Kompleksitas Pasar Modal dalam Ekonofisika

(1)

Kompleksitas

Pasar

Modal

dalam

Ekonofisika

♠

Hokky Situngkir Dept. Computational Sociology Bandung Fe Institute [email protected] Ekonofisika, merupakan sebuah istilah yang muncul sekitar sepuluh tahun lalu, oleh seorang

fisikawan polimer Boston University, H. E. Stanley bersama beberapa fisikawan melalui makalah

ilmiah, “Anomalous fluctuations in the dynamics of complex systems: from DNA and physiology to

econophysics”. Makalah tersebut mengetengahkan eksotisme dari ilmu fisika statistika yang ternyata

memberikan banyak kontribusi dalam penelaahan fluktuasi data ber‐frekuensi tinggi yang terdapat

pada sekuen‐sekuen DNA, data‐data detak jantung manusia, gelombang otak penderita Alzheimer,

hingga naik‐turunnya berbagai data ekonomi keuangan, mulai dari data indeks saham hingga data‐ data makroekonomi. Sejak saat itu, berbagai penelitian ekonofisika meroket jumlahnya dan sungguh

menakjubkan hasilnya dalam berbagai bidang ekonomi dan keuangan, mulai dari analisis

pertumbuhan firma dan ekonomi nasional sebuah negara hingga prediksi saham dan keputusan

investasi.

Gambar 1. Antara gerak Brown dan pergerakan indeks komposit pasar modal

♠_Makalah_disampaikan_pada_Seminar_“Aplikasi_Fisika_dalam_Analisis_Keuangan”,_Universitas_Bina_Nusantara,

(2)

Dalam sejarah fisika, dikenal sebuah kondisi yang disebut sebagai kondisi ‘transisi fasa’:

sebuah titik kritis terjadinya perubahan fasa zat, misalnya dari cair ke gas. Hukum‐hukum fisika

konvensional bekerja dengan baik pada fasa zat yang pasti, seperti cair, gas, atau padat. Sayangnya,

hal yang sama tak berlaku pada titik transisi fasa. Di titik ini, tingkat kompleksitas dari zat menjadi

luar biasa rumit, satu hal menjadi begitu bergantung pada hal lain, everything depends on everything

else. Fisika mengenali fenomena kritis ini sebagai salah satu terjadinya sistem kompleks, mengingat tingkat kompleksitasnya yang tinggi.

Sekarang coba kita lihat sistem ekonomi dan pasar modal. Seorang analis pasar modal atau

pun seorang ekonom pasti serta‐merta sadar akan betapa rumitnya; ekonomi lekat dengan

ungkapan, ‘semua hal sangat bergantung pada semua hal lain’. Contohnya, pergerakan saham‐

saham di Bursa Efek Jakarta. Mari kita berandai‐andai, misalkan ada sebuah berita yang menyatakan

bahwa pendapatan Telkom menurun. Akibatnya, investor mencabut investasinya dan beralih ke

saham Indosat, yang mendongkrak nilai sahamnya di bursa. Terjadi korelasi negatif dari fluktuasi

harga kedua saham. Artinya, sebagaimana analisis standar mengatakan, jika yang satu turun, yang

lain terdongkrak. Bukannya keduanya berada di sektor yang sama?

Namun ternyata, misalnya kenaikan saham Indosat tadi menjadi ekstrem. Begitu tingginya

sampai‐sampai perusahaan ini menaikkan jumlah produksi, jumlah cabang, jumlah tenaga kerja,

bahkan tenaga kerja diupayakan bekerja siang dan malam untuk mempertahankan pencapaian ini.

Makin banyak pula demand dari tenaga kerja di berbagai lokasi produksi Indosat yang berbondong‐

bondong ke warung Indomie siang dan malam. Akibatnya adalah penjualan yang menjadi berlipat

ganda oleh perusahaan Indofood penghasil Indomie yang pada gilirannya akan juga mampu

mendongkrak nilai sahamnya di bursa – justru terjadi korelasi positif antara saham dengan sektor

yang sangat berbeda. Ini yang tak terantisipasi oleh analisis standar.

