Doyne Farmer：混沌、市場與複雜系統經濟學

一、為何 Farmer 是聖塔菲研究所脈絡中的關鍵人物

J. Doyne Farmer 常被放在三個不同故事裡：第一，他是 1970 至 1980 年代混沌理論形成期的一員；第二，他是把物理學、訊號處理與統計學帶進量化交易早期浪潮的創業者；第三，他是複雜系統經濟學的主要倡議者。這三個故事並非彼此獨立。它們共享同一個問題意識：在一個非線性、適應性、由許多相互作用單元組成的系統中，科學家究竟能預測什麼、不能預測什麼，以及應該如何設計模型讓預測可以被檢驗。

聖塔菲研究所的特殊性，在於它把物理學家、生物學家、電腦科學家、經濟學家與社會科學家放進同一個制度空間，鼓勵用非平衡、演化、網路、資訊與 computation 的語言重寫傳統學科問題。Farmer 的研究路徑幾乎是這種跨域風格的活例：他從低維混沌出發，進入市場價格形成與交易者互動，最後走向宏觀經濟、金融穩定、技術進步與能源轉型的 agent-based 模擬。

準確地說，Farmer 並不是唯一開創這些領域的人。混沌理論有 Lorenz、Ruelle、Takens、Feigenbaum 等關鍵人物；複雜經濟學在 SFI 還有 W. Brian Arthur、John Holland、Kenneth Arrow、Philip Anderson、Thomas Sargent、Blake LeBaron 等人的線索；金融物理則有 Rosario Mantegna、Jean-Philippe Bouchaud、H. Eugene Stanley、Fabrizio Lillo 等人。但 Farmer 的特殊之處，是他把這些線索接到「可操作模型」：能從資料中學、能在市場中交易、能在政策情境中模擬，並且必須接受外部驗證。

二、早期背景：Santa Cruz、混沌與「可預測性」問題

Farmer 1952 年出生於美國德州休士頓，後來在 Stanford 完成大學教育，並在 University of California, Santa Cruz 取得物理博士。Santa Cruz 在 1970 年代形成一個以非線性動力學、混沌與集體討論為核心的小圈子，後來常被稱為「Chaos Cabal」。Farmer、Norman Packard、James P. Crutchfield 與 Robert Shaw 是其中關鍵人物。

這個時代的背景很重要。經典力學早已知道三體問題會帶來複雜運動，Poincare 已經指出確定性系統不必然等於長期可預測；1963 年 Edward Lorenz 在天氣模型中揭示敏感依賴初始條件；1970 年代末 Feigenbaum 常數顯示不同非線性系統在倍週期通往混沌時具有普適性。混沌理論的核心洞見，不是「世界沒有規律」，而是「確定性規律可以生成看似隨機的訊號，且長期預測會被初始條件誤差迅速放大」。

Farmer 所在的 Santa Cruz 團隊面對的是更實作的問題：如果你只有一條時間序列，例如流體速度、雷射輸出、化學反應濃度，能否判斷它背後是否有低維混沌吸引子？能否從觀測資料中重建狀態空間？能否做短期預測？這些問題後來變成非線性時間序列分析的核心。

相空間重建：單一時間序列如何變成幾何

1980 年 Packard、Crutchfield、Farmer、Shaw 在 Physical Review Letters 發表〈Geometry from a Time Series〉。其要點是：即使研究者只觀測到系統的一個變數，也可以用延遲座標把時間序列嵌入高維空間，例如用向量 (x(t), x(t-T), x(t-2T), ... ) 代表狀態。若嵌入維度與延遲選得合理，這些點雲可以保留原系統吸引子的幾何結構。這個想法與 Takens 後來形式化的嵌入定理相互呼應，成為實驗混沌研究的重要工具。

技術上，這裡的關鍵不是把資料畫成漂亮圖形，而是把「時間中的序列」轉譯為「狀態空間中的軌跡」。一旦軌跡被重建，就可以估計吸引子的維度、Lyapunov 指數、局部鄰域結構，進而判斷系統是否可能是低維確定性混沌，而不只是線性隨機過程。後來 Theiler、Eubank、Casdagli、Farmer 等人又進一步討論噪音、有限資料與 surrogate data 檢定，避免把一般相關性誤判為非線性混沌。

