Econofísica

Sergio Da Silva & Raul Matsushita

ISBN: 9781520513812

$9 USD
Impresso: 174 páginas
 -- Índice --

Apresentação p. 3

1. Introdução p. 5

2. A Ubiquidade das Leis de Potência na Natureza e na

Economia p. 9

3. A Hipótese de Comportamento Determinístico das Séries

Temporais Financeiras p. 23

4. Eficiência Relativa e Complexidade Algorítmica dos

Mercados Financeiros p. 40

5. Propriedades Estatísticas do Passeio Aleatório Usado em

Finanças p. 56

6. Processos Estocásticos de Lévy e Teoremas de Limite

Aplicados a Finanças p. 70

7. Scaling e Outras Propriedades Estatísticas dos Retornos das

Ações p. 89

8. Voos de Lévy, GARCH e Lei de Potência nas Caudas dos

Retornos das Ações p. 101

9. Regulação Financeira de Mercados Complexos p. 121

10. Comportamento Animal Coletivo e Comportamento

Econômico Coletivo p. 140

11. Epílogo p. 159

Referências p. 162
 -- Apresentação --

Este é o primeiro livro de econofísica em português, que é

apresentado na perspectiva do economista, e não do físico, e que usa
dados financeiros da economia brasileira para ilustrar os conceitos.
Primeiro teremos que explicar o que é econofísica, mas isso o
faremos na Introdução seguinte.
Mesmo assim, cabe já aqui uma motivação inicial ao tema.
Considere o que aconteceu com a economia comportamental e como
esta agenda de pesquisa psicológica tornou-se mainstream,
incorporando-se à microeconomia (Heukelom 2014). Os melhores
livros de microeconomia já incorporam um capítulo sobre economia
comportamental, que no futuro irá se dissolver na discussão das
falhas de mercado, que podem ser causadas por: 1) poder de
mercado; 2) comportamento estratégico; 3) externalidades; 4) bens
públicos; e 5) informação assimétrica. A contribuição da economia
comportamental foi incorporar um sexto fator: “racionalidade
limitada”. O sucesso da economia comportamental se deveu, em
parte, à sorte, mas pode ser descrito facilmente de modo
retrospectivo (Kahneman 2011). Um psicólogo cognitivo líder,
Daniel Kahneman, recebeu apoio de um economista bem situado no
establishment acadêmico americano, Richard Thaler.
Metaforicamente, um psicólogo bateu à porta e um economista a
abriu.
Podemos fazer uma analogia com a econofísica, onde o
sucesso em se incorporar à economia ainda não ocorreu e
possivelmente nunca ocorra. Dependerá também da sorte. A
econofisica se refere principalmente ao comportamento de grupo,
portanto à macroeconomia. A sua contribuição seria mostrar os
limites da gaussianidade, que se encontra subjacente a muitos
modelos macroeconômicos, principalmente financeiros. Além
disso, a econofísica contribuiria metodologicamente ao introduzir a
nova forma de modelagem baseada em agentes. Há um físico líder,
Gene Stanley, e há também um economista bem situado na
academia americana trabalhando com econofísica: Xavier Gabaix.
Porém, a analogia acaba aí. Metaforicamente, o físico não está
batendo à porta e, assim, a iniciativa terá que ser do economista,
convidando o físico a entrar.
Procuramos apresentar o material de modo mais breve
possível e sem sacrificar a exposição amigável do tema. Porém, não
podemos ignorar que há um tradeoff: explicações muito detalhadas
 -- Capítulo 1 --

Introdução
Econofísica é uma agenda de pesquisa recente que analisa
problemas econômicos e financeiros com o objetivo de testar novas
abordagens conceituais derivadas da física (Rosser Jr 2008). Ela tem
apenas duas décadas de existência. O neologismo foi criado em
1995 por Gene Stanley, físico da Universidade de Boston.
Econofísicos que são economistas constituem uma minoria.
Econofísicos, em sua maioria, não são economistas buscando
inspiração no trabalho de físicos, como foi recorrente na história da
economia. Eles costumam ser físicos querendo expandir as
fronteiras da sua disciplina. Por isso, os econofísicos não procuram
integrar os conceitos de física na economia e mesmo ignoram a
economia (McCauley 2004). Neste livro selecionamos temas de
econofísica tendo em vista o público de economistas. Esta seleção
reflete nossa própria agenda de pesquisa.
Há três linhas de pesquisa na agenda da econofísica: 1) a
original econofísica estatística; 2) a econofísica baseada em agentes
do tipo bottom-up; e 3) a econofísica baseada em agentes do tipo
top-down (Schinckus 2016). A econofísica que utiliza modelos
baseados em agentes do tipo bottom-up procura caracterizar a
emergência de propriedades macro específicas sem recorrer a um
padrão macro predefinido. Já a econofísica baseada em agentes top-
down procura reproduzir os dados existentes calibrando
inicialmente todas as interações micro entre os agentes para gerar
um padrão macro preexistente. As três abordagens apresentam em
comum a noção de que os fenômenos financeiros são sistemas
complexos compostos de um grande número de elementos que
interagem.
A lista de temas da econofísica estatística inclui a
caracterização das distribuições de probabilidade de: 1) retornos em
mercados financeiros; 2) renda e riqueza; 3) choques econômicos e
variações da taxa de crescimento; 4) tamanho das firmas e suas taxas
de crescimento; 5) tamanho das cidades; e 6) descobertas científicas.
Uma característica comum dessas distribuições é que elas não são
gaussianas e não são, portanto, bem descritas pela média e variância
(Rosser Jr 2008). As principais abordagens de física utilizadas pelos
econofísicos são os modelos de mecânica estatística, que é o ramo
da física teórica que usa teoria da probabilidade para estudar o
comportamento médio de um sistema mecânico, onde o estado do
sistema é incerto. Há ainda a utilização dos modelos geofísicos de
terremotos e os modelos de avalanches que consideram
“criticalidade auto-organizada”, um conceito que discutiremos. Há
 -- Capítulo 2 --

A Ubiquidade das Leis de Potência na

Natureza e na Economia
Se Isaac Newton tivesse um laptop rodando o Excel, ele teria tido
uma maneira alternativa de chegar à sua segunda lei de movimento
da queda livre dos corpos. Essa maneira seria extraindo a sua lei de
potência (power law). Uma lei de potência é uma relação funcional
entre duas quantidades, onde a alteração relativa de uma quantidade
resulta em uma alteração relativa proporcional na outra quantidade,
independentemente do tamanho inicial dessas quantidades: uma
quantidade varia como potência da outra.
Para ver isso, vamos repetir o experimento de soltar um
objeto de cima de um prédio e, assim, obter dados. A lei que governa
a queda livre pode ser vista também como uma lei de potência
(Peitgen et al 1992). Na primeira coluna da Tabela 1 listamos a
altura em metros da queda livre. Na segunda coluna temos o tempo
de queda do objeto em segundos. Nas últimas duas colunas tomamos
os logaritmos de base 10 respectivos. Na Figura 1 plotamos as duas
primeiras colunas da Tabela 1 e vemos que a relação entre altura e
tempo de queda não é linear. Na Figura 2 plotamos as duas últimas
colunas e vemos, porém, que existe uma lei de potência na forma de
uma linha reta, porque o tempo de queda t se altera como se fosse
uma potência da altura h .
Tabela 1. Altura e tempo de queda do objeto
Altura Tempo de queda log(altura) log(tempo de queda)
4 0.89 0.602059991 -0.050609993
8 1.26 0.903089987 0.100370545
12 1.55 1.079181246 0.190331698
16 1.79 1.204119983 0.252853031
20 2 1.301029996 0.301029996
24 2.19 1.380211242 0.340444115
28 2.37 1.447158031 0.374748346
32 2.53 1.505149978 0.403120521
 -- Capítulo 3 --