Di sini jelas terlihat bahwa di sistem ekonomi ada saling‐keterkaitan yang sangat intens. Jika

ada 300 saham yang diperdagangkan di BEJ, maka untuk menganalisis situasi ekonomi yang

direpresentasikan aktivitas dalam bursa efek, kita harus memperhatikan 90000 interaksi. Sebuah hal yang luar biasa rumit jika kita konsisten dengan pendekatan ekonomi konvensional. Fisika mengenal

beragam model untuk analisis semacam ini lewat analisis model spin, disokong simulasi

komputasional sehingga dinamika yang terjadi bisa teramati. Salah satu caranya, semua “spin”

dianggap saling berinteraksi satu sama lain yang terikat sebuah aturan yang berubah menurut

waktu.

Fenomena kritis transisi fasa di fisika akhirnya berpeluang memberikan potensi besar dalam analisis pertumbuhan ekonomi. Dan interaksi yang dimaksud tidak harus berhenti di saham‐saham. Saling‐kebergantungan antar aktor ekonomi atau agen sistem sosial juga bisa menciptakan beragam

tipe perilaku agregat yang beragam, ketika di lain tempat, pendekatan asumtif atas sistem yang

teramati disambung oleh kebijakan yang asumtif pula. Konsekuensinya bisa dramatis bagi

pertumbuhan sistem yang bersangkutan. Pertanyaannya bagaimana membedah sistem kompleks pasar modal ini, dan apa perangkat analitik yang disediakan oleh ekonofisika?

1. Statistika Sistem Kompleks

Minggu‐minggu belakangan ini di perdagangan saham BEJ, Indeks Harga Saham Gabungan

(IHSG) mencapai titik tertinggi selama lima tahun terakhir dan berbagai analisis bermunculan atas

kegairahan pasar modal tersebut. Sangat sulit memastikan secara eksak mengapa hal tersebut dapat

terjadi dalam level deskripsi agen pelaku ekonomi. Hal ini sering terjadi dalam sistem ekonomi

keuangan. Begitu pula dengan saat terjadinya peledakan bom di Hotel Marriott di mana indeks cepat

sekali terkoreksi, dan berbagai efek kuantitatif makro‐keuangan lain yang sulit untuk dijelaskan

dalam level individual pelaku ekonomi. Jelas sekali fenomena ini adalah fenomena yang

(3)

yang diperdagangkan di BEJ, sementara nilai masing‐masing saham tersebut dibentuk pula oleh

perilaku investor dan trader dengan pola kognitif yang sangat heterogen dalam memandang dan

mengartikulasikan pergerakan harga dan situasi perdagangan di lantai bursa.

Secara statistik, berbagai penemuan di bidang mekanika statistik telah memberikan banyak

kontribusi dalam perkembangan ekonofisika. Penemuan konsep hukum pangkat dalam berbagai

distribusi data keuangan lintas pasar modal termasuk pasar komoditas dan berbagai metodologi

untuk prediksi dan ekstraksi informasi dari data‐data yang ada merupakan sumbangan besar

ekonofisika dalam analisis pasar modal dan keuangan. Salah satu yang ingin diketengahkan dalam

diskusi ini adalah bentuk statistika non‐parametrik dengan menggunakan model jaring saraf buatan sebagai bentuk pemrograman paralel terdistribusi.

Teknologi jaring saraf buatan adalah sebuah peniruan akan sistem saraf hewan. Teknologi ini

ternyata memberikan perubahan epistemologis sistem pemrograman yang kita kenal secara

tradisional. Jaring saraf buatan memproses informasi dengan cara yang sangat berbeda dari cara

konvensional. Komputasi terjadi dalam unit‐unit pemrosesan data yang jumlahnya banyak sekali,

secara paralel dan terdistribusi. Sebuah cara yang sangat berbeda dengan arsitektur komputer klasik

yang memproses data secara serial. Dalam jaring saraf buatan informasi terdistribusi dalam jaring‐

jaring saraf buatan, bukannya teralokasi dalam tempat tertentu apakah itu alamat memori komputer

atau apapun. Itulah sebabnya, di awal kelahirannya, teknologi ini disebut sebagai teknologi

pemrosesan paralel terdistribusi (parallel distributed processing), untuk membedakannya dengan

cara lama.

