# def b2m2(step, sL, s):
|
||||||
|
# # Psignal_LT = s['Price'] / s['Z']
|
||||||
|
# # if Psignal_LT > 1:
|
||||||
|
# test = np.arange(1,10)
|
||||||
|
# return test
|
||||||
|
|
||||||
|
# Selling Agent- Arbitrage on Price and Z signals
|
||||||
|
# def b1m3(step, sL, s):
|
||||||
|
# Psignal_LT = s['Price'] / s['Z']
|
||||||
|
# if Psignal_LT < 1:
|
||||||
|
# return - np.minimum(beta_LT*(Psignal_LT - 1) * s['Z'], s['Z']*max_withdraw_factor)
|
||||||
|
# else:
|
||||||
|
# return 0
|
||||||
|
|
||||||
|
|
||||||
|
# def b2m3(step, sL, s):
|
||||||
|
# return 0
|
||||||
|
|
||||||
|
def dummy_behavior(step, sL, s):
|
||||||
|
return 0
|
||||||
|
def s1_dummy(step, sL, s, _input):
|
||||||
|
y = 'Z'
|
||||||
|
x = s['Z']
|
||||||
|
return (y, x)
|
||||||
|
def s2_dummy(step, sL, s, _input):
|
||||||
|
y = 'Price'
|
||||||
|
x = s['Price']
|
||||||
|
return (y, x)
|
||||||
|
def s3_dummy(step, sL, s, _input):
|
||||||
|
y = 'Buy_Log'
|
||||||
|
x = s['Buy_Log']
|
||||||
|
return (y, x)
|
||||||
|
def s4_dummy(step, sL, s, _input):
|
||||||
|
y = 'Sell_Log'
|
||||||
|
x = s['Sell_Log']
|
||||||
|
return (y, x)
|
||||||
|
def s5_dummy(step, sL, s, _input):
|
||||||
|
y = 'Trans'
|
||||||
|
x = s['Trans']
|
||||||
|
return (y, x)
|
||||||
|
def s6_dummy(step, sL, s, _input):
|
||||||
|
y = 'P_Ext_Markets'
|
||||||
|
x = s['P_Ext_Markets']
|
||||||
|
return (y, x)
|
||||||
|
# Internal States per Mechanism
|
||||||
|
# Deposit TDR/Mint Zeus
|
||||||
|
# def s1m1(step, sL, s, _input):
|
||||||
|
# s['Z'] = s['Z'] + _input
|
||||||
|
|
||||||
|
|
||||||
|
# STATES
|
||||||
|
|
||||||
|
# ZEUS Fixed Supply
|
||||||
|
def s1m1(step, sL, s, _input):
|
||||||
|
y = 'Z'
|
||||||
|
x = s['Z'] #+ _input # / Psignal_int
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s2m1(step, sL, s, _input):
|
||||||
|
y = 'Price'
|
||||||
|
x = (s['P_Ext_Markets'] - _input) /s['Z'] *10000
|
||||||
|
#x= alpha * s['Z'] + (1 - alpha)*s['Price']
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s3m1(step, sL, s, _input):
|
||||||
|
y = 'Buy_Log'
|
||||||
|
x = _input # / Psignal_int
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s4m2(step, sL, s, _input):
|
||||||
|
y = 'Sell_Log'
|
||||||
|
x = _input # / Psignal_int
|
||||||
|
print('s4m2 ',type(_input))
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s3m3(step, sL, s, _input):
|
||||||
|
y = 'Buy_Log'
|
||||||
|
x = s['Buy_Log'] + _input # / Psignal_int
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
# Price Update
|
||||||
|
def s2m3(step, sL, s, _input):
|
||||||
|
print('s2m3 ')
|
||||||
|
print(type(s['Sell_Log']))
|
||||||
|
print(type(s['Z']))
|
||||||
|
|
||||||
|
y = 'Price'
|
||||||
|
x = s['Price'] + s['Buy_Log']/s['Z'] - s['Sell_Log']/s['Z']
|
||||||
|
#+ np.divide(s['Buy_Log'],s['Z']) - np.divide() # / Psignal_int
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
def s6m1(step, sL, s, _input):
|
||||||
|
y = 'P_Ext_Markets'
|
||||||
|
x = s['P_Ext_Markets'] - _input
|
||||||
|
#x= alpha * s['Z'] + (1 - alpha)*s['Price']
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s2m2(step, sL, s, _input):
|
||||||
|
y = 'Price'
|
||||||
|
x = (s['P_Ext_Markets'] - _input) /s['Z'] *10000
|
||||||
|
#x= alpha * s['Z'] + (1 - alpha)*s['Price']
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
# def s1m1(step, sL, s, _input):
|
||||||
|
# Psignal_int = s['Buy_Log'] / s['Z']
|
||||||
|
# y = 'Z'
|
||||||
|
# x = s['Z'] + _input / Psignal_int
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s2m1(step, sL, s, _input):
|
||||||
|
# y = 'Price'
|
||||||
|
# x= alpha * s['Z'] + (1 - alpha)*s['Price']
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s3m1(step, sL, s, _input):
|
||||||
|
# y = 'Buy_Log'
|
||||||
|
# x = s['Buy_Log'] + _input # Input already in TDR * s['Z']
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# # Withdraw TDR/Burn Zeus
|
||||||
|
# def s1m2(step, sL, s, _input):
|
||||||
|
# Psignal_int = s['Buy_Log'] / s['Z']
|
||||||
|
# y = 'Z'
|
||||||
|
# x = s['Z'] #+ _input / Psignal_int
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s2m2(step, sL, s, _input):
|
||||||
|
# y = 'Price'
|
||||||
|
# x= alpha * s['Z'] + (1 - alpha)*s['Price']
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s3m2(step, sL, s, _input):
|
||||||
|
# y = 'Buy_Log'
|
||||||
|
# x = s['Buy_Log'] + _input #* s['Z']
|
||||||
|
# # y = 'Buy_Log'
|
||||||
|
# # x = s['Buy_Log'] + _input
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s1m3(step, sL, s, _input):
|
||||||
|
# Psignal_int = s['Buy_Log'] / s['Z']
|
||||||
|
# y = 'Z'
|
||||||
|
# x = s['Z'] #+ _input / Psignal_int
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s2m3(step, sL, s, _input):
|
||||||
|
# y = 'Price'
|
||||||
|
# x= alpha * s['Z'] + (1 - alpha)*s['Price']
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s3m3(step, sL, s, _input):
|
||||||
|
# y = 'Buy_Log'
|
||||||
|
# x = s['Buy_Log'] #+ _input #* s['Z']
|
||||||
|
# # y = 'Buy_Log'
|
||||||
|
# # x = s['Buy_Log'] + _input
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s3m4(step, sL, s, _input):