A Hipótese de Comportamento
Determinístico das Séries Temporais
Financeiras
O output de um modelo determinístico é completamente
determinado por seu input, que é dado pelas condições iniciais e
valores dos parâmetros. Porém, o mesmo conjunto de condições
iniciais e valores dos parâmetros pode levar a um conjunto de
diferentes outputs em um modelo estocástico, por causa da sua
aleatoriedade inerente. Em finanças, há uma opinião generalizada de
que as séries temporais dos preços de ativos financeiros são
imprevisíveis. Isto justifica descrever a dinâmica desses preços
como processos estocásticos. Porém, desde os anos de 1980 sabe-
se, em física, que o mero fato de uma série temporal ser imprevisível
não significa que ela precisa ser modelada como um processo
estocástico. Se uma variável apresentar uma dinâmica caótica, sua
série temporal será imprevisível, mas não aleatória. Ela será gerada
por um processo determinístico não linear. Há ainda outra
possibilidade para explicar preços imprevisíveis de modo
determinístico: a log-periodicidade. Neste capítulo examinaremos
estas duas hipóteses de comportamento determinístico das séries
temporais financeiras e também os motivos que nos levam a
acreditar que essas séries devem ser modeladas por processos
estocásticos.

3.1 Caos

Caos é definido como comportamento aparentemente estocástico

ocorrendo em um sistema determinístico (Stewart 1997). Então,
caos se refere a aleatoriedade falsa. Uma dinâmica “complexa”
caótica é gerada por não linearidades que estão presentes nos dados
ou em modelos. Em um sistema complexo, a observação de um
comportamento dinâmico não garante que se conheça a sua estrutura
subjacente. Sistemas caóticos apresentam comportamento
complexo que pode ser descrito por equações não lineares simples.
A propriedade mais importante de sistemas caóticos é a
sensibilidade extrema às condições iniciais. Mesmo uma mudança
infinitesimal nos valores iniciais de uma série temporal caótica leva
a uma alteração que cresce exponencialmente com o tempo. Este é
o conhecido “efeito borboleta”: uma borboleta que bate as asas aqui
pode provocar uma grande tempestade em um lugar distante. Em um
 -- Capítulo 4 --

Eficiência Relativa e Complexidade

Algorítmica dos Mercados Financeiros

Quando um motor é considerado 30 por cento eficiente, isto

significa que os 70 por cento restantes são desperdiçados em calor,
luz ou ruído. A eficiência de uma máquina mede a sua capacidade
de transformar o insumo “energia” no produto “trabalho”. Esta
eficiência é relativa: a razão entre o desempenho medido da máquina
e o desempenho de uma máquina ideal 100 por cento eficiente.
Quando os economistas falam que um mercado financeiro é
eficiente, eles utilizam o conceito de eficiência absoluta, não
relativa. Um mercado é considerado eficiente se seu preço sempre
refletir toda a informação disponível e, além disso, se alterar
rapidamente diante de uma nova informação. Usando a mesma
informação que está disponível para todo mundo, ninguém pode ter
melhor desempenho do que o mercado como um todo na previsão
do preço. Se isso acontecer, deve-se à sorte.
Se um investidor estiver querendo “bater o mercado” e fizer
uma previsão de que o preço de uma ação vai aumentar 10 por cento
amanhã, utilizando toda a informação disponível publicamente ele
não vai conseguir. Conseguiria apenas se o mercado não estivesse
transmitindo essa informação hoje. O preço vai mudar somente em
resposta a notícias imprevistas. Sendo assim, a alteração dos preços
é imprevista. Porém, toda a nova informação é instantaneamente
processada assim que ela chega ao mercado, e isto se reflete em um
novo valor para o preço da ação. Portanto, as alterações de preço
transmitem apenas informação não redundante: a informação das
notícias não antecipadas. Assim, em um mercado eficiente, o
movimento dos preços é aleatório. Uma implicação dessa “hipótese
do mercado eficiente” é que, se os preços dos ativos financeiros
refletem toda a informação disponível, eles devem ser sempre
consistentes com os “fundamentos” (Beechey et al 2001).
Para saber se determinado mercado financeiro é eficiente, os
economistas recorrem a testes econométricos. O resultado dos testes
é tudo ou nada: eficiente ou não eficiente. Mesmo um texto clássico
de econometria financeira reconhece a limitação dessa prática
(Campbell et al 1997). Campbell e colegas afirmam que (p. 24) “a
noção de eficiência relativa, isto é, a eficiência de um mercado
medida contra outro pode ser um conceito mais útil do que a visão
de tudo ou nada (absoluta) considerada na literatura tradicional de
 -- Capítulo 5 --

Propriedades Estatísticas do Passeio

Aleatório Usado em Finanças
O grande rival da distribuição paretiana na explicação dos
fenômenos econômicos estocásticos é o random walk, que é
associado à distribuição gaussiana, como veremos neste capítulo.
Poucos anos depois que Vilfredo Pareto anunciou a sua distribuição,
Louis Bachelier (1900) fez sua tese de doutorado em matemática,
orientado por Henri Poincaré, sobre o apreçamento de opções em
mercados financeiros e sugeriu o modelo do passeio aleatório. Uma
opção é um contrato financeiro que dá ao comprador o direito, mas
não a obrigação, de comprar ou vender um ativo financeiro
subjacente por um preço específico em uma data predeterminada ou
antes dela. Portanto, uma opção é um tipo de derivativo, que são
produtos financeiros cujos preços dependem do preço de outro
produto financeiro subjacente.
Os físicos apenas empregaram o passeio aleatório cinco anos
depois, quando Albert Einstein (1905) o utilizou para modelar o
movimento browniano de partículas. Em seguida, Norbert Wiener
(1923) tornou o passeio aleatório mais rigoroso matematicamente.
O preço correto de uma opção somente foi encontrado muito
depois da tentativa de Bachelier, por Fischer Black e Myron Scholes
(1973) (e também por Robert Merton (1973)), para um mercado
ideal altamente estilizado. A principal hipótese utilizada foi o preço
da ação subjacente seguir um processo estocástico de Itô, que se
reduz ao movimento browniano geométrico depois de
simplificações adicionais. Mais precisamente, se o preço p de uma
ação segue um processo de Itô, ele é descrito pela equação
diferencial estocástica dp  a( p, t )dt  b( p, t )dw , onde w é um
processo de Wiener, e a e b são parâmetros. Com simplificações
adicionais (Mantegna & Stanley 2000), essa equação se torna
dp   pdt   pdw , onde  é o retorno médio esperado
instantâneo por unidade de tempo, e  2 é a variância instantânea
por unidade de tempo. O primeiro componente é o drift, e o segundo
é a volatilidade. Em um movimento browniano geométrico, os log-
retornos são distribuídos gaussianamente. Discutiremos todos esses
conceitos neste capítulo.
 -- Capítulo 6 --