Pemrosesan informasi dalam Jaring Saraf Buatan dapat disingkat sebagai berikut, sinyal (baik

berupa aksi atau potensial) muncul sebagai masukan unit (sinapsis); efek dari tiap sinyal ini

dinyatakan sebagai bentuk perkalian dengan sebuah nilai bobot untuk mengindikasikan kekuatan

dari sinapsis. Semua sinyal yang diberi pengali bobot ini kemudian dijumlahkan satu sama lain untuk

menghasilkan unit aktivasi. Jika aktivasi ini melampaui sebuah batas ambang tertentu maka unit

tersebut akan memberikan keluaran dalam bentuk respon terhadap masukan. Kemampuan

fungsional ini dalam rekayasa neuron buatan dikenal dengan sebutan Threshold Logic Unit (TLU),

sebuah pemikiran dari W. McCulloch dan W. Pitts (Gurney:1997).

3₁₁

y

Lapisan

Tersembunyipertama

Lapisan Tersembunyi

Kedua

Neuron

Keluaran

Gambar 2. Tipikal sebuah jejaring saraf buatan

(4)

berada tersembunyi di antara neuron masukan dan keluaran. Jaring saraf menggunakan unit

tersembunyi untuk menghasilkan representasi pola masukan secara internal di dalam jaring saraf.

Pada dasarnya, dapat dikatakan bahwa dengan merekayasa lapisan‐lapisan dalam arsitektur jaring

saraf buatan, adalah mungkin untuk mendekati semua fungsi matematis yang kita kenal selama ini

ke dalam arsitektur jaring saraf buatan tipe maju. Karena inilah banyak orang sekarang

menggunakan jaring saraf sebagai model untuk menyelesaikan berbagai permasalahan, termasuk

prediksi data deret waktu keuangan.

Gambar 3. Hasil prediksi selang pergerakan harga dengan jarring saraf buatan

Model jaring saraf buatan memandang data yang hendak diaproksimasi sebagai data yang

berada pada situasi kritis dengan sifat kemampuan mengatur dirinya sendiri yang diaplikasikan

kepada sifat dari model jaring saraf dalam bentuk training, validasi, dan uji aproksimasi terhadap

data yang dilakukan. Dengan riset‐riset lebih jauh dengan modifikasi dan berbagai variasi metodologi alternatif kita tentu akan dapat memperoleh hasil prediksi dan aproksimasi data yang semakin baik.

Hal ini tentu masih membuka peluang analisis kajian ekonofisika yang masih dan akan terus

berlangsung.

2. Membedah Pasar Modal dengan Pasar Modal Buatan

Pendekatan pemrograman paralel terdistribusi lainnya dalam kajian penelitian ekonofisika

adalah pemodelan berbasis agen yang dikaitkan dengan kajian mekanika statistika interaksi agen‐

agen ekonomi (multi agen). Analisis multi‐agen merupakan sebuah alternatif untuk dapat

memecahkan berbagai teka‐teki tersebut karena ia dapat menjadi jembatan (bridge) atas faktor

makro dan mikro dari sebuah sistem.

Hal penting yang menarik untuk dicatat adalah sebagaimana diutarakan oleh Stigler pada

tahun 1964 yang merupakan ilmuwan pertama yang melakukan simulasi pasar modal:

“…tujuannya adalah agar kita memiliki deskripsi pasar yang sangat sederhana di

satu sisi, dan di sisi yang lain representasi yang paling tepat dalam pengamatan kita

terhadap karakteristik pasar yang didekati…”

Dari sini kita dapat melihat berbagai keuntungan analitis yang bisa kita dapatkan dengan

menggunakan model multi‐agen dalam sistem keuangan. Hal ini sebagaimana akan ditunjukkan

dalam bagian selanjutnya dari bagian ini tentang bangunan model multi‐agen dalam sistem ekonomi keuangan yang akan kita adaptasi pada analisis sistem ekonomi keuangan nasional. Sebagai contoh yang menjadi model klasik yang merintis pendekatan analisis agen dalam pasar modal dalam sejarah

(5)

kajian ekonofisika adalah model Bar El‐Farrol dan Permainan Minoritas yang dikenal juga sebagai model Oxford. Model ini diinspirasi oleh adanya bar El‐Farrol di kota Santa Fe, pertama kali dicetuskan oleh ekonom kompleksitas, W. Brian Arthur (1994). Model ini diilustrasikan dalam bentuk cerita sebagai berikut:

“Ada sebuah bar di Santa Fe, bernama Bar El Farrol yang bisa menampung sekitar 60 orang

dengan nyaman. Namun terdapat 100 orang yang selalu ingin menghadiri acara mingguan di

bar tersebut. Mereka hanya akan mau hadir jika jumlah orang yang hadir di bar tak lebih dari 60

orang, dan memilih lebih baik di rumah saja jika lebih dari 60 orang yang hadir pada acara

tersebut. 100 orang pelanggan yang berpotensi hadir pada acara mingguan tersebut harus

menentukan secara terpisah tanpa saling berkomunikasi apakah akan hadir atau tidak dengan

meramalkan jumlah orang yang akan muncul di acara tersebut berdasarkan pengetahuan

mereka akan berapa orang yang hadir minggu sebelumnya. Pilihannya dua: tinggal di rumah

atau pergi mengunjungi bar El Farrol”

Model ini diabstraksikan dengan model permainan minoritas (minority game). Permainan

minoritas dikembangkan oleh Damien Challet dan Y.C. Zhang (1997). Dalam model ini, terdapat N

jumlah agen yang tiap sela waktu, mau tak mau harus berkompetisi dengan memilih dua pilihan

biner, yaitu “1” atau “0”. Pemenangnya adalah yang jumlah pilihan yang sama paling sedikit.

Sebagaimana dalam cerita bar El Farrol, tiap agen tersebut memiliki strategi masing‐masing dalam

membuat pilihannya. Tiap strategi ini disusun atas pilihan masing‐masing {0,1}, misalnya “01001”

dengan panjang bit strategi m. Pada permainan yang berlangsung, tiap agen memperoleh ganjaran

atas pilihannya (menang atau kalah) yang menjadi bahan evaluasinya atas bagus tidaknya strategi

yang dimilikinya pada T periode. Pada awalnya ia memilih strategi yang dikenalinya memiliki

ganjaran terbaik, dan memutuskan untuk menggunakan strategi tersebut untuk laju‐keberhasilan

yang lebih besar dari k. Sebagai model teori permainan, kita dapat melihat dengan jelas betapa banyak interpretasi yang mungkin dalam permainan minoritas ini. Sebagai contoh, dua pilihan dapat merepresentasikan

dua rute perjalanan yang harus dipilih oleh seorang pengemudi. Tentunya ia ingin agar pilihannya

tersebut adalah rute yang paling tidak macet lalu‐lintasnya. Sebagai model pasar modal, pilihan

tersebut dapat berupa keputusan “membeli” atau “menjual” saham atau indeks saham tertentu dan

perubahan harga bergantung pada keseimbangan antara jumlah N0 agen yang memilih “0”, dan

jumlah N1 agen yang memilih “1”, yang mengikuti:

Gambar 4. Hasil simulasi model Oxford. Atas: menggunakan N=101, m=3, q=2, t=100, k=0,53. Bawah:

(6)

Harga(t+1) = Harga(t) + D N N0 − 1 dengan D sebagai konstanta. Dalam hal ini, volume dari saham yang ditransaksikan mengikuti: volume = N0 + N1 Dari sini kita dapat melihat bahwa model Oxford memiliki hanya lima parameter, (N, m, q, T,

k), namun secara umum telah dapat memberikan gambaran tentang pasar dengan cukup baik

sebagaimana digambarkan dalam gambar 4. Berbeda dengan pendekatan konvensional, model‐

model dengan menggunakan simulasi komputasional seperti model Oxford ini menggunakan data‐

data yang digenerasi melalui proses komputasi dengan pemrosesan distribusi paralel. Saat ini telah

banyak sekali pasar modal buatan yang digunakan untuk menerangkan berbagai fenomena dalam

pasar modal, untuk menguji hipotesis, untuk menguji dampak kebijakan dalam pasar modal, dan

bahkan untuk mendeteksi berbagai proses pasar yang terjadi. Kerumitan modelnya pun semakin

berkembang dari waktu ke waktu. Skema sederhana ditunjukkan pada gambar 6, tentang bagaimana

data dihasilkan melalui adjustment di level mikro pasar ke level makronya yang dianalisis dengan

mekanika statistik.

Tema utama dari analisis ekonofisika dengan membangun model berbasis agen pelaku

ekonomi adalah upaya untuk memberikan gambaran dan argumentasi mengapa terjadi data

ekonomi keuangan secara spesifik atau segala karakter ekonomi keuangan (harga, volume, dan

sebagainya) di tingkat makro sehingga dapat dijelaskan dalam tingkat mikro. Ini merupakan tema

kompleksitas, yakni sistem yang elemen penyusunnya saling berinteraksi sehingga membrojolkan

hal‐hal di tingkar kolektif/makro. Hal ini tentu akan sangat berguna mengingat kita akan dapat

menganalisis sistem pasar yang ada sekarang, bahkan memberikan pengajuan atas perubahan

regulatif di tataran praktik pasar modal (Rouchier, 2003).