|
||||||
|
# y = 'Buy_Log'
|
||||||
|
# x = s['Buy_Log']*(1-external_draw) + s['Sell_Log']*external_draw # _input #* s['Z']
|
||||||
|
# # y = 'Buy_Log'
|
||||||
|
# # x = s['Buy_Log'] + _input
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s1m3(step, sL, s, _input):
|
||||||
|
# s['Z'] = s['Z'] + _input
|
||||||
|
# def s2m3(step, sL, s, _input):
|
||||||
|
# s['Price'] = s['Price'] + _input
|
||||||
|
|
||||||
|
# Exogenous States
|
||||||
|
proc_one_coef_A = -125
|
||||||
|
proc_one_coef_B = 125
|
||||||
|
# def es3p1(step, sL, s, _input):
|
||||||
|
# s['s3'] = s['s3'] * bound_norm_random(seed['a'], proc_one_coef_A, proc_one_coef_B)
|
||||||
|
# def es4p2(step, sL, s, _input):
|
||||||
|
# s['P_Ext_Markets'] = s['P_Ext_Markets'] * bound_norm_random(seed['b'], proc_one_coef_A, proc_one_coef_B)
|
||||||
|
# def es5p2(step, sL, s, _input): # accept timedelta instead of timedelta params
|
||||||
|
# s['timestamp'] = ep_time_step(s, s['timestamp'], seconds=1)
|
||||||
|
def es3p1(step, sL, s, _input):
|
||||||
|
y = 's3'
|
||||||
|
x = s['s3'] + 1
|
||||||
|
return (y, x)
|
||||||
|
# def es4p2(step, sL, s, _input):
|
||||||
|
# y = 'P_Ext_Markets'
|
||||||
|
# # bound_norm_random defined in utils.py
|
||||||
|
|
||||||
|
# #x = s['P_Ext_Markets'] * bound_norm_random(seed['b'], proc_one_coef_A, proc_one_coef_B)
|
||||||
|
# expected_change = correction_factor*(s['P_Ext_Markets']-s['Buy_Log'])
|
||||||
|
# vol = np.random.randint(1,volatility)
|
||||||
|
# change = expected_change * vol
|
||||||
|
# # change_float = (np.random.normal(expected_change,volatility*expected_change) #Decimal('1.0')
|
||||||
|
# #change = Decimal.from_float(change_float)
|
||||||
|
# x = s['P_Ext_Markets'] + change
|
||||||
|
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# A change in belief of actual price, passed onto behaviors to make action
|
||||||
|
def es4p2(step, sL, s, _input):
|
||||||
|
y = 'P_Ext_Markets'
|
||||||
|
x = s['P_Ext_Markets'] + bound_norm_random(seed['z'], proc_one_coef_A, proc_one_coef_B)
|
||||||
|
|
||||||
|
return (y,x)
|
||||||
|
|
||||||
|
|
||||||
|
def es5p2(step, sL, s, _input): # accept timedelta instead of timedelta params
|
||||||
|
y = 'timestamp'
|
||||||
|
x = ep_time_step(s, s['timestamp'], seconds=1)
|
||||||
|
return (y, x)
|
||||||
|
#Environment States
|
||||||
|
# def stochastic(reference, seed, correction = 0.01):
|
||||||
|
# series = np.zeros(len(reference))
|
||||||
|
# series[0] = reference[0]
|
||||||
|
# for i in range(1,len(reference)):
|
||||||
|
# expected_change = correction*(reference[i]-series[i-1])
|
||||||
|
# normalized_expected_change = np.abs(expected_change)*(reference[i])/(reference[i-1])
|
||||||
|
# seed_int = seed.randint(1,10)
|
||||||
|
# change = np.random.normal(expected_change,seed_int*normalized_expected_change)
|
||||||
|
|
||||||
|
# series[i] = series[i-1]+change
|
||||||
|
# # avoid negative series returns
|
||||||
|
# if series[i] <= 0:
|
||||||
|
# series[i] = .01
|
||||||
|
# #series[i] = series[i-1]+change
|
||||||
|
|
||||||
|
# return [series,seed_int]
|
||||||
|
# ref3 = np.arange(1,1000)*.1
|
||||||
|
# test = stochastic(ref3,seed['b'])
|
||||||
|
|
||||||
|
# def env_a(ref3,seed['b']):
|
||||||
|
# return stochastic(ref3,seed['b'])
|
||||||
|
def env_a(x):
|
||||||
|
return 100
|
||||||
|
def env_b(x):
|
||||||
|
return 21000000
|
||||||
|
# def what_ever(x):
|
||||||
|
# return x + 1
|
||||||
|
|
||||||
|
# Genesis States
|
||||||
|
state_dict = {
|
||||||
|
'Z': Decimal(21000000.0),
|
||||||
|
'Price': Decimal(100.0), # Initialize = Z for EMA
|
||||||
|
'Buy_Log': Decimal(0.0),
|
||||||
|
'Sell_Log': Decimal(0.0),
|
||||||
|
'Trans': Decimal(0.0),
|
||||||
|
'P_Ext_Markets': Decimal(25000.0),
|
||||||
|
|
||||||
|
# 's2': Decimal(0.0),
|
||||||
|
# 's3': Decimal(0.0),
|
||||||
|
# 's4': Decimal(0.0),
|
||||||
|
'timestamp': '2018-10-01 15:16:24'
|
||||||
|
}
|
||||||
|
|
||||||
|
# exogenous_states = {
|
||||||
|
# # "s3": es3p1,
|
||||||
|
# "P_Ext_Markets": es4p2,
|
||||||
|
# "timestamp": es5p2
|
||||||
|
# }
|
||||||
|
|
||||||
|
exogenous_states = exo_update_per_ts(
|
||||||
|
{
|
||||||
|
# "s3": es3p1,
|
||||||
|
"P_Ext_Markets": es4p2,
|
||||||
|
"timestamp": es5p2
|
||||||
|
}
|
||||||
|
)
|
||||||
|
|
||||||
|
env_processes = {
|
||||||
|
# "s3": env_proc('2018-10-01 15:16:25', env_a),
|
||||||
|
# "P_Ext_Markets": env_proc('2018-10-01 15:16:25', env_b)
|
||||||
|
}
|
||||||
|
|
||||||
|
# test return vs. non-return functions as lambdas
|
||||||
|
# test fully defined functions
|
||||||
|
mechanisms = {
|
||||||
|
"m1": {
|
||||||
|
"behaviors": {
|
||||||
|
"b1": b1m1, # lambda step, sL, s: s['s1'] + 1,
|
||||||
|
# "b2": b2m1
|
||||||
|
},
|
||||||
|
"states": {
|
||||||
|
"Z": s1m1,
|
||||||
|
"Price": s2_dummy,
|
||||||
|
"Buy_Log": s3m1,
|
||||||
|
"Sell_Log":s4_dummy,
|
||||||
|
"Trans": s5_dummy,
|
||||||
|
"P_Ext_Markets": s6_dummy
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"m2": {
|
||||||
|
"behaviors": {
|
||||||
|
"b1": b1m2,
|
||||||
|