Processos Estocásticos de Lévy e

Teoremas de Limite Aplicados a
Finanças
Uma importante generalização da distribuição paretiana foi a
formalização dos chamados processos estocásticos de Lévy, através
da proposição de uma família de distribuições “estáveis”. Isso
ocorreu nos anos de 1920 como resultado do trabalho de Paul Lévy.
Nos anos de 1940, Kolmogorov aplicou essas ideias ao estudo de
turbulência, que exibiam “invariância de escala”. A partir dos anos
de 1980, os processos de Lévy começaram a ser usados em física
estatística. Contudo, ainda nos anos de 1960, Mandelbrot recorreu
aos processos de Lévy para explicar muitos fenômenos do mercado
financeiro.
Uma característica da distribuição estável de Lévy, que torna
sua implementação prática difícil, é o fato de que seus momentos
estatísticos são infinitos. Ao se fazer uso de processos estocásticos
de Lévy, argumentava-se que um truncamento da variância deveria
existir por causa da finitude dos dados. Porém, nos anos de 1990, os
econofísicos mostraram que o truncamento não precisa ser
explicado com base na finitude das amostras, e sugeriram vários
significados físicos para ele (Schinckus 2013). Discutiremos esses
assuntos neste capítulo.

6.1 Distribuições Estáveis

Na soma de n variáveis aleatórias i.i.d., se a distribuição não alterar

sua forma funcional para diferentes valores de n, então a distribuição
será estável. Exemplos do Capítulo 5: distribuições de Cauchy
(lorentziana) e gaussiana.

Exemplo 1. Cauchy. A pdf da Cauchy é:

 1
(1) P( x)  ,
  2  x2

onde   0 é o fator de escala.

 -- Capítulo 7 --

Scaling e Outras Propriedades

Estatísticas das Séries de Retornos das
Ações
O comportamento real dos retornos das ações deve ser modelado
por uma distribuição gaussiana ou uma distribuição estável de Lévy
não gaussiana? O segundo momento da pdf dos retornos das ações
é finito? Ocorre autossimilaridade?
Como vimos, o modelo estocástico mais comum da dinâmica
dos preços das ações p supõe que ln p(t ) é um processo difusivo e
que os incrementos de ln p(t ) sejam distribuídos gaussianamente.
Este modelo está ligado à hipótese de eficiência do mercado de
ações. Porém, o movimento browniano geométrico deve ser
considerado apenas uma primeira aproximação do comportamento
observado nos dados empíricos, que mostram distribuições mais
leptocúrticas do que a gaussiana: o máximo é mais estreito e maior,
e as caudas são também maiores.
Na Figura 1, vemos a leptocurtose em dados diários na pdf
empírica dos log-retornos S (t )  ln p(t  1)  ln p(t ) diários das
ações da Chevron, transacionadas na New York Stock Exchange
(NYSE), no período de 1989 a 1995. A linha suavizada é a pdf
gaussiana construída considerando a mesma variância calculada a
partir dos dados.

Figura 1. Leptocurtose nos log-retornos diários das ações da Chevron

transacionadas na NYSE no período de 1989 a 1995. A linha suavizada é a pdf
gaussiana com a mesma variância calculada a partir dos dados
Fonte: Mantegna & Stanley (2000)
 -- Capítulo 8 --

Voos de Lévy, GARCH e Lei de

Potência nas Caudas dos Retornos das
Ações
Há uma diversidade de modelos capazes de explicar a leptocurtose
dos dados. Além da distribuição estável de Lévy discutida no
Capítulo 6, há o modelo da distribuição t de Student sugerida por
Blattberg & Gonedes (1974) e o modelo que mistura pdfs gaussianas
(Clark 1973). O modelo de difusão e pulo (jump-diffusion) é outra
alternativa (Merton 1976), assim como o modelo da distribuição
hiperbólica (Eberlein & Keller 1995). Mantegna & Stanley (1994)
sugeriram o modelo do voo de Lévy truncado. Há também os
famosos modelos ARCH (Engle 1982) e GARCH (Bollerslev 1986).
Aqui vamos nos concentrar nos modelos do voo de Lévy
truncado e do ARCH/GARCH, mostrando os prós e contras de cada
um. Depois veremos que nenhum desses modelos consegue capturar
eventos muito extremos. Contudo, os dados sugerem uma
regularidade na forma de lei de potência nas caudas empíricas dos
retornos.

8.1 Modelo do Voo de Lévy Truncado

A pdf do voo de Lévy truncado (truncated Lévy flight ou TLF) é

0 x

(1) P( x)  cPL ( x) l  x 
0 x


onde PL ( x) é distribuição estável de Lévy simétrica, c é uma

constante normalizadora, e fornece a largura do truncamento
(limites superiores e inferiores para os valores da variável aleatória).
No TLF, os incrementos são i.i.d.. Assim, os parâmetros de
controle  e  (da pdf estável de Lévy) e não podem depender
do tempo. Como há independência e a variância fica finita por causa
do truncamento, pelo teorema do limite central a pdf do TLF
converge para a gaussiana PG  S n  . Assim, o TLF não é estável,
embora ocorra scaling dentro do intervalo definido pelo
truncamento.
 -- Capítulo 9 --

Regulação Financeira de Mercados

Complexos

9.1 Políticas Alternativas de Estabilização de Mercados

Financeiros

Diante do fato de que o mercado financeiro é um sistema

complexo, a política monetária e a regulação financeira
convencional não têm chances de funcionar. O ex-presidente do
banco central americano, Alan Greenspan, achava que bolhas
financeiras eram difíceis de se detectar com precisão e, além disso,
não havia necessidade de se intervir em um processo de formação
de bolha (rally) porque o banco central poderia sempre limitar o
estrago que poderia ser causado depois do estouro da bolha. Não
valeria a pena arriscar identificar incorretamente uma bolha e
desacelerar o crescimento econômico desnecessariamente diante do
baixo custo de se deixar a bolha seguir seu curso. Claro, esse baixo
custo não se referia a uma situação como a ocorrida na Grande
Recessão.
Depois do estouro da bolha subprime e a subsequente
Grande Recessão, o sucessor de Greenspan, Ben Bernanke, mudou
um pouco a doutrina do Fed, que passou a reconhecer a necessidade
de interferir em rallies do mercado de ações. (Um rally é um período
de crescimento sustentado nos preços das ações, títulos ou índices
de bolsa.) Porém, Bernanke deu preferência à regulação em vez de
utilizar a política monetária via aumento da taxa de juros básica, que
era a abordagem preferida por outra autoridade monetária, Jeremy
Stein (Thoma 2013). A atual presidente do Fed, Janet Yellen, não
mudou muito em relação ao ponto de vista de Bernanke.
Bernanke certamente estava certo em preterir a política
monetária e escolher a regulação financeira. A política monetária é
um instrumento muito insatisfatório, desenhado para um mundo
simplista, não para os mercados financeiros complexos em que
vivemos. Na nossa era de alta tecnologia, um outsider poderia
pensar que as autoridades monetárias recorrem a modelos de
computador sofisticados para guiar a política monetária, mas este
não é o caso.
Os melhores modelos disponíveis são de dois tipos (Farmer
& Foley 2009). O primeiro tipo é econométrico. Basicamente, esses
são modelos estatísticos empíricos que são ajustados aos dados do
desempenho passado da variável de interesse. Esses modelos são
 -- Capítulo 10 --

