論文の概要: Impact of Price Inflation on Algorithmic Collusion Through Reinforcement Learning Agents

• arxiv url: http://arxiv.org/abs/2504.05335v1
• Date: Sat, 05 Apr 2025 01:00:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 06:50:20.914824
• Title: Impact of Price Inflation on Algorithmic Collusion Through Reinforcement Learning Agents
• Title（参考訳）: 強化学習エージェントによるアルゴリズムの協調に対する価格インフレーションの影響
• Authors: Sebastián Tinoco, Andrés Abeliuk, Javier Ruiz del Solar,
• Abstract要約: 本研究では,競争市場におけるアルゴリズムの共謀に影響を与えるインフレーションの役割について検討する。 インフレーションショックをRLベースの価格モデルに組み込むことで、エージェントが超競争的な利益を維持するために戦略に適応するかどうかを分析する。 結果は、インフレーションがアルゴリズム価格の非競合的ダイナミクスを増幅し、規制監督の必要性を強調することを示唆している。
• 参考スコア（独自算出の注目度）: 2.3335538710129193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Algorithmic pricing is increasingly shaping market competition, raising concerns about its potential to compromise competitive dynamics. While prior work has shown that reinforcement learning (RL)-based pricing algorithms can lead to tacit collusion, less attention has been given to the role of macroeconomic factors in shaping these dynamics. This study examines the role of inflation in influencing algorithmic collusion within competitive markets. By incorporating inflation shocks into a RL-based pricing model, we analyze whether agents adapt their strategies to sustain supra-competitive profits. Our findings indicate that inflation reduces market competitiveness by fostering implicit coordination among agents, even without direct collusion. However, despite achieving sustained higher profitability, agents fail to develop robust punishment mechanisms to deter deviations from equilibrium strategies. The results suggest that inflation amplifies non-competitive dynamics in algorithmic pricing, emphasizing the need for regulatory oversight in markets where AI-driven pricing is prevalent.
• Abstract（参考訳）: アルゴリズムによる価格設定は市場競争を激化させている。 これまでの研究では、強化学習に基づく価格アルゴリズムが暗黙の共謀につながることが示されているが、これらのダイナミクスを形作る上でのマクロ経済要因の役割にはあまり注意が向けられていない。 本研究では,競争市場におけるアルゴリズムの共謀に影響を与えるインフレーションの役割について検討する。 インフレーションショックをRLベースの価格モデルに組み込むことで、エージェントが超競争的な利益を維持するために戦略に適応するかどうかを分析する。 本研究は,インフレーションが直接の共謀を伴わずとも,エージェント間の暗黙の協調を促進することによって市場の競争力を低下させることを示唆している。 しかし、高い収益性を達成するにもかかわらず、エージェントは均衡戦略からの逸脱を抑えるための堅牢な罰則を開発することができない。 その結果、インフレーションはアルゴリズム価格の非競合的なダイナミクスを増幅し、AI駆動価格が普及している市場で規制監督の必要性を強調していることが示唆された。

関連論文リスト

• How Market Volatility Shapes Algorithmic Collusion: A Comparative Analysis of Learning-Based Pricing Algorithms [1.3716158732399093]