"b4": b4m2
|
||||||
|
},
|
||||||
|
"states": {
|
||||||
|
"Z": s1_dummy,
|
||||||
|
"Price": s2_dummy,
|
||||||
|
"Buy_Log": s3_dummy,
|
||||||
|
"Sell_Log":s4m2,
|
||||||
|
"Trans": s5_dummy,
|
||||||
|
"P_Ext_Markets": s6_dummy
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"m3": {
|
||||||
|
"behaviors": {
|
||||||
|
# "b1": b1m2,
|
||||||
|
# "b4": b4m2
|
||||||
|
},
|
||||||
|
"states": {
|
||||||
|
"Z": s1_dummy,
|
||||||
|
"Price": s2m3,
|
||||||
|
"Buy_Log": s3_dummy,
|
||||||
|
"Sell_Log":s4_dummy,
|
||||||
|
"Trans": s5_dummy,
|
||||||
|
"P_Ext_Markets": s6_dummy
|
||||||
|
}
|
||||||
|
},
|
||||||
|
# "m3": {
|
||||||
|
# "behaviors": {
|
||||||
|
# "b1": b1m3,
|
||||||
|
# "b2": b2m3
|
||||||
|
# },
|
||||||
|
# "states": {
|
||||||
|
# "Z": s1m3,
|
||||||
|
# "Price": s2m3,
|
||||||
|
# "Buy_Log": s3m3,
|
||||||
|
# "Sell_Log": s4_dummy,
|
||||||
|
# "Trans": s5_dummy,
|
||||||
|
# "P_Ext_Markets": s6_dummy
|
||||||
|
# }
|
||||||
|
# },
|
||||||
|
# "m4": {
|
||||||
|
# "behaviors": {
|
||||||
|
# "dummy": dummy_behavior
|
||||||
|
# },
|
||||||
|
# "states": {
|
||||||
|
# "Z": s1_dummy,
|
||||||
|
# "Price": s2_dummy,
|
||||||
|
# "Buy_Log": s3m4,
|
||||||
|
# "Sell_Log": s4_dummy,
|
||||||
|
# "Trans": s5_dummy,
|
||||||
|
# "P_Ext_Markets": s6_dummy
|
||||||
|
# }
|
||||||
|
# },
|
||||||
|
# "m3": {
|
||||||
|
# "behaviors": {
|
||||||
|
# "b1": b1m3,
|
||||||
|
# "b2": b2m3
|
||||||
|
# },
|
||||||
|
# "states": {
|
||||||
|
# "Z": s1m3,
|
||||||
|
# "Price": s2m3,
|
||||||
|
# }
|
||||||
|
# }
|
||||||
|
#treat environmental processes as a mechanism
|
||||||
|
"ep": {
|
||||||
|
"behaviors": {
|
||||||
|
"dummy": dummy_behavior
|
||||||
|
},
|
||||||
|
"states": {
|
||||||
|
"Z": s1_dummy,
|
||||||
|
"Price": s2_dummy,
|
||||||
|
"Buy_Log": s3_dummy,
|
||||||
|
"Sell_Log": s4_dummy,
|
||||||
|
"Trans": s5_dummy,
|
||||||
|
"P_Ext_Markets": es4p2
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
sim_config = {
|
||||||
|
"N": 1,
|
||||||
|
"T": range(1000)
|
||||||
|
}
|
||||||
|
|
||||||
|
configs.append(Configuration(sim_config, state_dict, seed, exogenous_states, env_processes, mechanisms))
|
||||||
|
|
@ -0,0 +1,443 @@
|
||||||
|
from decimal import Decimal
|
||||||
|
import numpy as np
|
||||||
|
|
||||||
|
from SimCAD import Configuration, configs
|
||||||
|
from SimCAD.configuration import exo_update_per_ts, bound_norm_random, \
|
||||||
|
ep_time_step
|
||||||
|
|
||||||
|
# behavior_ops = []
|
||||||
|
# behavior_ops = [foldr(dict_elemwise_sum())]
|
||||||
|
|
||||||
|
seed = {
|
||||||
|
'z': np.random.RandomState(1)
|
||||||
|
# 'a': np.random.RandomState(2),
|
||||||
|
# 'b': np.random.RandomState(3),
|
||||||
|
# 'c': np.random.RandomState(3)
|
||||||
|
}
|
||||||
|
|
||||||
|
#Signals
|
||||||
|
# Pr_signal
|
||||||
|
#if s['P_Ext_Markets'] != 0:
|
||||||
|
#Pr_signal = s['Z']/s['P_Ext_Markets']
|
||||||
|
#else Pr_signal = 0
|
||||||
|
# if Pr_signal < s['Z']/s['Buy_Log']:
|
||||||
|
beta = Decimal('0.25') #agent response gain
|
||||||
|
beta_LT = Decimal('0.1') #LT agent response gain
|
||||||
|
alpha = Decimal('0.091') #21 day EMA forgetfullness between 0 and 1, closer to 1 discounts older obs quicker, should be 2/(N+1)
|
||||||
|
max_withdraw_factor = Decimal('0.9')
|
||||||
|
external_draw = Decimal('0.01') # between 0 and 1 to draw Buy_Log to external
|
||||||
|
|
||||||
|
# Stochastic process factors
|
||||||
|
correction_factor = Decimal('0.01')
|
||||||
|
volatility = Decimal('5.0')
|
||||||
|
|
||||||
|
|
||||||
|
# Buy_Log_signal =
|
||||||
|
# Z_signal =
|
||||||
|
# Price_signal =
|
||||||
|
# TDR_draw_signal =
|
||||||
|
# P_Ext_Markets_signal =
|
||||||
|
|
||||||
|
# Behaviors per Mechanism
|
||||||
|
|
||||||
|
# BEHAVIOR 1: EMH Trader
|
||||||
|
EMH_portion = Decimal('0.250')
|
||||||
|
EMH_Ext_Hold = Decimal('42000.0')
|
||||||
|
|
||||||
|
def b1m1(step, sL, s):
|
||||||
|
print('b1m1')
|
||||||
|
# y = 'P_Ext_Markets'
|
||||||
|
# Psignal_ext = s['P_Ext_Markets'] / s['Z']
|
||||||
|
# Psignal_int = s['Buy_Log'] / s['Z']
|
||||||
|
# if Psignal_ext < Psignal_int:
|
||||||
|
# return beta*(Psignal_int - Psignal_ext) * s['Z'] # Deposited amount in TDR
|
||||||
|
# else:
|
||||||
|
# return 0 # Decimal(0.000001)
|
||||||
|
# return (y,x)
|
||||||
|
theta = (s['Z']*EMH_portion*s['Price'])/(s['Z']*EMH_portion*s['Price'] + EMH_Ext_Hold * s['P_Ext_Markets'])
|
||||||
|
if s['Price'] < (theta*EMH_Ext_Hold * s['P_Ext_Markets'])/(s['Z']*EMH_portion*(1-theta)):
|
||||||
|
buy = beta * theta*EMH_Ext_Hold * s['P_Ext_Markets']/(s['Price']*EMH_portion*(1-theta))
|
||||||
|
return {'buy_order1': buy}
|
||||||
|
elif s['Price'] > (theta*EMH_Ext_Hold * s['P_Ext_Markets'])/(s['Z']*EMH_portion*(1-theta)):
|
||||||
|
return {'buy_order1': 0}
|
||||||
|
else:
|
||||||
|
return {'buy_order1': 0}
|
||||||
|
|
||||||
|
def b1m2(step, sL, s):
|
||||||
|
print('b1m2')
|
||||||
|
theta = (s['Z']*EMH_portion*s['Price'])/(s['Z']*EMH_portion*s['Price'] + EMH_Ext_Hold * s['P_Ext_Markets'])
|
||||||
|
if s['Price'] < (theta*EMH_Ext_Hold * s['P_Ext_Markets'])/(s['Z']*EMH_portion*(1-theta)):