短期預測：混沌不是不可預測，而是有限可預測

1987 年 Farmer 與 John J. Sidorowich 發表〈Predicting Chaotic Time Series〉。這篇論文的核心邏輯是：混沌系統雖然長期不可預測，但短期預測仍可行，因為相空間中相近的狀態在短時間內會沿著相似方向演化。方法上，先用延遲座標重建相空間，再在局部鄰域中估計映射，推算下一步或數步之後的狀態。

這個觀點對 Farmer 後來的金融工作極其關鍵。市場價格序列未必是低維混沌，也未必能以同樣方式重建出穩定吸引子；但「可預測性可能是局部、短期、情境依賴的」這個思維，直接通往 Prediction Company 的策略哲學，也通往後來複雜系統經濟學對均衡預測的批判。

三、輪盤、穿戴式電腦與 Prediction Company：從物理可預測性到市場可預測性

Farmer 與同伴在 1970 年代曾組成 Eudaemonic Enterprises，試圖用穿戴式電腦預測輪盤結果。輪盤不是一個完全隨機的抽象賭局；在球尚未落入格子之前，它是一個有摩擦、碰撞、角速度、傾斜與雜訊的物理系統。如果能在球與輪盤還有足夠資訊時估計初始條件，就可能取得微小優勢。這段故事後來由 Thomas A. Bass 在 The Eudaemonic Pie 中寫成科普敘事。

輪盤計畫的重要性不在於賭博本身，而在於它把 Farmer 的科學信念具體化：在雜訊與混沌之間，可能存在短暫的可利用資訊窗口。這個窗口未必大，甚至可能只夠產生統計優勢；但只要能重複執行、校準誤差、管理風險，它就可能從科學問題變成工程與商業問題。

1991 年左右，Farmer 與 Norman Packard 等人在 Santa Fe 創立 Prediction Company，試圖用非線性模型與自動化系統預測金融市場。1990 年代華爾街正開始吸收物理學家與數學家，衍生品定價、統計套利、電子市場與高頻資料使量化方法變得可商業化。Prediction Company 的早期報導常帶有傳奇色彩：混沌科學家用「黑箱」預測市場。但較嚴格的理解應該是，他們尋找的是小幅、短期、可重複的統計邊際，而不是預言市場的宏觀方向。

這裡有一個常被誤解的點：Farmer 從未能證明金融市場就是低維混沌系統。實際上，成熟市場包含大量異質交易者、制度變化、政策訊號、資訊流與反身性反饋，維度遠高於典型實驗混沌系統。Prediction Company 的意義更接近資料科學與自動交易工程：從雜訊中尋找微弱訊號，快速測試模型，控制過度擬合，讓交易執行與風險管理能吸收模型誤差。該公司後來被 UBS 收購，標誌著 Santa Fe 式的非線性預測進入主流金融機構。

四、從交易黑箱到市場微結構：價格如何在訂單簿中形成

Farmer 離開 Prediction Company 後，長期在 Santa Fe Institute 與 Los Alamos 相關社群中推動金融市場的實證與理論研究。他的市場研究不是傳統資產定價模型的路線，而是從交易機制本身出發：訂單如何到達？買賣價差如何形成？大單如何衝擊價格？流動性如何抵銷可預測訂單流？

市場衝擊與訂單流長記憶

金融市場中的 market impact 指交易行為對價格造成的反應。若大量買單連續出現，價格通常上升；若大量賣單連續出現，價格通常下降。Farmer 與 Fabrizio Lillo、Rosario Mantegna 等人的研究顯示，不同股票的價格衝擊函數經過流動性尺度調整後，可以呈現近似共同曲線。這種「尺度化」是物理學家進入金融研究時常用的策略：不同系統表面上各有單位與規模，但在適當無因次化後可能暴露共同規律。

