经济学和物理学是截然不同的研究领域，但一些研究人员一直在将两者结合起来，以创新的方式解决复杂的经济学问题。这导致了一个被称为经济物理学的跨学科研究领域的建立，该领域专门利用物理学理论和实验方法解决植根于经济学的问题。

　　京都大学的研究人员进行了一项经济物理学研究，旨在使用被称为LMF模型的统计物理学框架来研究金融市场行为。他们的论文发表在《物理评论快报》(Physical Review Letters)上，概述了该物理模型关键预测的首次定量验证，该团队利用该模型分析了东京证券交易所市场9年来波动的微观数据。

　　“如果你观察高频金融数据，你可以一眼发现关于买卖市场订单的订单符号有一点可预测性，”进行这项研究的研究人员之一Kiyoshi Kanazawa告诉Phys.org。

　　Lillo, Mike和Farmer在2005年假设了这个吸引人的特征，但由于缺乏大型微观数据集，他们的模型缺乏经验验证。我们决定通过分析大量微观数据来解决经济物理学中这个长期存在的问题。”

　　LMF模型是一个简单的统计物理模型，描述了所谓的顺序分裂行为。该模型的一个关键预测是，股票市场中表示买入或卖出订单的符号顺序与元订单的微观分布有关。

　　这一假设在经济物理学领域内一直存在很大争议。到目前为止，验证它是不可行的，因为它需要大量的微观数据集，这些数据集代表了几年来的金融市场行为，并且具有高分辨率。

　　“我们研究的第一个关键方面是，我们使用了东京证券交易所的大型微观数据集，”Kanazawa说。“没有这样一个独特的数据集，验证LMF模型的假设是具有挑战性的。对我们来说，第二个关键点是消除由于市场订单流的长记忆特性而产生的统计偏差。虽然统计估计对于长记忆过程具有挑战性，但我们尽了最大努力使用计算统计方法来消除这种偏差。”

　　Kanazawa和他的同事是第一个在大型微观金融市场数据集上对LMF模型进行定量测试的人。值得注意的是，他们的分析结果与该模型的预测一致，从而突出了该模型在解决经济问题和研究金融市场微观结构方面的前景。

　　金泽说:“我们的研究表明，市场秩序流动中的长期记忆包含有关潜在市场需求的微观信息，这可能用于设计衡量流动性的新指标。”

　　“我们展示了统计物理学在利用大型微观数据集阐明金融市场行为方面的定量力量。通过进一步分析这个微观数据集，我们现在想建立一个金融市场微观结构的统一理论，与微观动力学的统计物理程序平行。”

　　?2023 Science X Network