|
||||||
|
return {'sell_order1': 0}
|
||||||
|
elif s['Price'] > (theta*EMH_Ext_Hold * s['P_Ext_Markets'])/(s['Z']*EMH_portion*(1-theta)):
|
||||||
|
sell = beta * theta*EMH_Ext_Hold * s['P_Ext_Markets']/(s['Price']*EMH_portion*(1-theta))
|
||||||
|
return {'sell_order1': sell}
|
||||||
|
else:
|
||||||
|
return {'sell_order1': 0}
|
||||||
|
|
||||||
|
# BEHAVIOR 3: Herding
|
||||||
|
|
||||||
|
|
||||||
|
# BEHAVIOR 4: HODLers
|
||||||
|
HODL_belief = Decimal('10.0')
|
||||||
|
HODL_portion = Decimal('0.250')
|
||||||
|
HODL_Ext_Hold = Decimal('4200.0')
|
||||||
|
|
||||||
|
def b4m2(step, sL, s):
|
||||||
|
print('b4m2')
|
||||||
|
theta = (s['Z']*HODL_portion*s['Price'])/(s['Z']*HODL_portion*s['Price'] + HODL_Ext_Hold * s['P_Ext_Markets'])
|
||||||
|
if s['Price'] < 1/HODL_belief*(theta*HODL_Ext_Hold * s['P_Ext_Markets'])/(s['Z']*HODL_portion*(1-theta)):
|
||||||
|
sell = beta * theta*HODL_Ext_Hold * s['P_Ext_Markets']/(s['Price']*HODL_portion*(1-theta))
|
||||||
|
return {'sell_order2': sell}
|
||||||
|
elif s['Price'] > (theta*HODL_Ext_Hold * s['P_Ext_Markets'])/(s['Z']*HODL_portion*(1-theta)):
|
||||||
|
return {'sell_order2': 0}
|
||||||
|
else:
|
||||||
|
return {'sell_order2': 0}
|
||||||
|
|
||||||
|
|
||||||
|
# BEHAVIOR 2: Withdraw TDR and burn Zeus
|
||||||
|
# Selling Agent- Arbitrage on TDR ext v TDR int signals
|
||||||
|
# def b2m1(step, sL, s):
|
||||||
|
# Psignal_ext = s['P_Ext_Markets'] / s['Z']
|
||||||
|
# Psignal_int = s['Buy_Log'] / s['Z']
|
||||||
|
# if Psignal_ext > Psignal_int:
|
||||||
|
# # withdrawn amount in TDR, subject to TDR limit
|
||||||
|
# return - np.minimum(beta*(Psignal_ext - Psignal_int) * s['Z'],s['Buy_Log']*max_withdraw_factor)
|
||||||
|
# else:
|
||||||
|
# return 0 #- Decimal(0.000001)
|
||||||
|
# return 0
|
||||||
|
|
||||||
|
# BEHAVIOR 1: Deposit TDR and mint Zeus
|
||||||
|
# Buying Agent- Arbitrage on Price and Z signals
|
||||||
|
# def b1m2(step, sL, s):
|
||||||
|
# # Psignal_ext = s['P_Ext_Markets'] / s['Z']
|
||||||
|
# # Psignal_int = s['Buy_Log'] / s['Z']
|
||||||
|
# # if Psignal_ext > Psignal_int:
|
||||||
|
# # # withdrawn amount in TDR, subject to TDR limit
|
||||||
|
# # return - np.minimum(beta*(Psignal_ext - Psignal_int) * s['Z'],s['Buy_Log']*max_withdraw_factor)
|
||||||
|
# # else:
|
||||||
|
# # return 0 #- Decimal(0.000001)
|
||||||
|
# #
|
||||||
|
# # LT more valuable than ST = deposit TDR and mint Z
|
||||||
|
# Psignal_LT = s['Price'] / s['Z']
|
||||||
|
# if Psignal_LT > 1:
|
||||||
|
# return beta_LT*(Psignal_LT - 1) * s['Z']
|
||||||
|
# else:
|
||||||
|
# return 0
|
||||||
|
|
||||||
|
# Behavior will go here- b2m2, putting in mech 3: b1m3 for debugging
|
||||||
|
# def b2m2(step, sL, s):
|
||||||
|
# # Psignal_LT = s['Price'] / s['Z']
|
||||||
|
# # if Psignal_LT > 1:
|
||||||
|
# test = np.arange(1,10)
|
||||||
|
# return test
|
||||||
|
|
||||||
|
# Selling Agent- Arbitrage on Price and Z signals
|
||||||
|
# def b1m3(step, sL, s):
|
||||||
|
# Psignal_LT = s['Price'] / s['Z']
|
||||||
|
# if Psignal_LT < 1:
|
||||||
|
# return - np.minimum(beta_LT*(Psignal_LT - 1) * s['Z'], s['Z']*max_withdraw_factor)
|
||||||
|
# else:
|
||||||
|
# return 0
|
||||||
|
|
||||||
|
|
||||||
|
# def b2m3(step, sL, s):
|
||||||
|
# return 0
|
||||||
|
|
||||||
|
# Internal States per Mechanism
|
||||||
|
# Deposit TDR/Mint Zeus
|
||||||
|
# def s1m1(step, sL, s, _input):
|
||||||
|
# s['Z'] = s['Z'] + _input
|
||||||
|
|
||||||
|
|
||||||
|
# STATES
|
||||||
|
|
||||||
|
# ZEUS Fixed Supply
|
||||||
|
def s1m1(step, sL, s, _input):
|
||||||
|
y = 'Z'
|
||||||
|
x = s['Z'] #+ _input # / Psignal_int
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s2m1(step, sL, s, _input):
|
||||||
|
y = 'Price'
|
||||||
|
x = (s['P_Ext_Markets'] - _input['buy_order1']) /s['Z'] *10000
|
||||||
|
#x= alpha * s['Z'] + (1 - alpha)*s['Price']
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s3m1(step, sL, s, _input):
|
||||||
|
y = 'Buy_Log'
|
||||||
|
x = _input['buy_order1'] # / Psignal_int
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s4m2(step, sL, s, _input):
|
||||||
|
y = 'Sell_Log'
|
||||||
|
x = _input['sell_order1'] + _input['sell_order2'] # / Psignal_int
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s3m3(step, sL, s, _input):
|
||||||
|
y = 'Buy_Log'
|
||||||
|
x = s['Buy_Log'] + _input # / Psignal_int
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
# Price Update
|
||||||
|
def s2m3(step, sL, s, _input):
|
||||||
|
|
||||||
|
y = 'Price'
|
||||||
|
#var1 = Decimal.from_float(s['Buy_Log'])
|
||||||
|
x = s['Price'] + s['Buy_Log'] * 1/s['Z'] - s['Sell_Log']/s['Z']
|
||||||
|
#+ np.divide(s['Buy_Log'],s['Z']) - np.divide() # / Psignal_int
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
def s6m1(step, sL, s, _input):
|
||||||
|
y = 'P_Ext_Markets'
|
||||||
|
x = s['P_Ext_Markets'] - _input
|
||||||
|
#x= alpha * s['Z'] + (1 - alpha)*s['Price']
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s2m2(step, sL, s, _input):
|
||||||
|
y = 'Price'
|