訂單流長記憶則提出一個更尖銳的問題：如果買賣方向具有長期相關性，為什麼價格本身沒有明顯可套利的長期可預測性？答案涉及流動性供給的反向調整與市場衝擊的瞬時／永久組成。換言之，市場並非因為每個交易者都理性且資訊完美而有效，而可能是因為訂單流、流動性提供者、做市與套利者之間形成動態抵消。這是 Farmer 式複雜系統經濟學的典型論點：效率不是前提，而是可能從互動機制中湧現的現象。

零智能模型：愚蠢 agent 也能產生精確統計

2005 年 Farmer、Paolo Patelli、Ilija Zovko 在 PNAS 發表〈The Predictive Power of Zero Intelligence in Financial Markets〉。零智能模型假設 agent 不做複雜最佳化，而是在連續雙向拍賣的制度約束下隨機下單、取消訂單或成交。令人意外的是，這種極簡模型能解釋倫敦證交所樣本中相當大比例的買賣價差與價格擴散率變異。

這類結果的意義，不是說市場參與者真的沒有智慧，而是說「制度機械結構」本身可以決定許多宏觀統計性質。在經濟學方法論上，這對代表性理性個體模型是一個挑戰：有些市場事實可能不是來自深層偏好或理性預期，而是來自交易規則、訂單簿結構與隨機流量的聚合效果。這也呼應了物理學中的統計力學：微觀單元不必有複雜心智，宏觀規律仍可從大量交互作用中出現。

五、市場生態學：交易策略像物種一樣競爭與共演

Farmer 在 1998 年 SFI working paper 與 2002 年 Industrial and Corporate Change 論文〈Market Force, Ecology and Evolution〉中提出市場生態學框架。其核心隱喻是：交易策略像生態系中的物種，資本像生物量，獲利像繁殖率，而策略之間的交互作用可形成食物網。趨勢追隨者、價值投資者、做市者、套利者、避險需求者不只是各自追求報酬的孤立單元；他們的資金規模與交易規則會改變價格動態，進而改變其他策略的獲利條件。

這個框架把市場效率問題改寫了。傳統有效市場假說關心的是價格是否已反映資訊，以及套利是否會消除可預測性。Farmer 的市場生態學則問：哪些策略產生哪些價格模式？哪些策略依賴其他策略提供的錯價或流動性？當某策略因獲利而吸引資本，它是否會因擁擠交易而壓低自身報酬，甚至製造不穩定？

在技術上，Farmer 把市場價格形成視為非平衡過程，並以資金流與策略報酬的相關結構來描述長期演化。若利潤再投資，資本配置方程會類似族群生物學中的 replicator dynamics：適應度高的策略吸引更多資本，但資本增加又會改變策略互動與市場衝擊。這提供一種比靜態均衡更自然的語言來描述泡沫、崩盤、策略擁擠與金融創新。

局限也必須說清楚。市場生態學的吸引力來自其概念整合力，但要落地為可校準、可預測、可政策使用的模型並不容易。策略分類常依賴不可觀測資訊；大型機構的真實部位、槓桿與風控規則不透明；策略會為了避免被模仿而刻意隱藏。因此，市場生態學較常作為中層理論與模擬框架，而不是像 Black-Scholes 那樣可直接套用的封閉公式。

六、聖塔菲傳統中的複雜系統經濟學

複雜系統經濟學不是單一模型，而是一組方法論承諾：異質 agent、局部資訊、有限理性、非均衡動態、網路連結、路徑依賴、制度細節、演化學習與 computation。Farmer 在 SFI 的位置，正是把這些承諾推向金融與宏觀政策。

這條路線與 SFI 早期的人工股票市場相呼應。Arthur、Holland、LeBaron、Palmer、Tayler 等人建立的 Santa Fe Artificial Stock Market 顯示，當投資者用可演化的預測規則互動時，市場可以在不同 regime 間轉換，技術交易、泡沫、波動群聚等現象可以從 agent 互動中出現。Farmer 的版本更重視與真實資料、交易機制與政策問題的連接。