  本稿では,3つの古典的デュオポリーモデル(Logit,Hotelling,Linear)と,自動回帰プロセスによって生成される様々な需要ショック条件下での4つの価格アルゴリズムを網羅的に分析する。 以上の結果から,強化学習アルゴリズムは需要が安定して超競争的価格を維持できることがわかった。 絶対的な性能が著しく変化したにもかかわらず、アルゴリズムの相対的なランキングは異なる環境にわたって一貫性がある。
  論文  参考訳（メタデータ） (2025-12-01T19:01:22Z)
• Online Dynamic Pricing of Complementary Products [45.90621357073487]
  本稿では,製品需要間の正負の相互作用を考慮したオンライン学習アルゴリズムを提案する。 当社のソリューションは、このようなインタラクションを無視した、同等の学習アルゴリズムであるWr.t.を改良する。
  論文  参考訳（メタデータ） (2025-11-27T10:12:51Z)
• Multi-Agent Reinforcement Learning for Market Making: Competition without Collusion [6.598173855286935]
  市場形成におけるアルゴリズム的共謀を研究するための階層型多エージェント強化学習フレームワークを提案する。 このフレームワークは、敵が形作る不確実な環境で訓練される自己関心の市場メーカー(AgentA)を含む。 適応型インセンティブ制御は、異種エージェント環境におけるより持続可能な戦略的共存を支援する。
  論文  参考訳（メタデータ） (2025-10-29T20:07:47Z)
• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• Collective dynamics of strategic classification [49.14942990735098]
  ユーザと機関の集団間のフィードバックループ問題に進化ゲーム理論を適用した。 検知能力の向上は社会的コストを低減し,ユーザの改善につながる可能性が示唆された。 施設が利用者の人口に再適応する速度は、最終結果に果たす役割を担っている。
  論文  参考訳（メタデータ） (2025-08-12T20:57:17Z)
• VAE-GAN Based Price Manipulation in Coordinated Local Energy Markets [3.498661956610689]
  本稿では,地域エネルギー市場(LEM)における不均一分散エネルギー資源(DER)との協調モデルを提案する。 提案手法は,マルチエージェントディープ決定性ポリシー勾配(MADDPG)に基づくデータ駆動型モデルフリー強化学習手法を利用する。 本研究では,変動型自動エンコーダ生成敵ネットワーク(VAE-GAN)モデルを用いた価格操作戦略について検討する。
  論文  参考訳（メタデータ） (2025-07-26T07:38:27Z)
• Homogeneous Algorithms Can Reduce Competition in Personalized Pricing [2.6153256849514994]
  パーソナライズされた価格設定の文脈における競合に対する相関アルゴリズムの影響について検討する。 本結果は,アルゴリズムが過剰なコミュニケーションを伴わずに価格相関を促進することの容易さを裏付けるものである。 我々は、米国反トラスト法の適用と解釈における結果の影響を分析する。
  論文  参考訳（メタデータ） (2025-03-19T18:43:36Z)
• Artificial Intelligence and Algorithmic Price Collusion in Two-sided Markets [9.053163124987535]
  両市場において,Qラーニングを用いたAIエージェントが暗黙の共謀にどのように関与するかを検討する。 我々の実験によると、AI駆動プラットフォームはBertrandの競合よりも高いコラシオンレベルを実現している。 ネットワークの外部性の向上は、共謀を著しく向上させ、AIアルゴリズムがそれらを活用して利益を最大化することを示唆している。
  論文  参考訳（メタデータ） (2024-07-04T17:57:56Z)
• By Fair Means or Foul: Quantifying Collusion in a Market Simulation with Deep Reinforcement Learning [1.5249435285717095]
  本研究は、反復価格競争の実験的なオリゴポリーモデルを用いる。 我々は,エージェントが開発する戦略と価格パターンについて検討し,その結果を導出する可能性がある。 以上の結果から,RLをベースとしたAIエージェントは,超競争的価格帯電を特徴とする癒着状態に収束することが示唆された。
  論文  参考訳（メタデータ） (2024-06-04T15:35:08Z)
• Designing an attack-defense game: how to increase robustness of financial transaction models via a competition [69.08339915577206]
  金融セクターにおける悪意ある攻撃のエスカレートリスクを考えると、機械学習モデルの敵戦略と堅牢な防御メカニズムを理解することが重要である。 本研究の目的は、逐次的な財務データを入力として使用するニューラルネットワークモデルに対する敵攻撃と防御の現状とダイナミクスを調査することである。 我々は、現代の金融取引データにおける問題の現実的かつ詳細な調査を可能にする競争を設計した。 参加者は直接対決するので、実生活に近い環境で攻撃や防御が検討される。