||||||
|
x = (s['P_Ext_Markets'] - _input) /s['Z'] *10000
|
||||||
|
#x= alpha * s['Z'] + (1 - alpha)*s['Price']
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
# def s1m1(step, sL, s, _input):
|
||||||
|
# Psignal_int = s['Buy_Log'] / s['Z']
|
||||||
|
# y = 'Z'
|
||||||
|
# x = s['Z'] + _input / Psignal_int
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s2m1(step, sL, s, _input):
|
||||||
|
# y = 'Price'
|
||||||
|
# x= alpha * s['Z'] + (1 - alpha)*s['Price']
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s3m1(step, sL, s, _input):
|
||||||
|
# y = 'Buy_Log'
|
||||||
|
# x = s['Buy_Log'] + _input # Input already in TDR * s['Z']
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# # Withdraw TDR/Burn Zeus
|
||||||
|
# def s1m2(step, sL, s, _input):
|
||||||
|
# Psignal_int = s['Buy_Log'] / s['Z']
|
||||||
|
# y = 'Z'
|
||||||
|
# x = s['Z'] #+ _input / Psignal_int
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s2m2(step, sL, s, _input):
|
||||||
|
# y = 'Price'
|
||||||
|
# x= alpha * s['Z'] + (1 - alpha)*s['Price']
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s3m2(step, sL, s, _input):
|
||||||
|
# y = 'Buy_Log'
|
||||||
|
# x = s['Buy_Log'] + _input #* s['Z']
|
||||||
|
# # y = 'Buy_Log'
|
||||||
|
# # x = s['Buy_Log'] + _input
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s1m3(step, sL, s, _input):
|
||||||
|
# Psignal_int = s['Buy_Log'] / s['Z']
|
||||||
|
# y = 'Z'
|
||||||
|
# x = s['Z'] #+ _input / Psignal_int
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s2m3(step, sL, s, _input):
|
||||||
|
# y = 'Price'
|
||||||
|
# x= alpha * s['Z'] + (1 - alpha)*s['Price']
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s3m3(step, sL, s, _input):
|
||||||
|
# y = 'Buy_Log'
|
||||||
|
# x = s['Buy_Log'] #+ _input #* s['Z']
|
||||||
|
# # y = 'Buy_Log'
|
||||||
|
# # x = s['Buy_Log'] + _input
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s3m4(step, sL, s, _input):
|
||||||
|
# y = 'Buy_Log'
|
||||||
|
# x = s['Buy_Log']*(1-external_draw) + s['Sell_Log']*external_draw # _input #* s['Z']
|
||||||
|
# # y = 'Buy_Log'
|
||||||
|
# # x = s['Buy_Log'] + _input
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# def s1m3(step, sL, s, _input):
|
||||||
|
# s['Z'] = s['Z'] + _input
|
||||||
|
# def s2m3(step, sL, s, _input):
|
||||||
|
# s['Price'] = s['Price'] + _input
|
||||||
|
|
||||||
|
# Exogenous States
|
||||||
|
proc_one_coef_A = -125
|
||||||
|
proc_one_coef_B = 125
|
||||||
|
# def es3p1(step, sL, s, _input):
|
||||||
|
# s['s3'] = s['s3'] * bound_norm_random(seed['a'], proc_one_coef_A, proc_one_coef_B)
|
||||||
|
# def es4p2(step, sL, s, _input):
|
||||||
|
# s['P_Ext_Markets'] = s['P_Ext_Markets'] * bound_norm_random(seed['b'], proc_one_coef_A, proc_one_coef_B)
|
||||||
|
# def es5p2(step, sL, s, _input): # accept timedelta instead of timedelta params
|
||||||
|
# s['timestamp'] = ep_time_step(s, s['timestamp'], seconds=1)
|
||||||
|
def es3p1(step, sL, s, _input):
|
||||||
|
y = 's3'
|
||||||
|
x = s['s3'] + 1
|
||||||
|
return (y, x)
|
||||||
|
# def es4p2(step, sL, s, _input):
|
||||||
|
# y = 'P_Ext_Markets'
|
||||||
|
# # bound_norm_random defined in utils.py
|
||||||
|
|
||||||
|
# #x = s['P_Ext_Markets'] * bound_norm_random(seed['b'], proc_one_coef_A, proc_one_coef_B)
|
||||||
|
# expected_change = correction_factor*(s['P_Ext_Markets']-s['Buy_Log'])
|
||||||
|
# vol = np.random.randint(1,volatility)
|
||||||
|
# change = expected_change * vol
|
||||||
|
# # change_float = (np.random.normal(expected_change,volatility*expected_change) #Decimal('1.0')
|
||||||
|
# #change = Decimal.from_float(change_float)
|
||||||
|
# x = s['P_Ext_Markets'] + change
|
||||||
|
|
||||||
|
# return (y, x)
|
||||||
|
|
||||||
|
# A change in belief of actual price, passed onto behaviors to make action
|
||||||
|
def es4p2(step, sL, s, _input):
|
||||||
|
y = 'P_Ext_Markets'
|
||||||
|
x = s['P_Ext_Markets'] + bound_norm_random(seed['z'], proc_one_coef_A, proc_one_coef_B)
|
||||||
|
|
||||||
|
return (y,x)
|
||||||
|
|
||||||
|
|
||||||
|
def es5p2(step, sL, s, _input): # accept timedelta instead of timedelta params
|
||||||
|
y = 'timestamp'
|
||||||
|
x = ep_time_step(s, s['timestamp'], seconds=1)
|
||||||
|
return (y, x)
|
||||||
|
#Environment States
|
||||||
|
# def stochastic(reference, seed, correction = 0.01):
|
||||||
|
# series = np.zeros(len(reference))
|
||||||
|
# series[0] = reference[0]
|
||||||
|
# for i in range(1,len(reference)):
|
||||||
|
# expected_change = correction*(reference[i]-series[i-1])
|
||||||
|
# normalized_expected_change = np.abs(expected_change)*(reference[i])/(reference[i-1])
|
||||||
|
# seed_int = seed.randint(1,10)
|
||||||
|
# change = np.random.normal(expected_change,seed_int*normalized_expected_change)
|
||||||
|
|
||||||
|
# series[i] = series[i-1]+change
|
||||||
|
# # avoid negative series returns
|
||||||
|
# if series[i] <= 0:
|
||||||
|
# series[i] = .01
|
||||||
|
# #series[i] = series[i-1]+change
|
||||||
|
|
||||||
|
# return [series,seed_int]
|
||||||
|
# ref3 = np.arange(1,1000)*.1
|