2009 年 Farmer 與 Duncan Foley 在 Nature 發表〈The Economy Needs Agent-Based Modelling〉，明確主張宏觀經濟學需要 agent-based model。文章背景是 2008 年金融危機後，主流 DSGE 模型因未能充分描述金融部門、槓桿、異質性與危機傳染而受批評。Farmer 與 Foley 的論點並不是所有傳統模型都無用，而是單靠代表性個體與均衡近似，難以描述危機、創新、網路傳染與政策情境。

ABM 與 DSGE 的差異

ABM 的優點是表達力強，可以把銀行、企業、家庭、政府、交易市場、供應鏈與技術選擇放進同一個動態環境。缺點則是參數多、識別困難、計算成本高、透明度不足，且容易因模型設計者的規則選擇而產生不可重現的結論。因此，Farmer 一直強調模型必須與資料連接，不能只停留在示範性 toy model。

七、金融穩定、槓桿與系統風險

Farmer 後來在 Oxford Martin School 與 INET Oxford 的工作，將複雜系統方法推向金融穩定與政策應用。2008 年金融危機讓系統風險變成核心問題：個別機構看似合規，整體系統卻可能因共同持倉、槓桿、融資約束、價格下跌與強制去槓桿而崩潰。

複雜系統視角下，金融危機不是單一外生衝擊造成的均衡偏離，而是資產價格、資產負債表、風險模型、保證金、流動性與行為規則形成的正回饋。當價格下跌觸發風控賣出，賣出又推低價格，價格下跌再造成抵押品價值下降與槓桿上升，系統會從局部壓力轉成連鎖反應。這類過程很難用平滑均衡模型捕捉，卻很適合用 network model、agent-based simulation 與壓力測試結合。

Farmer 的方法論貢獻在於把金融穩定從「平均行為」問題轉為「結構與尾端」問題。平均槓桿不一定危險；危險的是槓桿集中在哪些機構、它們持有哪些相似資產、融資期限是否錯配、交易規則是否同步，以及市場流動性在壓力下是否消失。這使得複雜經濟學與監理政策、央行壓力測試、清算網路與宏觀審慎政策產生直接關聯。

八、技術進步、氣候轉型與「更好的經濟學」

Farmer 近年的 public-facing 工作集中在 Making Sense of Chaos: A Better Economics for a Better World。書名中的 chaos 不只是早期混沌理論，也是一個方法論比喻：經濟、技術與氣候政策面對的是高維、非線性、適應性系統，但這不代表研究者只能放棄預測。相反，應該承認預測的局限，針對可預測的層次建立可驗證模型。

技術進步是 Farmer 近年特別重視的領域。傳統經濟成長模型常把技術進步當作外生或用總量生產函數處理，但能源轉型、半導體、電池、太陽能、風電、電動車等領域顯示，技術成本會隨累積產量下降，供應鏈會受瓶頸與投資影響，政策補貼會改變採用速度，而不同技術之間存在競爭與互補。這些現象天然適合用 agent-based 與複雜系統模型描述。

以氣候政策為例，標準整合評估模型常被批評過度聚合、技術學習過於簡化、對不確定性與極端風險處理不足。Farmer 的路線主張建立更細緻的經濟模擬，把企業、資產、能源技術、投資決策、政策工具與供應鏈放進模型中，測試不同政策對成本、排放、就業、金融風險與採用速度的影響。這類模型不是水晶球，而是政策實驗室：它的價值在於比較情境、暴露假設、找出脆弱節點。

不過，宏大模擬計畫也有明顯風險。模型越大，越可能出現資料缺口、參數不可識別、黑箱化、政治濫用與過度自信。複雜系統經濟學若要成為政策工具，必須建立版本控管、開放資料、敏感度分析、外部驗證與失敗案例報告，否則容易重演傳統模型的權威化問題。

九、Farmer 方法論的核心命題

1. 預測不是二分法，而是尺度問題

混沌理論教會 Farmer 的第一件事，是可預測性有時間尺度。低維混沌系統短期可預測，長期不可預測；金融市場大多數時候接近有效，但局部可能有短暫可預測性；宏觀經濟無法精準預測每個事件，卻可能改善政策情境比較。這種尺度化思維避免了兩種極端：一種是以為所有複雜系統都能精準預測，另一種是以為複雜就等於不可研究。

