Propriété Fractionnée : Une Nouvelle Façon d'Investir
Apprends comment la propriété fractionnée change les opportunités d'investissement et la dynamique du marché.
Lars Fluri, A. Ege Yilmaz, Denis Bieri, Thomas Ankenbrand, Aurelio Perucca
― 8 min lire
Table des matières
- Le Problème de la Liquidité
- Objectifs de la Recherche
- Comment le Modèle Fonctionne
- La Configuration du Marché
- Facteurs Importants
- Le Cadre de Simulation
- Comportement des Agents
- Vendeurs Purs
- Acheteurs Purs
- Acheteurs Vendeurs
- Dynamiques du Marché
- Collecte de Données
- Résultats et Analyse
- Analyse de Sensibilité
- Conclusion
- Directions Futures
- Source originale
- Liens de référence
Ces dernières années, la technologie a changé notre façon d'investir. Maintenant, tu peux posséder une partie de trucs qui étaient avant inaccessibles, comme des grands vins, des œuvres d'art ou des voitures de luxe. On appelle ça la propriété fractionnée. Au lieu d'acheter l'objet entier, tu achètes une part, un peu comme quand tout le monde met la main à la pâte pour cette pizza fancy. Mais attention : ces parts peuvent parfois être galères à revendre plus tard, c'est comme essayer de vendre une part de pizza à moitié mangée à une fête.
Liquidité
Le Problème de laLa liquidité en finance, c'est à quel point tu peux acheter ou vendre quelque chose sans provoquer un gros changement de prix. Si un marché est liquide, c'est facile de trader. Si c'est illiquide, tu pourrais te retrouver à tenir ta part de pizza beaucoup plus longtemps que prévu. Dans notre nouveau monde de propriété fractionnée, les marchés peuvent être plutôt illiquides. Ça veut dire que trouver quelqu'un pour acheter ta part quand tu veux la vendre peut être compliqué. C'est là que la recherche entre en jeu : on veut comprendre comment améliorer ces marchés.
Objectifs de la Recherche
Le but de cette recherche était de simuler ce qui se passe dans ces marchés en utilisant une méthode appelée modélisation basée sur des agents (MBA). Imagine que tu as de petits investisseurs virtuels (agents) qui achètent et vendent ces parts fractionnées. En observant comment ils interagissent, on peut apprendre sur la liquidité, comme comment faire venir plus de gens pour acheter ta part de pizza !
Comment le Modèle Fonctionne
Les agents dans notre modèle ont quelques rôles différents :
-
Acheteur Pur (AP) : Ces gens-là veulent juste acheter des parts. Pense à eux comme des fans de pizza qui attendent que la part qu'ils veulent arrive au bon prix.
-
Vendeur Pur (VP) : Ces agents ne font que vendre des parts. Ce sont les gens qui, s'ils ont une part de pizza en trop, veulent s'en débarrasser au meilleur prix possible.
-
Acheteur Vendeur (AV) : Ces agents peuvent acheter et vendre. Ce sont les passionnés de pizza qui sont prêts à échanger leur part contre une autre qu'ils trouvent plus appétissante.
La Configuration du Marché
Notre modèle est basé sur de vraies données d'une startup FinTech qui s'occupe de propriété fractionnée. Dans cette configuration, les investisseurs peuvent acheter des parts d'actifs d'une valeur de 50 € chacune. Ces actifs peuvent ensuite être échangés sur un marché secondaire.
Le marché fonctionne comme ça :
-
Jours de Trading : Le marché est ouvert au moins une fois par mois pour le trading. C'est comme avoir une fête de pizza mensuelle où tout le monde apporte sa part préférée à partager.
-
Règles de Trading : Les vendeurs peuvent lister leurs parts avec des prix fixés dans certaines limites de la valeur de leur actif. Si ton prix est trop élevé ou trop bas, tu ne vendras pas grand-chose.
-
Appariement des Ordres : Les offres d'achat et de vente sont appariées selon qui arrive en premier, un peu comme celui qui attrape la dernière part de pizza !
Facteurs Importants
La liquidité est influencée par plusieurs facteurs :
-
Nombre de Parts : Plus il y a de parts disponibles, plus il est facile de vendre. Mais si tout le monde veut vendre en même temps, ça peut devenir problématique.
-
Pricing : La façon dont les actifs sont valorisés compte aussi. Si tout le monde pense qu'une part de pizza vaut 2 € alors que d'autres pensent qu'elle vaut 1 €, les affaires seront difficiles à conclure.
-
Règles du Marché : Chaque plateforme a son propre ensemble de règles qui peuvent affecter à quel point il est facile pour les gens d'acheter et de vendre.
Le Cadre de Simulation
On utilise la MBA parce que ça nous permet de simuler des interactions complexes entre les agents. Chaque agent a ses propres stratégies pour acheter et vendre. Ils agissent en fonction de leur budget et des règles du marché.
Les agents peuvent se comporter de manière simple ou complexe. Certains sont aléatoires, tandis que d'autres essaient d'apprendre de l'environnement, comme ce pote intelligent qui sait exactement quand attraper une part de pizza avant qu'elle ne disparaisse !