Comportamento Animal Coletivo e

Comportamento Econômico Coletivo

10.1 Feedback Negativo e Feedback Positivo

O mercado realmente funciona e este fato explica por que

experiências socialistas têm sido temporárias. Nenhum governo
teria sido capaz de fazer um iPhone, já a Apple conseguiu criar
preferências por smartphones que estavam de acordo com os desejos
dos consumidores. É claro que as preferências dos consumidores
podem ser condizentes com a maximização de seu status (inclusive
fitness), o que é bom para a sobrevivência deles, ou apenas ser um
modismo criado por “memes”. Um meme é uma ideia,
comportamento ou estilo que se espalha de pessoa para pessoa
dentro de uma cultura. Porém, qualquer que seja a razão, outras
empresas rapidamente perceberam o sucesso da Apple, como a
Samsung. Com a entrada de novas empresas na busca dos lucros, o
preço dos smartphones caiu e o seu uso ampliou-se para mais
consumidores. Depois que muitos passaram a se conectar com a
internet por smartphones graças ao capitalismo, apareceram
socialistas free-riders propondo que seu uso seja um “direito”
concedido a todos pelo governo.
Como Friedrich Hayek observou, o mercado é o mecanismo
mais eficiente de alocar recursos escassos porque ele representa as
decisões individuais de milhões de consumidores e milhares de
produtores. É pelo mercado que a sabedoria das multidões (wisdom
of crowds) ocorre. Políticos, juízes e burocratas jamais teriam
informação suficiente para alocar recursos de modo mais eficiente.
Quando você quer um pão de queijo às 10 horas, sempre
haverá um esperando por você na lanchonete. Quando você quer
qualquer coisa, ela estará sempre lá esperando por você. Se mais
gente do que o normal for comer pão de queijo hoje, rapidamente a
lanchonete irá fazer mais. Cedo ou tarde, sempre que a demanda
aumenta ou a oferta diminui, ocorre mais produção para se adaptar
à mudança. Os consumidores esperam e recebem a oferta que é
regulada para se adequar aos seus desejos. A lei da demanda e oferta
descreve esse mecanismo autorregulador, que dispensa qualquer
planejamento central. No ajustamento, os preços dos bens
desempenham o papel crucial de carregar informação e incentivo
para que os dois lados do mercado se autorregulem. A metáfora da
mão invisível foi usada por Adam Smith ao perceber que a economia
 -- Capítulo 11 --

Epílogo

A crise recente de 2008 criou um sentimento geral entre o público

de que economia não é uma ciência bem desenvolvida. Infelizmente,
o público não está errado a este respeito (Farmer & Foley 2009).
Contudo, os economistas não parecem concordar com isso. Depois
da crise, a academia se preocupou mais em se proteger contra os
ataques de fora; o jornalismo econômico procurou evitar novas
ideias e a mídia se concentrou em mostrar grandes personalidades
do meio acadêmico (Gitlin 2012). Os economistas tiraram
pouquíssimas lições da Grande Recessão (Da Silva 2014b).
A principal lição que deveria ter sido tirada é a necessidade
de se redirecionar a abordagem econômica convencional no estudo
do comportamento de grupo. Enquanto a macroeconomia é
reducionista, a física, a química e a biologia adotam uma abordagem
bastante diferente quando focam em macrossistemas constituídos de
um grande número de microunidades heterogêneas. A busca de
microfundamentos para a macroeconomia é uma agenda enganosa
(Da Silva 2009) porque, ao se partir de hipóteses simples sobre o
comportamento individual para explicar o comportamento do grupo,
encontra-se um todo que é maior do que a soma das partes. Os
macroeconomistas nunca seriamente aceitaram o fato de que sua
abordagem sofre de uma intrínseca “falácia da composição”, um
termo ironicamente cunhado por eles mesmos. Os
macroeconomistas precisam aceitar que os padrões que ocorrem ao
nível do grupo se auto-organizam, porque eles não se encontram já
codificados nas regras ao nível individual. Aqui, modelos
matemáticos apropriados podem ser úteis na dedução de conexões
entre as interações dos indivíduos e os padrões que emergem para
todo o grupo.
A macroeconomia é reducionista porque supõe que as
propriedades da economia como um todo se reduzem às
propriedades dos indivíduos constituintes. O todo é visto como
meramente a soma das partes. Obviamente, isso será verdade se os
indivíduos constituintes forem homogêneos. Mas em economia eles
não são. Apesar disso, os macroeconomistas supõem que os
indivíduos são homogêneos e focam em um “indivíduo
representativo”. Em vez de procurar explicar o comportamento
coletivo a partir das interações entre os indivíduos constituintes, a
macroeconomia estuda o comportamento do indivíduo médio.
 -- Referências --

Amé JM, Rivault C, Deneubourg JL (2004) Cockroach aggregation based on

strain odour recognition, Animal Behaviour 68 (4), 793-801.

Aoki M, Yoshikawa H (2006) Uncertainty, policy ineffectiveness, and long

stagnation of the macroeconomy, Japan and the World Economy 18 (3), 261-272.

Aoki M, Yoshikawa H (2007) Reconstructing Macroeconomics, Cambridge

University Press: Cambridge.

Asch SE (1955) Opinions and social pressure, Scientific American 193 (5), 31-25.

Atkinson AB, Piketty T, Saez E (2011) Top incomes in the long run of history,
Journal of Economic Literature 49 (1), 3-71.

Avery C, Zemsky P (1998) Multidimensional uncertainty and herd behavior in

financial markets, American Economic Review 88 (4), 724-748.

Aviles L, Tufino P (1998) Colony size and individual fitness in the social spider
Anelosimus eximius, American Naturalist 152 (3), 403-418.

Bachelier L (1900) Théorie de la spéculation, Annales Scientifiques de l’École Normale

Supérieure 3 (17), 21-86.

Baillie RT & Bollerslev T (1992) Prediction in dynamic models with time-

dependent conditional variances, Journal of Econometrics 52 (1-2), 91-113.

Bak P, Paczuski M (1995) Complexity, contingency, and criticality, Proceedings of

the National Academy of Sciences of the United States of America 92 (15), 6689-6696.

Bak P, Tang C, Wiesenfeld K (1987) Self-organized criticality: An explanation of

1/f noise, Physics Review Letters 59 (4), 381-384.

Ball P (2004) Critical Mass: How One Thing Leads to Another, Heinemann: London.

Barber BM, Lee YT, Liu YJ, Odean T (2009) Just how much do individual
investors lose by trading? Review of Financial Studies 22 (2), 609-632.

Bawly GM (1937) Uber den lokalen Grenzwertsatz der

Wahrscheinlichkeitsrechnung, Revue de la Faculté des Sciences de l’Université d’Istanbul
2 (2), 79-92.

Beckers R, Deneubourg JL, Goss S (1993) Modulation of trail laying in the ant
Lasius niger (Hymenoptera: Formicidae) and its role in the collective selection of a
food source, Journal of Insect Behavior 6 (6), 751-759.

Beechey M, Gruen D, Vickery J (2001) The efficient market hypothesis: A survey,

Reserve Bank of Australia Research Discussion Paper No. 2000-01.
Benhabib J, Bisin A, Zhu S (2011) The distribution of wealth and fiscal policy in
economies with finitely lived agents, Econometrica 79 (1), 123-157.