Mengingat fokus utama pendekatan ini adalah perilaku individu dalam kaitannya dengan

mekanisme makro pasar, maka kita dapat mengatakan bahwa analisis ini menggabungkan berbagai

kausa atau sebab dalam analisis mikrosimulasi antar agen‐agen yang berinteraksi dengan analisis

statistika di tingkat fluktuasi kondisi makro. Salah satu pengembangan yang menarik tentu adalah

STRATEGI KEKUATAN

PENGARUH

AGEN PASAR

Keputusan tindakan, Modal agen, dan

Kepemilikan Stok

Random wheel

selection

(7)

upaya mengaitkan deviasi rasionalitas sistem kognitif agen‐agen dengan mekanisme makro pasar (seperti yang dilakukan Takahasi & Terano, 2003).

Yang perlu kita catat adalah sistem dengan pemodelan komputasional berbasis agen pelaku

ekonomi memberikan peluang yang semakin luas dalam analisis fisika keuangan yang diperkaya

dengan statistika mekanika sebagai transplantasi dari ilmu fisika.

3. Diskusi

Dari uraian singkat ini pada dasarnya kita dapat melihat betapa luas terbentang analisis

ekonomi yang menjadi lapangan sains dari ekonofisika, khususnya dalam hal aplikasinya dalam

pengayaan analisis pasar modal. Tak bisa dihindari bahwa ekonofisika memiliki andil untuk membuat

ekonomi menjadi semacam sains dengan keketatan yang diimpor dari fisika atau dalam bahasa

ekonom, Steve Keen (2001), ekonofisika melepaskan ekonomi dari ideologi yang selama ini

mengungkungnya. Ini merupakan sisi baik dari budaya metodologi formalistik yang berkembang

dalam analisis ekonofisika.

Secara umum, kita dapat menunjuk tiga kategori besar bahasan ekonofisika atau fisika

keuangan dan pasar modal berdasarkan metodologi fisika yang diimpor ke dalam analisis ekonomi, antara lain:

1. Mekanika, meliputi konsep gaya dan energi potensial sebagaimana diterangkan di atas.

Konsep agen dalam ekonomi sebagai konsep partikel titik dalam fisika. Lebih jauh lagi adalah penggunaan mekanika statistika yang digunakan untuk menganalisis dan meng‐ekstrak sifat‐ sifat umum statistika dari data‐data ekonomi keuangan yang sedemikian banyak jumlahnya.

2. Konsep Non‐Linieritas dan Kompleksitas dalam Termodinamika, hal ini meliputi konsep

entropi, transisi fasa, dan fisika statistika, konsep distribusi Levy terpotong, multi‐fraktalitas,

dan sebagainya. Termasuk pula tentang keterkaitan struktur makro dan mikro. Misalnya,

getaran pada level molekuler dengan temperatur dapat menjadi model keputusan investor dengan fluktuasi harga saham.

3. Fisika Komputasi, hal ini meliputi model otomata selular dan model jaring saraf buatan yang

digunakan untuk mensimulasikan model Ising atau perilaku tumpukan pasir (sand piles)

sebagai model analisis ekonomi.

Ketiga hal inilah yang kemudian kita gunakan sebagai kategori piranti fisika matematika dan komputasi yang kita gunakan dalam analisis ekonomi dan sistem keuangan.

Dalam hal obyek penyelidikan, kita juga dapat membagi tiga bentuk dan peran ekonofisika

dalam analisis sistem ekonomi keuangan, yaitu:

1. Analisis Sifat Statistika. Dengan menggunakan perangkat‐perangkat dan model dalam

mekanika statistika kita menganalisis sifat‐sifat statistika dari data‐data keuangan. Dalam hal ini kita menggunakan model‐model peramalan seperti ARCH, GARCH, analisis distribusi data

dengan teorema limit pusat, distribusi Levy (Levy Flight), sifat skala (scaling), dan

multifraktalitas dari data‐data ekonomi keuangan. Pendekatan ini dikenal dengan

pendekatan top‐down karena melihat data sebagai data an sich, dan membiarkan data

tersebut berbicara tentang dirinya sendiri. Dalam lapangan ini kita menganalisis dan

mengekstrak sifat statistika tanpa perlu peduli terhadap penyebab dari terjadinya sifat data

tersebut.