||||||
|
# test = stochastic(ref3,seed['b'])
|
||||||
|
|
||||||
|
# def env_a(ref3,seed['b']):
|
||||||
|
# return stochastic(ref3,seed['b'])
|
||||||
|
def env_a(x):
|
||||||
|
return 100
|
||||||
|
def env_b(x):
|
||||||
|
return 21000000
|
||||||
|
# def what_ever(x):
|
||||||
|
# return x + 1
|
||||||
|
|
||||||
|
# Genesis States
|
||||||
|
state_dict = {
|
||||||
|
'Z': Decimal(21000000.0),
|
||||||
|
'Price': Decimal(100.0), # Initialize = Z for EMA
|
||||||
|
'Buy_Log': Decimal(0.0),
|
||||||
|
'Sell_Log': Decimal(0.0),
|
||||||
|
'Trans': Decimal(0.0),
|
||||||
|
'P_Ext_Markets': Decimal(25000.0),
|
||||||
|
|
||||||
|
# 's2': Decimal(0.0),
|
||||||
|
# 's3': Decimal(0.0),
|
||||||
|
# 's4': Decimal(0.0),
|
||||||
|
'timestamp': '2018-10-01 15:16:24'
|
||||||
|
}
|
||||||
|
|
||||||
|
# exogenous_states = {
|
||||||
|
# # "s3": es3p1,
|
||||||
|
# "P_Ext_Markets": es4p2,
|
||||||
|
# "timestamp": es5p2
|
||||||
|
# }
|
||||||
|
|
||||||
|
exogenous_states = exo_update_per_ts(
|
||||||
|
{
|
||||||
|
# "s3": es3p1,
|
||||||
|
"P_Ext_Markets": es4p2,
|
||||||
|
"timestamp": es5p2
|
||||||
|
}
|
||||||
|
)
|
||||||
|
|
||||||
|
env_processes = {
|
||||||
|
# "s3": env_proc('2018-10-01 15:16:25', env_a),
|
||||||
|
# "P_Ext_Markets": env_proc('2018-10-01 15:16:25', env_b)
|
||||||
|
}
|
||||||
|
|
||||||
|
# test return vs. non-return functions as lambdas
|
||||||
|
# test fully defined functions
|
||||||
|
mechanisms = {
|
||||||
|
"m1": {
|
||||||
|
"behaviors": {
|
||||||
|
"b1": b1m1, # lambda step, sL, s: s['s1'] + 1,
|
||||||
|
# "b2": b2m1
|
||||||
|
},
|
||||||
|
"states": {
|
||||||
|
"Z": s1m1,
|
||||||
|
# "Price": s2_dummy,
|
||||||
|
"Buy_Log": s3m1,
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"m2": {
|
||||||
|
"behaviors": {
|
||||||
|
"b1": b1m2,
|
||||||
|
"b4": b4m2
|
||||||
|
},
|
||||||
|
"states": {
|
||||||
|
"Sell_Log":s4m2,
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"m3": {
|
||||||
|
"behaviors": {
|
||||||
|
},
|
||||||
|
"states": {
|
||||||
|
"Price": s2m3,
|
||||||
|
}
|
||||||
|
},
|
||||||
|
# "m3": {
|
||||||
|
# "behaviors": {
|
||||||
|
# "b1": b1m3,
|
||||||
|
# "b2": b2m3
|
||||||
|
# },
|
||||||
|
# "states": {
|
||||||
|
# "Z": s1m3,
|
||||||
|
# "Price": s2m3,
|
||||||
|
# "Buy_Log": s3m3,
|
||||||
|
# }
|
||||||
|
# },
|
||||||
|
# "m4": {
|
||||||
|
# "behaviors": {
|
||||||
|
# },
|
||||||
|
# "states": {
|
||||||
|
# }
|
||||||
|
# },
|
||||||
|
# "m3": {
|
||||||
|
# "behaviors": {
|
||||||
|
# "b1": b1m3,
|
||||||
|
# "b2": b2m3
|
||||||
|
# },
|
||||||
|
# "states": {
|
||||||
|
# "Z": s1m3,
|
||||||
|
# "Price": s2m3,
|
||||||
|
# }
|
||||||
|
# }
|
||||||
|
#treat environmental processes as a mechanism
|
||||||
|
"ep": {
|
||||||
|
"behaviors": {
|
||||||
|
},
|
||||||
|
"states": {
|
||||||
|
"P_Ext_Markets": es4p2
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
sim_config = {
|
||||||
|
"N": 1,
|
||||||
|
"T": range(1000)
|
||||||
|
}
|
||||||
|
|
||||||
|
configs.append(Configuration(sim_config, state_dict, seed, exogenous_states, env_processes, mechanisms))
|
||||||
|
|
@ -3,11 +3,7 @@ from tabulate import tabulate
|
||||||
|
|
||||||
# The following imports NEED to be in the exact same order
|
# The following imports NEED to be in the exact same order
|
||||||
from SimCAD.engine import ExecutionMode, ExecutionContext, Executor
|
from SimCAD.engine import ExecutionMode, ExecutionContext, Executor
|
||||||
from simulations.validation import config1, config2
|
from simulations.validation import config_1, config_2
|
||||||
# from simulations.validation import base_config1, base_config2
|
|
||||||
# from simulations.barlin import config4
|
|
||||||
# from simulations.zx import config_zx
|
|
||||||
# from simulations.barlin import config6atemp #config6aworks,
|
|
||||||
from SimCAD import configs
|
from SimCAD import configs
|
||||||
|
|
||||||
# ToDo: pass ExecutionContext with execution method as ExecutionContext input
|
# ToDo: pass ExecutionContext with execution method as ExecutionContext input
|
||||||
|
|
|
||||||
|
|
@ -0,0 +1,178 @@
|
||||||
|
from decimal import Decimal
|
||||||
|
import numpy as np
|
||||||
|
from datetime import timedelta
|
||||||
|
|
||||||
|
from SimCAD import configs
|
||||||
|
from SimCAD.configuration import Configuration
|
||||||
|
from SimCAD.configuration.utils import exo_update_per_ts, proc_trigger, bound_norm_random, \
|
||||||
|
ep_time_step
|
||||||
|
|
||||||
|
seed = {
|
||||||
|
'z': np.random.RandomState(1),
|
||||||
|
'a': np.random.RandomState(2),
|
||||||
|
'b': np.random.RandomState(3),
|
||||||
|
'c': np.random.RandomState(3)
|
||||||
|
}
|
||||||
|
|
||||||
|
# Behaviors per Mechanism
|
||||||
|
# Different return types per mechanism ?? *** No ***
|
||||||
|
def b1m1(step, sL, s):
|
||||||
|
return {'param1': 1}
|
||||||
|
def b2m1(step, sL, s):
|
||||||
|
return {'param2': 4}
|
||||||
|
|
||||||
|
def b1m2(step, sL, s):
|
||||||
|
return {'param1': 'a', 'param2': 2}
|
||||||
|
def b2m2(step, sL, s):
|
||||||
|
return {'param1': 'b', 'param2': 4}