2. 均衡可能是結果，不應總是前提

Farmer 不是否定均衡概念的所有用途，而是反對把均衡當作預設起點。金融市場的效率、價格穩定、流動性與套利消失，都可能是 agent 互動與制度約束下的湧現結果；在壓力、創新或制度轉換時，系統可能長期處於非均衡路徑。

3. 模型應從微觀機制與資料中受約束

從零智能市場到 agent-based 宏觀模擬，Farmer 重視機制建模，但不滿足於純概念。模型需要用交易資料、資產負債表、企業資料、技術成本曲線、供應鏈資料或政策資料約束。否則 ABM 很容易變成「什麼都能解釋」的故事機器。

4. 跨域類比有用，但必須接受校準

市場生態學把交易策略比作物種，統計力學把市場視為大量隨機互動的結果，演化模型把資本流比作族群增長。這些類比很有啟發性，但 Farmer 的好作品通常不只停在類比，而是把類比轉成方程、資料尺度或模擬程序。這是區分嚴格複雜系統研究與鬆散隱喻的關鍵。

十、爭議、限制與需要保留的判斷

第一，金融市場是否可由混沌理論直接預測，仍應謹慎。 Farmer 的早期混沌研究提供了非線性時間序列工具，但金融市場通常不是封閉、低維、固定規則的動力系統。市場參與者會學習、套利、改變制度，模型一旦被使用也會改變其有效性。因此，把 Prediction Company 的成功簡化為「混沌理論打敗市場」是不準確的。

第二，agent-based 模型表達力高，但驗證困難。 ABM 可以描述異質性與非均衡，但也可能因自由度太高而難以反駁。若沒有嚴格的 out-of-sample 檢驗、敏感度分析與資料校準，ABM 的政策建議可能看似具體，實際卻依賴脆弱假設。

第三，複雜系統經濟學與主流經濟學不是簡單取代關係。 現代主流經濟學已大量吸收金融摩擦、異質 agent、網路、行為經濟學與計算方法；同時，複雜系統模型也需要經濟學的識別、因果推論、福利分析與制度細節。較成熟的看法是互補與競爭並存，而不是單方面革命。

第四，政策模擬的政治風險不可忽視。 若大型經濟模擬被政府或企業當作權威工具，模型假設、資料來源與價值選擇就會影響資源分配。Farmer 式計畫若要真正改善政策，透明度與問責性和技術精度同樣重要。

十一、時間線

十二、與其他發展的關聯

Farmer 的研究可與至少五條科學史線索相連。第一是 Lorenz 以來的混沌理論：確定性系統的敏感依賴初始條件，重塑了預測與因果的觀念。第二是 Takens 嵌入定理與非線性時間序列分析：它提供從資料重建動力系統的數學基礎。第三是 SFI 的複雜適應系統研究：Arthur 的 increasing returns、Holland 的適應性系統、LeBaron 的人工市場，構成 Farmer 經濟學轉向的制度背景。第四是金融物理與市場微結構：以高頻資料、訂單簿與尺度律研究價格形成。第五是後危機宏觀與政策模擬：金融危機、氣候轉型與供應鏈風險迫使經濟模型面對網路、異質性與非均衡。

因此，Farmer 的歷史地位不應只由單篇論文或單家公司衡量。他更像一個連接器：把混沌理論的可預測性問題、金融市場的資料密度、複雜系統的 agent 互動與政策模擬的實用需求接起來。這種連接未必總能產生簡潔定理，但它改變了研究者提出問題的方式。

十三、總結：Farmer 的真正遺產

Doyne Farmer 的核心遺產，不是宣稱混沌可以預測一切，也不是把經濟學全部替換成物理學。更精確地說，他持續推動一種「受資料約束的複雜系統建模」：承認系統高維、非線性、適應性與不可完全預測，但仍尋找局部規律、機制結構與可檢驗的政策情境。