Comportement des Agents
Vendeurs Purs
Les Vendeurs Purs sont ceux qui mettent leurs parts en vente à cause d'un choc qui les pousse à vendre. Ils décident combien vendre en fonction de leur propriété actuelle et du prix du marché. S'ils se sentent généreux, ils pourraient fixer un prix un peu plus bas pour attirer les acheteurs.
Acheteurs Purs
Les Acheteurs Purs sont motivés par le désir de posséder plus que ce qu'ils pourraient acheter directement. Ils parcourent le carnet d'offres et sont plus susceptibles d'acheter des parts à bas prix. Mais soyons honnêtes ; ils pourraient juste choisir une part parce qu'elle a l'air délicieuse !
Acheteurs Vendeurs
Les Acheteurs Vendeurs ont la capacité d'acheter et de vendre des parts. Ils fixent leurs prix en fonction de ce qu'ils pensent que d'autres agents pourraient vouloir. Ils sont comme ce pote qui connaît tous les coins à pizza secrets et trouve les meilleures affaires.
Dynamiques du Marché
Le marché passe par deux phases : la phase de pré-trading où les vendeurs listent leurs offres et la phase de trading où les acheteurs peuvent intervenir et faire des achats. Le modèle nous permet de voir comment ces interactions se déroulent au fil du temps.
Collecte de Données
Les données pour cette simulation viennent des activités de trading sur une vraie plateforme, ce qui nous aide à construire un modèle plus précis. On a collecté des informations sur les transactions, les prix et combien de personnes étaient impliquées.
Les stats montrent que beaucoup d'offres ne sont pas conclues - pense à ça comme beaucoup de gens qui veulent de la pizza, mais qui ne trouvent pas forcément un partenaire pour partager.
Résultats et Analyse
On a comparé les résultats du marché simulé aux données du monde réel. Étonnamment, la simulation a pu reproduire assez bien les dynamiques de marché réelles. La principale métrique qu'on a observée était le ratio de liquidité.
C'est quoi le ratio de liquidité ? C'est le nombre de transactions qui se produisent vraiment par rapport au nombre d'offres faites. Si tu avais une fête de pizza avec 10 parts et que seulement 2 ont été mangées, ce n'est pas très liquide !
Analyse de Sensibilité
On a testé comment les changements dans le comportement des agents impacteraient la liquidité. Voici quelques découvertes intéressantes :
-
Plus de Vendeurs : Si plus de vendeurs entrent sur le marché, cela pourrait rendre les choses moins liquides parce que tout le monde essaie d'obtenir le meilleur prix. C'est comme avoir trop de gens qui se battent pour la dernière part !
-
Activité des Acheteurs : Quand les acheteurs sont plus actifs, le ratio de liquidité augmente. Ça veut dire que plus de gens veulent acheter que vendre ; c'est une fête de pizza réussie !
-
Plage de Prix : Modifier la plage de prix des offres a eu des effets différents selon qu'on regardait les vendeurs ou les acheteurs.
Conclusion
En gros, cette recherche nous montre comment mieux comprendre et simuler des marchés illiquides, surtout avec la propriété fractionnée. En modélisant ces agents et leurs comportements, on peut trouver de nouvelles façons d'améliorer la liquidité.
Les résultats soulignent que bien que certaines choses sur le marché soient prévisibles, d'autres peuvent être assez surprenantes. Tout comme à cette fête de pizza, tu ne sais jamais qui va venir ou combien de parts seront réellement mangées !
Directions Futures
En regardant vers l'avenir, on veut rendre nos agents encore plus diversifiés. On prévoit aussi d'explorer comment des changements dans les règles du marché pourraient maximiser la liquidité.
Alors, la prochaine fois que tu penses à la propriété fractionnée, souviens-toi - tout comme à une fête de pizza, il s'agit de partager les bonnes parts et de garder les choses en mouvement !
Titre: Simulating Liquidity: Agent-Based Modeling of Illiquid Markets for Fractional Ownership
Résumé: This research investigates liquidity dynamics in fractional ownership markets, focusing on illiquid alternative investments traded on a FinTech platform. By leveraging empirical data and employing agent-based modeling (ABM), the study simulates trading behaviors in sell offer-driven systems, providing a foundation for generating insights into how different market structures influence liquidity. The ABM-based simulation model provides a data augmentation environment which allows for the exploration of diverse trading architectures and rules, offering an alternative to direct experimentation. This approach bridges academic theory and practical application, supported by collaboration with industry and Swiss federal funding. The paper lays the foundation for planned extensions, including the identification of a liquidity-maximizing trading environment and the design of a market maker, by simulating the current functioning of the investment platform using an ABM specified with empirical data.
Auteurs: Lars Fluri, A. Ege Yilmaz, Denis Bieri, Thomas Ankenbrand, Aurelio Perucca
Dernière mise à jour: 2024-12-04 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2411.13381
Source PDF: https://arxiv.org/pdf/2411.13381
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.