|
||||||
|
|
||||||
|
def b1m3(step, sL, s):
|
||||||
|
return {'param1': ['c'], 'param2': np.array([10, 100])}
|
||||||
|
def b2m3(step, sL, s):
|
||||||
|
return {'param1': ['d'], 'param2': np.array([20, 200])}
|
||||||
|
|
||||||
|
# deff not more than 2
|
||||||
|
# Internal States per Mechanism
|
||||||
|
def s1m1(step, sL, s, _input):
|
||||||
|
y = 's1'
|
||||||
|
x = _input['param1'] #+ [Coef1 x 5]
|
||||||
|
return (y, x)
|
||||||
|
def s2m1(step, sL, s, _input):
|
||||||
|
y = 's2'
|
||||||
|
x = _input['param2'] #+ [Coef2 x 5]
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s1m2(step, sL, s, _input):
|
||||||
|
y = 's1'
|
||||||
|
x = _input['param1']
|
||||||
|
return (y, x)
|
||||||
|
def s2m2(step, sL, s, _input):
|
||||||
|
y = 's2'
|
||||||
|
x = _input['param2']
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s1m3(step, sL, s, _input):
|
||||||
|
y = 's1'
|
||||||
|
x = _input['param1']
|
||||||
|
return (y, x)
|
||||||
|
def s2m3(step, sL, s, _input):
|
||||||
|
y = 's2'
|
||||||
|
x = _input['param2']
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
# Exogenous States
|
||||||
|
proc_one_coef_A = 0.7
|
||||||
|
proc_one_coef_B = 1.3
|
||||||
|
|
||||||
|
def es3p1(step, sL, s, _input):
|
||||||
|
y = 's3'
|
||||||
|
x = s['s3'] * bound_norm_random(seed['a'], proc_one_coef_A, proc_one_coef_B)
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def es4p2(step, sL, s, _input):
|
||||||
|
y = 's4'
|
||||||
|
x = s['s4'] * bound_norm_random(seed['b'], proc_one_coef_A, proc_one_coef_B)
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
ts_format = '%Y-%m-%d %H:%M:%S'
|
||||||
|
t_delta = timedelta(days=0, minutes=0, seconds=1)
|
||||||
|
def es5p2(step, sL, s, _input):
|
||||||
|
y = 'timestamp'
|
||||||
|
x = ep_time_step(s, dt_str=s['timestamp'], fromat_str=ts_format, _timedelta=t_delta)
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
|
||||||
|
# Environment States
|
||||||
|
def env_a(x):
|
||||||
|
return 5
|
||||||
|
def env_b(x):
|
||||||
|
return 10
|
||||||
|
# def what_ever(x):
|
||||||
|
# return x + 1
|
||||||
|
|
||||||
|
# Genesis States
|
||||||
|
genesis_states = {
|
||||||
|
's1': Decimal(0.0),
|
||||||
|
's2': Decimal(0.0),
|
||||||
|
's3': Decimal(1.0),
|
||||||
|
's4': Decimal(1.0),
|
||||||
|
'timestamp': '2018-10-01 15:16:24'
|
||||||
|
}
|
||||||
|
|
||||||
|
# remove `exo_update_per_ts` to update every ts
|
||||||
|
exogenous_states = exo_update_per_ts(
|
||||||
|
{
|
||||||
|
"s3": es3p1,
|
||||||
|
"s4": es4p2,
|
||||||
|
"timestamp": es5p2
|
||||||
|
}
|
||||||
|
)
|
||||||
|
|
||||||
|
# ToDo: make env proc trigger field agnostic
|
||||||
|
# ToDo: input json into function renaming __name__
|
||||||
|
env_processes = {
|
||||||
|
"s3": env_a,
|
||||||
|
"s4": proc_trigger('2018-10-01 15:16:25', env_b)
|
||||||
|
}
|
||||||
|
|
||||||
|
# lambdas
|
||||||
|
# genesis Sites should always be there
|
||||||
|
# [1, 2]
|
||||||
|
# behavior_ops = [ foldr(_ + _), lambda x: x + 0 ]
|
||||||
|
|
||||||
|
# [1, 2] = {'b1': ['a'], 'b2', [1]} =
|
||||||
|
# behavior_ops = [ behavior_to_dict, print_fwd, sum_dict_values ]
|
||||||
|
# behavior_ops = [foldr(dict_elemwise_sum())]
|
||||||
|
# behavior_ops = [foldr(lambda a, b: a + b)]
|
||||||
|
|
||||||
|
# need at least 1 behaviour and 1 state function for the 1st mech with behaviors
|
||||||
|
# mechanisms = {}
|
||||||
|
|
||||||
|
mechanisms = {
|
||||||
|
"m1": {
|
||||||
|
"behaviors": {
|
||||||
|
"b1": b1m1, # lambda step, sL, s: s['s1'] + 1,
|
||||||
|
"b2": b2m1
|
||||||
|
},
|
||||||
|
"states": { # exclude only. TypeError: reduce() of empty sequence with no initial value
|
||||||
|
"s1": s1m1,
|
||||||
|
"s2": s2m1
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"m2": {
|
||||||
|
"behaviors": {
|
||||||
|
"b1": b1m2,
|
||||||
|
"b2": b2m2
|
||||||
|
},
|
||||||
|
"states": {
|
||||||
|
"s1": s1m2,
|
||||||
|
"s2": s2m2
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"m3": {
|
||||||
|
"behaviors": {
|
||||||
|
"b1": b1m3,
|
||||||
|
"b2": b2m3
|
||||||
|
},
|
||||||
|
"states": {
|
||||||
|
"s1": s1m3,
|
||||||
|
"s2": s2m3
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
sim_config = {
|
||||||
|
"N": 2,
|
||||||
|
"T": range(5)
|
||||||
|
}
|
||||||
|
|
||||||
|
configs.append(
|
||||||
|
Configuration(
|
||||||
|
sim_config=sim_config,
|
||||||
|
state_dict=genesis_states,
|
||||||
|
seed=seed,
|
||||||
|
exogenous_states=exogenous_states,
|
||||||
|
env_processes=env_processes,
|
||||||
|
mechanisms=mechanisms
|
||||||
|
)
|
||||||
|
)
|
||||||
|
|
@ -0,0 +1,180 @@
|
||||||
|
from decimal import Decimal
|
||||||
|
import numpy as np
|
||||||
|
from datetime import timedelta
|
||||||
|
|
||||||
|
from SimCAD import configs
|
||||||
|
from SimCAD.configuration import Configuration
|
||||||
|
from SimCAD.configuration.utils import exo_update_per_ts, proc_trigger, bound_norm_random, \
|
||||||
|
ep_time_step
|
||||||
|
|
||||||
|
|
||||||
|
seed = {
|
||||||
|
'z': np.random.RandomState(1),
|
||||||
|
'a': np.random.RandomState(2),
|
||||||
|