2. Analisis Mikrosimulasi. Dalam lapangan analisis ini, kita mempelajari secara individual,

bagaimana seorang pelaku pasar atau agen ekonomi (misalnya investor) untuk mengambil

keputusannya. Adalah hal yang sangat trivial untuk mengambil asumsi bahwa pelaku

ekonomi tidak selalu menggunakan rasionalitas murni dalam pengambilan kebijakan. Hal ini dikarenakan ia terjebak dalam keterbatasan informasi yang dimilikinya sebagai dasar pijakan

dalam mengambil keputusan (bounded rationality). Bagaimana pelaku pasar dalam

kaitannya dengan responnya terhadap gosip atau rumor dan mengambil keputusannya

(8)

membuka kotak hitam sistem kognitif pelaku pasar dan agen ekonomi yang pada akhirnya

menyebabkan terjadinya fluktuasi harga pasar.

3. Pasar Modal Buatan (artificial stock market). Pendekatan ini berupaya untuk mencari

kesinambungan pendekatan pertama dan kedua, yaitu upaya untuk menjelaskan apa yang

menyebabkan terjadinya sifat statistika spesifik data ekonomi keuangan yang ditemukan

dengan cara menumbuhkan struktur proses pengambilan keputusan oleh agen ekonomi dan

pelaku pasar ke dalam komputer (in silico) dan yang menghasilkan data fluktuasi harga

sebagaimana diamati. Perangkat ekonofisika di sini diimpor dari fisika komputasi, dengan

modifikasi model‐model seperti model Ising, dan sebagainya melalui adaptasi dengan teori

permainan evolusioner (evolutionary game theory), model adaptasi dan pembelajaran

(learning model) seperti jaring saraf buatan, dan sebagainya.

Sekarang kita dapat melihat dengan jelas bagaimana ekonofisika memiliki lapangan

penelitian dan pengembangan yang sangat luas: mulai dari analisis data statistika hingga bagaimana sebuah sifat spesifik statistika data dibentuk melalui interaksi agen‐agen pelaku ekonomi. Bacaan:

Axtell, Robert (2000), Why Agents? On the varied Motivations for Agent Computing in The Social Sciences, Working

Paper No.17 Center on Social Economics Dynamics, The Brookings Institution.

Axtell, R., Epstein, Joshua M., dan Young, H. Peyton (2000), The Emergence of Classes in a Multi‐Agent Bargaining

Model, Working Paper No.9 Center on Social and Economic Dynamics, The Brookings Institution.

Arthur, W. Brian. (1994). Inductive Reasoning and Bounded Rationality: The El Farrol Problem. Dalam American

Economic Review Vol. 84(406).

____________. (2000). Cognition: The Black Box of Economics. Dalam Colander, David. (editor). The Complexity Vision

and The Teaching of Economics. Edward Elgar Publishing.

Bak. P., Paczuski, M., & Shubik, M. (1996). Price Variations in a Stock Market with Many Agents. Publikasi on‐line di

arXiv:cond‐mat/9609144v1.

Bruun, C. (1999). Agent‐Based Keynesian Economics ‐ Simulating a Monetary Production System Bottom‐Up. On‐line

Publications. URL: http://www.socsci.auc.dk/~cbruun/abke.pdf

Buchanan, Mark. (2002). The Physics of the Trading Floor. Dalam Majalah Nature Vol. 415:10‐12.

Challet, D. & Zhang, Y.C. (1997). Emergence of Cooperation and Organization in Evolutionary Game. Pra‐cetak:

arXiv:adap‐org/9708006 v2 03 Sep 1997

Castiglione, Fillipo. (2001). Microsimulation of Complex System Dynamics. Inaugural Dissertation. Universität zu Köln.

Epstein, J.M., dan R. Axtell (1996), Growing Artificial Societies: Social Science from the Bottom Up, The Brookings

Institution Press dan MIT Press.

Farmer, J. Doyne. (2001). Toward Agent Based Models for Investment. Dalam Benchmarks and Attribution Analysis.

Association for Investment and Management Research.