Bergman G, Donner KO (1964) An analysis of the spring migration of the common

scoter and the long-tailed duck in southern
Finland, Acta Zoologica Fennica 105 (1), 1-59.

Bergstrom H (1952) On some expansions of stable distribution functions, Arkiv

för Matematik 2 (4), 375-378.

Bernhardt D, Campello M, Kutsoati E (2006) Who herds? Journal of Financial

Economics 80 (3), 657-675.

Berry AC (1941) The accuracy of the Gaussian approximation to the sum of

independent variates, Transactions of the American Mathematical Society 49 (1), 122-
136.

Black F, Scholes M (1973) The pricing of options and corporate liabilities, Journal
of Political Economy 81 (3), 637-654.

Blattberg RC, Gonedes NJ (1974) A comparison of the stable and Student

distributions as statistical model for stock prices, Journal of Business 47 (2), 244-
280.

Blume L (1993) The statistical mechanics of strategic interaction, Games and

Economic Behavior 5 (3), 387-424.

Bollerslev T (1986) Generalized autoregressive conditional heteroskedasticity,

Journal of Econometrics 31 (3), 307-327.

Bonabeau E, Dagorn L, Freon P (1999) Scaling in animal group-size distributions,

Proceedings of the National Academy of Sciences of the United States of America 96 (8),
4472-4477.

Bouchaud JP (2008) Economics needs a scientific revolution, Nature 455 (7217),

1181.

Brannstrom A, Sumpter DJT (2005) The role of competition and clustering in

population dynamics, Proceedings of the Royal Society B: Biological Sciences 272 (1576),
2065-2072.

Brock WA (1993) Pathways to randomness in the economy: Emergent

nonlinearity and chaos in economics and finance, Estudios Económicos 8 (1), 3-55.

Brock WA, Durlauf SN (2001) Discrete choice with social interactions, Review of
Economic Studies 68 (2), 235-260.

Buchanan M (2000) Ubiquity: The Science of History or Why the World is Simpler than We
Think, Weidenfeld & Nicolson: London.

Buchanan M (2007) The Social Atom, Bloomsbury Publishing: New York.

Cajueiro DO, Tabak BM (2004) The Hurst exponent over time: Testing the
assertion that emerging markets are becoming more efficient, Physica A 336 (3-4),
521-537.
Campbell JY, Lo AW, MacKinlay AC (1997) The Econometrics of Financial Markets,
Princeton University Press: Princeton.

Carbone A, Castelli G, Stanley HE (2004) Time-dependent Hurst exponent in

financial time series, Physica A 344 (1-2) 267-271.

Chaitin GJ (1966) On the length of programs for computing finite binary

sequences, Journal of the Association for Computing Machinery 13 (4), 547-569.

Clark PK (1973) A subordinated stochastic process model with finite variance for
speculative prices, Econometrica 41 (1), 135-155.

Clementi F, Gallegati M (2005) Power law tails in the Italian personal income
distribution, Physica A 350 (2-4), 427-438.

Cogley T, Yagihashi T (2010) Are DSGE approximating models invariant to shifts

in policy? Berkeley Electronic Journal of Macroeconomics 10 (1), article 27.

Collins LM, Sumpter DJT (2007) The feeding dynamics of broiler chickens,
Journal of the Royal Society Interface 4 (12), 65-72.

Cootner PH, ed. (1964) The Random Character of Stock Market Prices, MIT Press:
Cambridge MA.

Cosmides L, Tooby J (1994) Better than rational: Evolutionary psychology and

the invisible hand, American Economic Review 84 (2), 327-332.

Couillard M, Davison M (2005) A comment on measuring the Hurst exponent of

financial time series, Physica A 348 (1), 404-418.

Dall SRX, Giraldeau LA, Olsson O, McNamara JM, Stephens DW (2005)

Information and its use by animals in evolutionary ecology, Trends in Ecology &
Evolution 20 (4), 187-193.

Da Silva S (2000) The role of foreign exchange intervention in a chaotic

Dornbusch model, Kredit und Kapital 33 (3), 1-37.

Da Silva S (2001a) Chaos and exchange rates, Estudos Empresariais 6 (1), 9-15.

Da Silva S (2001b) Chaotic exchange rate dynamics redux, Open Economies Review
12 (3), 281-304.

Da Silva S (2002) Criticality, Brazilian Journal of Business Economics 2 (2), 25-32.

Da Silva S (2009) Does macroeconomics need microeconomic foundations?

Economics 3 (23), 1-12.

Da Silva S (2014a) Why not use robots to stabilize stock markets? Journal of Stock
& Forex Trading 3 (2), 1-2.

Da Silva S (2014b) Time to abandon group thinking in economics, American

International Journal of Social Science 3 (2), 234-240.
Da Silva S, Matsushita R (2016) The St. Petersburg paradox: An experimental
solution. Physica A 445 (4), 66-74.

Da Silva S, Matsushita R, Gleria I, Figueiredo A (2007) Hurst exponents, power

laws, and efficiency in the Brazilian foreign exchange market, Economics Bulletin 7
(1), 1-11.

Da Silva S, Matsushita R, Silveira E (2013) Hidden power law patterns in the top
European football leagues, Physica A 392 (21), 5376-5386.

De Grauwe P, Dewachter H (1992) Chaos in the Dornbusch model of the

exchange rate, Kredit und Kapital 25 (1), 26-54.

Demos G, Da Silva S, Matsushita R (2015) Some statistical properties of the mini

flash crashes, Mathematical Finance Letters, article ID 3.

Deneubourg JL, Aron S, Goss S, Pasteels JM (1990) The self-organizing

exploratory pattern of the Argentine ant, Journal of Insect Behavior 3 (2), 159-168.

Detzer D, Herr H (2014) Theories of financial crises: An overview, Institute for

International Political Economy Berlin Working Paper No. 32/2014.

Devenow A, Welch I (1996) Rational herding in financial economics, European

Economic Review 40 (3-5), 603-615.

Di Giovanni J, Levchenko AA (2012) Country size, international trade, and

aggregate fluctuations in granular economies, Journal of Political Economy 120 (6),
1083-1132.

Di Giovanni J, Levchenko AA, Mejean I (2014) Firms, destinations, and aggregate

fluctuations, Econometrica 82 (4), 1303-1340.

Doob JL (1953) Stochastic Processes, J. Wiley & Sons: New York.

Drost FC, Nijman TE (1993) Temporal aggregation of GARCH processes,

Econometrica 61 (4), 909-927.

Durand D (1957) Growth stocks and the Petersburg paradox, Journal of Finance 12
(3), 348-363.

Durlauf SN (1993) Nonergodic economic growth, Review of Economic Studies 60 (2),

349-366.

Durlauf SN (1996) Statistical mechanics approach to socioeconomic behavior,

NBER Working Paper # 203.

Eberlein E, Keller U (1995) Hyperbolic distributions in finance, Bernoulli 1 (3), 281-

299.

Edey M (2009) The global financial crisis and its effects, Economic Papers 28 (3),
186-195.

Efron B, Tibshirani RJ (1993) An Introduction to the Bootstrap, Chapman & Hall:

London.
Einstein A (1905) On the movement of small particles suspended in a stationary
liquid demanded by the molecular-kinetic theory of heat, Annalen der Physik 17 (8),
549-560.