'b': np.random.RandomState(3),
|
||||||
|
'c': np.random.RandomState(3)
|
||||||
|
}
|
||||||
|
|
||||||
|
# Behaviors per Mechanism
|
||||||
|
# Different return types per mechanism ?? *** No ***
|
||||||
|
def b1m1(step, sL, s):
|
||||||
|
return {'param1': 1}
|
||||||
|
def b2m1(step, sL, s):
|
||||||
|
return {'param2': 4}
|
||||||
|
|
||||||
|
def b1m2(step, sL, s):
|
||||||
|
return {'param1': 'a', 'param2': 2}
|
||||||
|
def b2m2(step, sL, s):
|
||||||
|
return {'param1': 'b', 'param2': 4}
|
||||||
|
|
||||||
|
|
||||||
|
def b1m3(step, sL, s):
|
||||||
|
return {'param1': ['c'], 'param2': np.array([10, 100])}
|
||||||
|
def b2m3(step, sL, s):
|
||||||
|
return {'param1': ['d'], 'param2': np.array([20, 200])}
|
||||||
|
|
||||||
|
|
||||||
|
# Internal States per Mechanism
|
||||||
|
def s1m1(step, sL, s, _input):
|
||||||
|
y = 's1'
|
||||||
|
x = _input['param1']
|
||||||
|
return (y, x)
|
||||||
|
def s2m1(step, sL, s, _input):
|
||||||
|
y = 's2'
|
||||||
|
x = _input['param2']
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s1m2(step, sL, s, _input):
|
||||||
|
y = 's1'
|
||||||
|
x = _input['param1']
|
||||||
|
return (y, x)
|
||||||
|
def s2m2(step, sL, s, _input):
|
||||||
|
y = 's2'
|
||||||
|
x = _input['param2']
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def s1m3(step, sL, s, _input):
|
||||||
|
y = 's1'
|
||||||
|
x = _input['param1']
|
||||||
|
return (y, x)
|
||||||
|
def s2m3(step, sL, s, _input):
|
||||||
|
y = 's2'
|
||||||
|
x = _input['param2']
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
# Exogenous States
|
||||||
|
proc_one_coef_A = 0.7
|
||||||
|
proc_one_coef_B = 1.3
|
||||||
|
|
||||||
|
def es3p1(step, sL, s, _input):
|
||||||
|
y = 's3'
|
||||||
|
x = s['s3'] * bound_norm_random(seed['a'], proc_one_coef_A, proc_one_coef_B)
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
def es4p2(step, sL, s, _input):
|
||||||
|
y = 's4'
|
||||||
|
x = s['s4'] * bound_norm_random(seed['b'], proc_one_coef_A, proc_one_coef_B)
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
ts_format = '%Y-%m-%d %H:%M:%S'
|
||||||
|
t_delta = timedelta(days=0, minutes=0, seconds=1)
|
||||||
|
def es5p2(step, sL, s, _input):
|
||||||
|
y = 'timestamp'
|
||||||
|
x = ep_time_step(s, dt_str=s['timestamp'], fromat_str=ts_format, _timedelta=t_delta)
|
||||||
|
return (y, x)
|
||||||
|
|
||||||
|
|
||||||
|
# Environment States
|
||||||
|
def env_a(x):
|
||||||
|
return 10
|
||||||
|
def env_b(x):
|
||||||
|
return 10
|
||||||
|
# def what_ever(x):
|
||||||
|
# return x + 1
|
||||||
|
|
||||||
|
# Genesis States
|
||||||
|
genesis_states = {
|
||||||
|
's1': Decimal(0.0),
|
||||||
|
's2': Decimal(0.0),
|
||||||
|
's3': Decimal(1.0),
|
||||||
|
's4': Decimal(1.0),
|
||||||
|
'timestamp': '2018-10-01 15:16:24'
|
||||||
|
}
|
||||||
|
|
||||||
|
# remove `exo_update_per_ts` to update every ts
|
||||||
|
# why `exo_update_per_ts` here instead of `env_processes`
|
||||||
|
exogenous_states = exo_update_per_ts(
|
||||||
|
{
|
||||||
|
"s3": es3p1,
|
||||||
|
"s4": es4p2,
|
||||||
|
"timestamp": es5p2
|
||||||
|
}
|
||||||
|
)
|
||||||
|
|
||||||
|
# make env proc trigger field agnostic
|
||||||
|
env_processes = {
|
||||||
|
"s3": proc_trigger('2018-10-01 15:16:25', env_a),
|
||||||
|
"s4": proc_trigger('2018-10-01 15:16:25', env_b)
|
||||||
|
}
|
||||||
|
|
||||||
|
# lambdas
|
||||||
|
# genesis Sites should always be there
|
||||||
|
# [1, 2]
|
||||||
|
# behavior_ops = [ foldr(_ + _), lambda x: x + 0 ]
|
||||||
|
|
||||||
|
|
||||||
|
# [1, 2] = {'b1': ['a'], 'b2', [1]} =
|
||||||
|
# behavior_ops = [behavior_to_dict, print_fwd, sum_dict_values]
|
||||||
|
# behavior_ops = [foldr(dict_elemwise_sum())]
|
||||||
|
# behavior_ops = []
|
||||||
|
|
||||||
|
# need at least 1 behaviour and 1 state function for the 1st mech with behaviors
|
||||||
|
# mechanisms = {}
|
||||||
|
mechanisms = {
|
||||||
|
"m1": {
|
||||||
|
"behaviors": {
|
||||||
|
"b1": b1m1, # lambda step, sL, s: s['s1'] + 1,
|
||||||
|
# "b2": b2m1
|
||||||
|
},
|
||||||
|
"states": { # exclude only. TypeError: reduce() of empty sequence with no initial value
|
||||||
|
"s1": s1m1,
|
||||||
|
# "s2": s2m1
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"m2": {
|
||||||
|
"behaviors": {
|
||||||
|
"b1": b1m2,
|
||||||
|
# "b2": b2m2
|
||||||
|
},
|
||||||
|
"states": {
|
||||||
|
"s1": s1m2,
|
||||||
|
# "s2": s2m2
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"m3": {
|
||||||
|
"behaviors": {
|
||||||
|
"b1": b1m3,
|
||||||
|
"b2": b2m3
|
||||||
|
},
|
||||||
|
"states": {
|
||||||
|
"s1": s1m3,
|
||||||
|
"s2": s2m3
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
sim_config = {
|
||||||
|
"N": 2,
|
||||||
|
"T": range(5)
|
||||||
|
}
|
||||||
|
|
||||||
|
configs.append(
|
||||||
|
Configuration(
|
||||||
|
sim_config=sim_config,
|
||||||
|
state_dict=genesis_states,
|
||||||
|
seed=seed,
|
||||||
|
exogenous_states=exogenous_states,
|
||||||
|
env_processes=env_processes,
|
||||||
|
mechanisms=mechanisms
|
||||||
|
)
|
||||||
|
)
|
||||||
Loading…
Reference in New Issue