Farmer, J. Doyne. & Lo, Andrew W. (1999). Frontiers of Finance: Evolution and Efficient Markets. Working Paper 99‐06‐

039. Santa Fe Institute.

Frank, Joshua. (1999). Applying Memetics to Financial Markets: Do Markets Evolve towards Efficiency?. Journal of

Memetics Vol.3(2). Publikasi on‐line. URL: http://jom‐emit.cfpm.org/1999/vol3/frank_j.html

Geisendorf, Sylvie. (1999). Genetic Algorithms in Resource Economic Models: A Way to Model Bounded Rationality in

Resource Exploitation. Working Paper 99‐08‐058. Santa Fe Institute.

Gell‐Mann, Murray. (1994), The Quark and The Jaguar, W.H. Freeman and Company.

(9)

Hubbard, R.G. (1996). Money, the Financial System, and the Economy 2nd ed. Addison‐Wesley.

Jefferies, P., Lamper, D., & Johnson, N.F. (2002). Anatomy of Extreme Events in A Complex Adaptive System. Publikasi

online di arXiv:cond‐mat/0201540 v3.

Keen, S. (2001). Debunking Economics: The Naked Emperor of the Social Sciences. Pluto Press.

King, A.J., Streltchenko, O., & Yesha, Y. (2003). Multi‐agent Simulations for Financial Markets. Publikasi on‐line. URL:

http://www.csee.umbc.edu/~finin/cv/

LeBaron, Blake. (2002). Building the Santa Fe Artificial Stock Market. Woking Paper yang dipublikasikan on‐line pada

URL: http://www.brandeis.edu/~blebaron

Lux, Thomas. (2000). Multi Agent Simulation of Financial Markets and the Stylized Facts. Presented at Conference

‘Beyond Equilibrium and Efficiency. Santa Fe Institute.

Palin, Jon. (2002). Agent‐Based Stock Market Models: Calibration Issues and Application. Thesis for MSc Degree in

Evolutionary and Adaptive Systems. School of Cognitive and Computing Sciences. University of Sussex.

Rouchier, J. (2003). “Re‐implementation of a multi‐agent model aimed at sustaining experimental economic research:

The case of simulations with emerging speculation”. Journal of Artificial Societies and Social Simulations 6(4). URL:

http://jasss.soc.surrey.ac.uk/6/4/7.html

Sergeev, Victor. (2003). The Thermodynamics Approach to The Market Equillibrium. Working Paper 03‐04‐027. Santa

Fe Institute.

Shalizi. Cosma. (2001). Why Markets Aren’t Rational But Are Efficient. SFI Buletin Vol. 15(1). Santa Fe Institute.

Situngkir, Hokky. (2003a). Emerging the Emergence Sociology: The Philosophical Framework of Agent‐Based Social

Studies, dalam Journal of Social Complexity Vol. 1(2):3‐15, Bandung Fe Institute Press.

_____________. (2003b), Fajar Menyingsing Ilmu Sosial Berbasis Kompleksitas, Makalah Disampaikan pada Diskusi

Bersama CSIS, Jakarta, 5 Juni 2003.

Situngkir, Hokky., & Surya, Yohanes. (2003a). “Neural Network Revisited: Perception on Modified Poincare Map of

Financial Time Series Data”. Physica A 344: 100‐103. Elsevier Science.

_____________________________. (2003b). Dari Transisi Fasa ke Sistem Keuangan: Distribusi Statistika pada Sistem

Kompleks. Working Paper WPQ2003. Bandung Fe Institute.

_____________________________. (2003c). Peramalan Jangka Pendek Data Deret Waktu Keuangan di Indonesia:

Eksperimentasi Persepsi Jaring Saraf Buatan pada Peta Poincare. Working Paper WPR2003. Bandung Fe Institute.

Takahashi, H. & Terano, T. (2003). “Agent‐Based Approach to Investors’ Behavior and Asset Price Fluctuation in

Financial Market”. Journal of Artificial Societies and Social Simulations 6(3). URL:

http://jasss.soc.surrey.ac.uk/6/3/3.html

Tesfatison, Leigh. (2002). Agent‐Based Computational Economics: Growing Economics from the Bottom Up. ISU

Economic Working Paper No.1. Iowa State University.

Zimmerman, G., Neuneier, R., & Grothmann, R. (2001). Multi‐Agent Market Modeling of Foreign Exchange Rates.

Dalam Advances in Complex System Vol. 4(1):29‐43. World Scientific.