Engle RF (1982) Autoregressive conditional heteroskedasticity with estimates of

the variance of United Kingdom inflation, Econometrica 50 (4), 987-1002.

Esséen CG (1945) Fourier analysis of distributions functions: A mathematical

study of the Laplace-Gaussian law, Acta Mathematica 77 (1), 1-125.

Fama EF (1965) The behavior of stock market prices, Journal of Business 38 (1), 34-
105.

Fama EF (1970) Efficient capital markets: A review of theory and empirical work,
Journal of Finance 25 (2), 383-417.

Farmer JD, Foley D (2009) The economy needs agent-based modelling, Nature 460
(7256), 685-686.

Farrell M (2013) Mini flash crashes: A dozen a day, CNN Money, March, 20.

Feller W (1968) An Introduction to Probability Theory and Its Applications, Vol. 1, 3 rd

edition, J. Wiley & Sons: New York.

Fernández-Rodríguez F, Sosvilla-Rivero S, Andrada-Félix J (2005) Testing

chaotic dynamics via Lyapunov exponents, Journal of Applied Econometrics 20 (7),
911-930.

Figueiredo A, Gleria I, Matsushita R, Da Silva S (2003) Autocorrelation as a

source of truncated Lévy flights in foreign exchange rates, Physica A 323 (3), 601-
625.

Foerster AT, Sarte PDG, Watson MW (2011) Sectoral versus aggregate shocks: A
structural factor analysis of industrial production, Journal of Political Economy 119
(1), 1-38.

Foley DK (1994) A statistical equilibrium theory of markets, Journal of Economic

Theory 62 (2), 321-345.

Follmer H (1974) Random economies with many interacting agents, Journal of

Mathematical Economics 1 (1), 51-62.

Foroni I, Agliari A (2008) Complex price dynamics in a financial market with

imitation, Computational Economics 32 (1), 21-36.

Gabaix X (2011) The granular origins of aggregate fluctuations, Econometrica 79

(3), 733-723.

Gabaix X (2016) Power laws in economics: An introduction, Journal of Economic

Perspectives 30 (1), 185-206.

Gabaix X, Ibragimov R (2007) Rank-1/2: A simple way to improve the OLS

estimation of tail exponents, NBER Working Paper No. 342.
Gabaix X, Gopikrishnan P, Plerou V, Stanley HE (2003) Understanding the cubic
and half-cubic laws of financial fluctuations, Physica A 324 (1), 1-5.

Gabaix X, Lasry JM, Lions PL, Moll B (2015) The dynamics of inequality, NBER
Working Paper No. 21363.

Galimberti JK, Suhadolnik N, Da Silva S (2016) Cowboying stock market herds

with robot traders, Computational Economics, doi:10.1007/s10614-016-9591-2

Galton F (1907) Vox populi, Nature 75 (1949), 450-451.

Gerard JF, Bideau E, Maublanc ML, Loisel P, Marchal C (2002) Herd size in large
herbivores: Encoded in the individual or emergent? Biological Bulletin 202 (3), 275-
282.

Gibrat R (1931) Les Inégalités Économiques, Sirey: Paris.

Giglio R, Matsushita R, Figueiredo A, Gleria I, Da Silva S (2008a) Algorithmic

complexity theory and the relative efficiency of financial markets, Europhysics
Letters 84 (4), 48005-1 48005-6.

Giglio R, Matsushita R, Da Silva S (2008b) The relative efficiency of

stockmarkets, Economics Bulletin 7 (6), 1-12.

Giglio R, Da Silva S (2009) Ranking the stocks listed on Bovespa according to

their relative efficiency, Applied Mathematical Sciences 3 (43), 2133-2142.

Giglio R, Da Silva S, Gleria I, Ranciaro A, Matsushita R, Figueiredo A (2010)

Efficiency of financial markets and algorithmic complexity, Journal of Physics:
Conference Series 246, conference 1.

Giraldeau LA, Gillis D (1985) Optimal group size can be stable: A reply to Sibly,
Animal Behaviour 33 (2), 666-667.

Gitlin T (2012) Have economists learned from the Great Recession? The Chronicle
of Higher Education Magazine, June 12.

Gleria I, Matsushita R, Da Silva S (2002) Scaling power laws in the Sao Paulo
Stock Exchange, Economics Bulletin 7 (3), 1-12.

Gligor M, Ausloos M (2008) Clusters in weighted macroeconomic networks: The

EU case. Introducing the overlapping index of GDP/capita fluctuation
correlations, European Physical Journal B 63 (4), 533-539.

Gnedenko BV (1940) On the theory of domains of attraction of stable laws,

Uchenye Zapiski Moskovskii Gosudarstvennyi Universitet Matematika 45 (1), 61-72.

Gnedenko BV, Kolmogorov AN (1954) Limit Distributions for Sums of Independent

Random Variables, Addison-Wesley Publishing Company: Reading.

Gopikrishnan P, Meyer M, Amaral LAN, Stanley HE (1998) Inverse cubic law for
the distribution of stock price variations, European Physical Journal B 3 (2), 139-140.

Gordon DM, Rosengren R, Sundstrom L (1992) The allocation of foragers in red

wood ants, Ecological Entomology 17 (2), 114-120.
Goulart M, Da Costa Jr N, Santos A, Takase E, Da Silva S (2013)
Psychophysiological correlates of the disposition effect, PLoS One 8 (1), e54542.

Granovetter M (1978) Threshold models of collective behavior, American Journal of

Sociology 83 (6), 1420-1443.

Gupta HM, Campanha JR (1999) The gradually truncated Lévy flight for systems
with power-law distributions, Physica A 268 (1) 231-239.

Guttler C, Meurer R, Da Silva S (2008) Is the Brazilian stock market efficient?

Economics Bulletin 7 (1), 1-16.

Halloy J, Sempo G, Caprari G, Rivault C, Asadpour M, Tache F, Said I, Durier V,

Canonge S, Ame JM, Detrain C, Correll N, Martinoli A, Mondada F, Siegwart R,
Deneubourg JL (2007) Social integration of robots into groups of cockroaches to
control self-organized choices, Science 318 (5853), 1155-1158.

Harrison JM, Kreps DM (1979) Martingales and arbitrage in multiperiod

securities markets, Journal of Economic Theory 20 (3), 381-408.

Hayek FA (1933) Monetary Theory and the Trade Cycle, Sentry Press; New York.

Hedstrom P (2005) Dissecting the Social, Cambridge University Press: Cambridge.

Heukelom F (2014) Behavioral Economics: A History, Cambridge University Press:

New York.

Huang Y, Johansen A, Lee MW, Saleur H, Sornette D (2000) Artifactual log-

periodicity in finite size data: Relevance for earthquake aftershocks, Journal of
Geophysical Research 105 (B11), 25451-25471.

Hurst H (1951) Long-term storage capacity of reservoirs, Transactions of the

American Society of Civil Engineers 116 (1) 770-799.

Janis IL (1972) Victims of Groupthink, Houghton Mifflin: New York.

Janis IL (1982) Groupthink: Psychological Studies of Policy Decisions and Fiascoes, 2nd ed.,
Houghton Mifflin: New York.

Johansen A, Sornette D (1999) Financial anti-bubbles: Log-periodicity in gold

and Nikkei collapses, International Journal of Modern Physics C 10 (4), 563-575.