在科學史上，Farmer 的工作代表 20 世紀後半葉以來一個重要轉變：從尋找封閉解析解，轉向接受 computation、資料、模擬與制度細節作為理論的一部分。對金融市場而言，這意味著價格不只是資訊折現，也是在交易機制、流動性、策略互動與資本流中形成。對經濟學而言，這意味著宏觀現象不應只從代表性個體的均衡條件推出，也應從異質 agent、網路與演化過程中生成。

Farmer 的路線仍有未解難題：如何避免 ABM 黑箱化？如何建立跨模型驗證標準？如何在政策場域中保持透明與問責？如何把複雜模型的情境輸出轉換成可執行制度設計？但這些難題並不削弱其重要性。相反，它們顯示 Farmer 所代表的聖塔菲式研究仍在進行中：不是提供一個終局答案，而是把經濟與市場重新放回它們本來所屬的複雜、演化、非平衡世界。

參考來源清單

1. Packard, Norman H.; Crutchfield, James P.; Farmer, J. Doyne; Shaw, Robert S. 1980. “Geometry from a Time Series.” Physical Review Letters 45(9): 712-716.
2. Farmer, J. Doyne; Sidorowich, John J. 1987. “Predicting Chaotic Time Series.” Physical Review Letters 59(8): 845-848.
3. Crutchfield, James P.; Farmer, J. Doyne; Packard, Norman H.; Shaw, Robert S. 1986. “Chaos.” Scientific American 255(6): 46-57.
4. Farmer, J. Doyne. 1998. “Market Force, Ecology and Evolution.” Santa Fe Institute Working Paper 98-12-117.
5. Farmer, J. Doyne. 2002. “Market Force, Ecology and Evolution.” Industrial and Corporate Change 11(5): 895-953.
6. Lillo, Fabrizio; Farmer, J. Doyne; Mantegna, Rosario N. 2003. “Econophysics: Master Curve for Price-Impact Function.” Nature 421: 129-130.
7. Daniels, Marcus G.; Farmer, J. Doyne; Gillemot, Laszlo; Iori, Giulia; Smith, Eric. 2003. “Quantitative Model of Price Diffusion and Market Friction Based on Trading as a Mechanistic Random Process.” Physical Review Letters 90(10): 108102.
8. Farmer, J. Doyne; Patelli, Paolo; Zovko, Ilija I. 2005. “The Predictive Power of Zero Intelligence in Financial Markets.” Proceedings of the National Academy of Sciences 102(11): 2254-2259.
9. Farmer, J. Doyne; Foley, Duncan. 2009. “The Economy Needs Agent-Based Modelling.” Nature 460: 685-686.
10. Arthur, W. Brian; Holland, John H.; LeBaron, Blake; Palmer, Richard; Tayler, Paul. 1997. “Asset Pricing Under Endogenous Expectations in an Artificial Stock Market.” In The Economy as an Evolving Complex System II.
11. LeBaron, Blake. 2006. “Agent-Based Computational Finance.” In Handbook of Computational Economics, Vol. 2.
12. Bass, Thomas A. 1985. The Eudaemonic Pie；後續版本亦以 The Newtonian Casino 出版。關於 Farmer、Packard 與 Eudaemonic Enterprises 的敘事來源。
13. Bass, Thomas A. 1999. The Predictors: How a Band of Maverick Physicists Used Chaos Theory to Trade Their Way to a Fortune on Wall Street. 關於 Prediction Company 的歷史敘事。
14. Farmer, J. Doyne. 2024. Making Sense of Chaos: A Better Economics for a Better World. Allen Lane / Yale University Press.
15. Santa Fe Institute. “J. Doyne Farmer” profile；SFI event pages on Making Sense of Chaos and complexity economics lectures.
16. Institute for New Economic Thinking at the Oxford Martin School. Farmer publication pages and Complexity Economics programme materials.
17. Smith School of Enterprise and the Environment, University of Oxford. “Prof J. Doyne Farmer” profile.
18. Wired. 1994. “Cracking Wall Street.” Contemporary journalistic account of Prediction Company and early quantitative finance culture.
19. The New Yorker. 1999. “Black Box.” Journalistic account of Farmer, Packard, Prediction Company and automated trading. Used as historical context, not as sole technical authority.