  論文  参考訳（メタデータ） (2023-08-22T12:53:09Z)
• Decentralized Adversarial Training over Graphs [44.03711922549992]
  近年、敵攻撃に対する機械学習モデルの脆弱性が注目されている。 マルチエージェントシステムのための分散逆数フレームワークを開発する。
  論文  参考訳（メタデータ） (2023-03-23T15:05:16Z)
• Towards Multi-Agent Reinforcement Learning driven Over-The-Counter Market Simulations [16.48389671789281]
  オーバー・ザ・カウンタ市場において,流動性提供者と流動性取扱業者が相互作用するゲームについて検討した。 互いに対戦することで、深層強化学習主体のエージェントは創発的な行動を学ぶ。 遷移性仮定の下で,多エージェントポリシー勾配アルゴリズムの収束率を示す。
  論文  参考訳（メタデータ） (2022-10-13T17:06:08Z)
• Learning Dynamic Mechanisms in Unknown Environments: A Reinforcement Learning Approach [123.55983746427572]
  本稿では,複数ラウンドの対話を通して動的ビックレー・クラーク・グローブ(VCG)機構を回復するための新しい学習アルゴリズムを提案する。 当社のアプローチの重要な貢献は、報酬のないオンライン強化学習(RL)を取り入れて、リッチな政策分野の探索を支援することである。
  論文  参考訳（メタデータ） (2022-02-25T16:17:23Z)
• Finding General Equilibria in Many-Agent Economic Simulations Using Deep Reinforcement Learning [72.23843557783533]
  本研究では,エージェント種別のメタゲームに対して,エプシロン・ナッシュ平衡である安定解を求めることができることを示す。 私たちのアプローチはより柔軟で、例えば市場クリア化のような非現実的な仮定は必要ありません。 当社のアプローチは、実際のビジネスサイクルモデル、DGEモデルの代表的なファミリー、100人の労働者消費者、10社の企業、税金と再分配を行う政府で実証しています。
  論文  参考訳（メタデータ） (2022-01-03T17:00:17Z)
• Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
  本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。 我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
  論文  参考訳（メタデータ） (2021-12-03T19:23:48Z)
• False Correlation Reduction for Offline Reinforcement Learning [115.11954432080749]
  本稿では,実効的かつ理論的に証明可能なアルゴリズムであるオフラインRLに対するfalSe Correlation Reduction (SCORE)を提案する。 SCOREは、標準ベンチマーク(D4RL)において、様々なタスクにおいて3.1倍の高速化でSoTA性能を達成することを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-24T15:34:03Z)
• Inducing Equilibria via Incentives: Simultaneous Design-and-Play Finds Global Optima [114.31577038081026]
  本稿では,デザイナーとエージェントの問題を同時に1ループで解くための効率的な手法を提案する。 設計者は平衡問題を何度も解決しないが、エージェントに対するインセンティブの全体的な影響を予測できる。 このアルゴリズムは,幅広い種類のゲームに対して,サブ線形速度で大域的最適値に収束することを示す。
  論文  参考訳（メタデータ） (2021-10-04T06:53:59Z)
• Multi-Stage Decentralized Matching Markets: Uncertain Preferences and Strategic Behaviors [91.3755431537592]
  本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。 我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。 シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
  論文  参考訳（メタデータ） (2021-02-13T19:25:52Z)
• Empirical Study of Market Impact Conditional on Order-Flow Imbalance [0.0]
  署名された注文フローに対して,注文フローの不均衡の増加に伴い,価格への影響は線形に増大することを示す。 さらに,注文フローにサインされた市場への影響を予測するために,機械学習アルゴリズムを実装した。 この結果から,機械学習モデルを用いて財務変数を推定できることが示唆された。
  論文  参考訳（メタデータ） (2020-04-17T14:58:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。