Kahneman D (2011) Thinking, Fast and Slow, Farrar, Straus and Giroux: New York.

Kaspar F, Schuster HG (1987) Easily calculable measure for the complexity of

spatiotemporal patterns, Physical Review A 36 (2), 842-848.

Kelley S (1991) The regulation of comb building in honey bee colonies, Cornell
University PhD Thesis.

Khintchine AY (1937) Zur Theorie der unbeschrankt teilbaren

Verteilungsgesetze, Matematicheskii Sbornik 2-44 (1), 79-119.
Khintchine AY, Lévy P (1936) Sur les loi stables, Comptes Rendus Hebdomadaires des
Seances de l'Académie des Sciences 202 (5), 374-376.

King AJ, Cowlishaw G (2007) When to use social information: The advantage of
large group size in individual decision making, Biology Letters 3 (2), 137-139.

Kirman A (1993) Ants, rationality, and recruitment, Quarterly Journal of Economics

108 (1), 137-156.

Kirman A (2016) Ants and nonoptimal self-organization: Lessons for

macroeconomics, Macroeconomic Dynamics 20 (2), 601-621.

Kolmogorov AN (1965) Three approaches to the quantitative definition of

information, Problemy Peredachi Informatsii 1 (1), 3-11.

Koponen I (1995) Analytic approach to the problem of convergence of truncated

Levy flights towards the Gaussian stochastic process, Physical Review E 52 (1), 1197-
1199.

Laland KN, Williams K (1998) Social transmission of maladaptive information in

the guppy, Behavioral Ecology 9 (5), 493-499.

Laurini MP, Portugal MS (2002) Markov-switching based nonlinear tests for

market efficiency using the R$/US$ exchange rate, Proceedings of the 24th Brazilian
Econometric Meeting.

LeBaron B (1994) Chaos and nonlinear forecastability in economics and finance,

Philosophical Transactions of the Royal Society of London A 348 (1686), 397-404.

LeBaron B (1996) Technical trading rule profitability and foreign exchange

intervention, NBER Working Paper No. 5505.

LeBaron B (2006) Agent-based computational finance, in Handbook of

Computational Economics, Tesfatsion L, Judd K, eds., North-Holland: Amsterdam,
1187-1232.

Lempel A, Ziv J (1976) On the complexity of finite sequences, IEEE Transactions on

Information Theory 22 (1), 75-81.

Lévy P (1925) Calcul des Probabilités, Gauthier-Villars: Paris.

List C (2004) Democracy in animal groups: A political science perspective, Trends

in Ecology & Evolution 19 (4), 168-169.

Lucas RE, Moll B (2014) Knowledge growth and the allocation of time, Journal of
Political Economy 122 (1), 1-51.

Lux T (1995) Herd behavior, bubbles and crashes, Economic Journal 105 (431), 881-
896.

Lux T (2009) Stochastic behavioral asset pricing models and the stylized facts,
in Handbook of Financial Markets: Dynamics and Evolution, Hens T, Schenk-Hoppe K,
eds., North-Holland: Amsterdam, 161-215.
Lux T, Westerhoff F (2009) Economics crisis, Nature Physics 5 (1), 2-3.

MacDonald L (2010) Preventing bubbles with robot traders, Canadian Business,

September, 13.

McCauley J (2004) Dynamics of Markets: Econophysics and Finance, Cambridge

University Press: Cambridge.

Majorana E (1942) Il valore delle leggi statistiche nelle fisica e nelle scienze
sociali, Scientia 36 (2), 58-66.

Mandelbrot BB (1963) The variation of certain speculative prices, Journal of

Business 36 (4), 394-419.

Mandelbrot BB (1982) The Fractal Geometry of Nature, W. H. Freeman and Co.: New
York.

Mandelbrot B, Taleb NN (2010) Mild vs wild randomness: Focusing on those

risks that matter, in The Known, the Unknown and the Unknowable in Financial
Institutions: Measurement and Theory Advancing Practice, Diebold FX, Doherty NA,
Herring RJ, eds., Princeton University Press: Princeton, 47-58.

Mantegna RN (1994) Fast, accurate algorithm for numerical simulation of Levy

stable stochastic processes, Physical Review E 49 (5), 4677-4683.

Mantegna RN (1999) Hierarchical structure in financial markets, European

Physical Journal B 11 (1), 193-197.

Mantegna RN, Stanley HE (1994) Stochastic process with ultraslow convergence

to a Gaussian: The truncated Levy flight, Physical Review Letters 73 (22), 2946-2949.

Mantegna RN, Stanley HE (1995) Scaling behaviour in the dynamics of an

economic index, Nature 376 (6535), 46-49.

Mantegna RN, Stanley HE (1998) Modeling of financial data: Comparison of the

truncated Levy flight and the ARCH(1) and GARCH(1,1) processes, Physica A 254
(1-2), 77-84.

Mantegna RN, Stanley E (2000) An Introduction to Econophysics: Correlations and

Complexity in Finance, Cambridge University Press: Cambridge.

Matsushita R, Da Silva S (2011) A log-periodic fit for the flash crash of May 6,
2010, Economics Bulletin 31 (2), 1772-1779.

Matsushita R, Da Silva S (2016) A power law governing prime gaps, Open Access
Library Journal 3, e2989.

Matsushita R, Gleria I, Figueiredo A, Da Silva S (2003a) Fractal structure in the

Chinese yuan-US dollar rate, Economics Bulletin 7 (2), 1-13.

Matsushita R, Rathie P, Da Silva S (2003b) Exponentially damped Levy flights,

Physica A 326 (3-4), 544-555.
Matsushita R, Da Silva S, Figueiredo A, Gleria I (2006) Log-periodic crashes
revisited, Physica A 364 (C), 331-335.

Matsushita R, Gleria I, Figueiredo A, Da Silva S (2007) The Chinese chaos game,

Physica A 378 (2), 427-442.

Matsushita R, Figueiredo A, Da Silva S (2012) A suggested statistical test for

measuring bivariate nonlinear dependence, Physica A 391 (20), 4891-4898.

Mazzeu J, Otuki T, Da Silva S (2011) The canonical econophysics approach to the

flash crash of May 6, 2010. Applied Mathematical Sciences 5 (28), 1373-1389.

Merton RC (1973) Theory of rational option pricing, Bell Journal of Economics and
Management Science 4 (1), 141-183.

Merton RC (1976) Option pricing when underlying stock returns are

discontinuous, Journal of Financial Economics 3 (1-2), 125-144.

Milgram S (1992) The Individual in the Social World, McGraw-Hill: New York.

Millor J, Amé JM, Halloy J, Deneubourg JL (2006) Individual discrimination

capability and collective decision-making, Journal of Theoretical Biology 239 (3), 313-
323.

Minsky HP (1986) Stabilizing an Unstable Economy, Yale University Press: New

Haven.

Mirowski P (1989) More Heat than Light: Economics as Social Physics, Physics as Nature’s
Economics, Cambridge University Press: Cambridge.

Newman MEJ (2005) Power laws, Pareto distributions, and Zipf’s laws,
Contemporary Physics 46 (5), 323-351.

Nicolis SC, Deneubourg JL (1999) Emerging patterns and food recruitment in

ants: An analytical study, Journal of Theoretical Biology 198 (4), 575-592.

Niwa HS (1998) School size statistics of fish, Journal of Theoretical Biology 195 (3),
351-361.

Niwa HS (2003) Power-law versus exponential distributions of animal group

sizes, Journal of Theoretical Biology 224 (4), 451-457.

Ormerod P, Mounfield C, Smith L (2001) Non-Linear Modelling of Burglary and Violent

Crime in the UK, Volterra Consulting Ltd: London.

Pareto V (1897) Cours d’Economie Politique, Rouge: Lausanne.

Peitgen HO, Hartmut J, Dietmar S (1992) Chaos and Fractals: New Frontiers of Science,
Springer-Verlag: New York.

Piketty T, Zucman G (2014) Capital is back: Wealth-income ratios in rich

countries, 1700-2010, Quarterly Journal of Economics 129 (3), 1255-1310.

Plerou V, Gopikrishnan P, Gabaix X, Stanley HE (2002) Quantifying stock price

response to demand fluctuations Physical Review E 66 (2) 027104-1-027104-4.
Pratt SC (1999) Optimal timing of comb construction by honeybee (Apis mellifera)
colonies: A dynamic programming model and experimental tests, Behavioral
Ecology and Sociobiology 46 (1), 30-42.

Rosser Jr JB (2008) Econophysics, in The New Palgrave Dictionary of Economics, Second

Edition, Durlauf SN, Blume LE, eds., Palgrave Macmillan: Basingstoke.

Saam NJ, Sumpter D (2008) EU institutional reforms: How do member states

reach a decision? Journal of Policy Modeling 30 (1), 71-86.

Samuelson PA (1965) Proof that properly anticipated prices fluctuate randomly,

Industrial Management Review 6 (2), 41-49.

Schelling TC (1978) Micromotives and Macrobehavior, W.W. Norton and Company:

New York.

Schinckus C (2013) How physicists made stable Lévy processes physically

plausible, Brazilian Journal of Physics 43 (4), 281-293.

Schinckus C (2016) 1996–2016: Two decades of econophysics: Between

methodological diversification and conceptual coherence, European Physical Journal
225 (17), 3299–3311.

Schwert GW (1989) Why does stock market volatility change over time? Journal
of Finance 44 (5), 1115-1153.

SEC (2010) Staff of the US Commodity Futures Trading Commission and the U.S.
Securities and Exchange Commission. Findings regarding the market events of
May 6, 2010, September 30.

Seeley TD (1995) The Wisdom of the Hive, Harvard University Press: Cambridge.

Seeley TD, Towne WF (1992) Tactics of dance choice in honey bees: Do foragers
compare dances? Behavioral Ecology and Sociobiology 30 (1), 59-69.

Shao YH, Gu GF, Jiang ZQ, Zhou WX, Sornette D (2012) Comparing the
performance of FA, DFA and DMA using different synthetic long-range
correlated time series, Scientific Reports 2, Article number: 835.

Sibly RM (1983) Optimal group size is unstable, Animal Behaviour 31 (3), 947-948.

Sinclair ARE (1977) The American Buffalo, University of Chicago Press: Chicago.

Sjoberg M, Albrectsen B, Hjalten J (2000) Truncated power laws: A tool for

understanding aggregation patterns in animals? Ecology Letters 3 (2), 90-94.

Skog OJ (1986) The long waves of alcohol consumption: A social network

perspective of cultural change, Social Networks 8 (1), 1-32.

Sonnenschein H (1973) Do Walras’ identity and continuity characterize the class

of community excess demand functions? Journal of Economic Theory 6 (4), 345-354.

Sornette D (2003) Why Stock Markets Crash: Critical Events in Complex Financial
Systems, Princeton University Press: New Jersey.
Sornette D, Vanneste C (1992) Dynamics and memory effects in rupture of
thermal fuse networks, Physical Review Letters 68 (5) 612-615.

Sornette D, Zhou WX (2002) The US 2000-2002 market descent: How much

longer and deeper? Quantitative Finance 2 (6) 468-481.

Stanovich KE (2004) The Robot’s Rebellion: Finding Meaning in the Age of Darwin,
Chicago University Press: Chicago.

Stewart I (1997) Does God Play Dice? The New Mathematics of Chaos, Second Edition,
Penguin Books: London.

Stutzer M (1994) The statistical mechanics of asset prices, in Differential Equations,

Dynamical Systems, and Control Science, Elworthy K, Everitt W, Lee E, eds., Marcel
Dekker: New York.

Suhadolnik N, Galimberti J, Da Silva S (2010) Robot traders can prevent extreme

events in complex stock markets, Physica A 389 (22), 5182-5192.

Sumpter DJT (2010) Collective Animal Behavior, Princeton University Press:

Princeton.

Sumpter DJR, Broomhead DS (2001) Relating individual behavior to population

dynamics, Proceedings of the Royal Society of London Series B: Biological Sciences 268
(1470), 925-932.

Sumpter DJT, Pratt SC (2003) A modelling framework for understanding social

insect foraging, Behavioral Ecology and Sociobiology 53 (3), 131-144.

Sumpter DJT, Pratt SC (2009) Quorum responses and consensus decision-

making, Philosophical Transactions of the Royal Society of London B 364 (1518), 743-753.

Surowiecki J (2004) The Wisdom of Crowds, Little, Brown: London.

Taleb NN (2010) The Black Swan: The Impact of the Highly Improbable, Random House:
New York.

Taufemback C, Giglio R, Da Silva S (2011) Algorithmic complexity theory detects

decreases in the relative efficiency of stock markets in the aftermath of the 2008
financial crisis, Economics Bulletin 31 (2), 1631-1647.

Tchebycheff P (1890) Sur deux théorèmes relatifs aux probabilités, Acta

Mathematica 14 (1), 305-315.

Teverovsky V, Taqqu M (1997) Testing for long-range dependence in the

presence of shifting means or a slowly declining trend, using a variance-type
estimator, Journal of Time Series Analysis 18 (3), 279-304.

The Economist (2010) A special case: The demand for financial assets is not like
the demand for iPods, Buttonwood, 12 de agosto de 2010.

Thoma M (2013) Can the Fed burst the next bubble before it’s too late? The Fiscal
Times, 12 de março de 2013.
Toda A, Walsh K (2015) The double power law in consumption and implications
for testing Euler equations, Journal of Political Economy 123 (5), 1177-1200.

Walter A, Weber FM (2006) Herding in the German mutual fund industry,

European Financial Management 12 (3), 375-406.

Ward AJW, Sumpter DJT, Couzin ID, Hart PJB, Krause J (2008) Quorum
decision-making facilitates information transfer in fish shoals, Proceedings of the
National Academy of Sciences of the United States of America 105 (19), 6948-6953.

Welch I (2000) Herding among security analysts, Journal of Financial Economics 58

(3), 369-396.

Wiener N (1923) Differential space, Journal of Mathematics and Physics 2 (1-4), 131-
174.

Xu L, Ivanov PC, Hu K, Chen Z, Carbone A, Stanley HE (2005) Quantifying

signals with power-law correlations: A comparative study of detrending and
moving average techniques, Physical Review E 71 (5), 051101-1-051101-14.

Zunino L, Zanin M, Tabak BM, Perez DG, Rosso OA (2009) Forbidden patterns,
permutation entropy and stock market inefficiency, Physica A 388 (14), 2854-
2864.