Fugu-MT 論文翻訳(概要): The Invisible Handshake: Tacit Collusion between Adaptive Market Agents

論文の概要: The Invisible Handshake: Tacit Collusion between Adaptive Market Agents

arxiv url: http://arxiv.org/abs/2510.15995v1
Date: Tue, 14 Oct 2025 08:28:33 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 00:56:38.760885
Title: The Invisible Handshake: Tacit Collusion between Adaptive Market Agents
Title（参考訳）: 目に見えない握手:適応的市場エージェント間の暗黙の衝突
Authors: Luigi Foscari, Emanuele Guidotti, Nicolò Cesa-Bianchi, Tatjana Chavdarova, Alfio Ferrara,
Abstract要約: 本研究では,内因性価格形成を伴う市場における適応取引業者間の暗黙の共謀の出現について検討する。エージェントが自身の富を最大化するために単純な学習アルゴリズムに従うと、結果として得られるダイナミクスは合理的戦略プロファイルに収束する。
参考スコア（独自算出の注目度）: 16.94262518248427
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study the emergence of tacit collusion between adaptive trading agents in a stochastic market with endogenous price formation. Using a two-player repeated game between a market maker and a market taker, we characterize feasible and collusive strategy profiles that raise prices beyond competitive levels. We show that, when agents follow simple learning algorithms (e.g., gradient ascent) to maximize their own wealth, the resulting dynamics converge to collusive strategy profiles, even in highly liquid markets with small trade sizes. By highlighting how simple learning strategies naturally lead to tacit collusion, our results offer new insights into the dynamics of AI-driven markets.
Abstract（参考訳）: 本研究では,内因性価格形成を伴う確率的市場における適応取引業者間の暗黙の共謀の出現について検討する。マーケットメーカとマーケットテイカーの2人プレイの繰り返しゲームを用いて、競争水準を超えて価格を上昇させる、実現可能で共謀的な戦略プロファイルを特徴付ける。エージェントが自身の富を最大化するために単純な学習アルゴリズム(例えば、勾配上昇)に従うと、結果として得られるダイナミクスは、取引規模が小さい非常に流動的な市場においても、協調的な戦略プロファイルに収束する。単純な学習戦略が暗黙の共謀にどのように結びつくかを強調することで、私たちの結果はAI駆動市場のダイナミクスに関する新たな洞察を提供する。

関連論文リスト

Strategic Self-Improvement for Competitive Agents in AI Labour Markets [45.88028371034407]
本稿では,エージェント労働市場を形成する実世界の経済力を初めて捉えた,画期的な新しい枠組みを提案する。我々は,エージェント型大規模言語モデル (LLM) が雇用を競う,誘引可能なギグエコノミーを通じて,我々のフレームワークを説明する。我々のシミュレーションは、人間の労働市場に見られる古典的なマクロ経済現象を再現する一方、制御された実験はAIによる経済動向を示す。
論文参考訳（メタデータ） (2025-12-04T16:57:28Z)
Emergence from Emergence: Financial Market Simulation via Learning with Heterogeneous Preferences [3.722808691920657]
我々は、不均一なリスク回避、時間割引、情報アクセスに支えられたエージェントが取引戦略を総合的に学習するマルチエージェント強化学習フレームワークを開発する。実験の結果, (i) 不均一な嗜好による学習は, エージェントが個々の特性に整合した戦略を発達させ, 市場における行動分化とニッチな特殊化を促進させ, (ii) 差別化されたエージェントによるインタラクションが, 現実的な市場ダイナミクスの出現に不可欠であることを明らかにした。
論文参考訳（メタデータ） (2025-11-07T12:54:27Z)
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)
Magentic Marketplace: An Open-Source Environment for Studying Agentic Markets [74.91125572848439]
本稿では,サービスエージェントが消費者を代表し,サービスエージェントが競合するビジネスを代表する2面のエージェントマーケットプレースについて検討する。この環境では、ユーティリティエージェントが達成する行動バイアス、操作に対する脆弱性、検索メカニズムが市場の結果をどのように形作るか、といった主要な市場ダイナミクスを研究することができる。実験の結果、フロンティアモデルは最適な福祉に近づくことができるが、理想的な探索条件下でのみ適用可能であることが判明した。
論文参考訳（メタデータ） (2025-10-27T18:35:59Z)
Deviations from the Nash equilibrium and emergence of tacit collusion in a two-player optimal execution game with reinforcement learning [0.9208007322096533]
2つの自律的エージェントが市場の影響下で同じ資産を最適に清算することを学習するシナリオについて検討する。その結果,エージェントが学んだ戦略は,対応する市場影響ゲームのナッシュ均衡から大きく逸脱していることがわかった。市場のボラティリティの異なるレベルがエージェントのパフォーマンスと彼らが発見する均衡にどのように影響するかを考察する。
論文参考訳（メタデータ） (2024-08-21T16:54:53Z)
A Network Simulation of OTC Markets with Multiple Agents [3.8944986367855963]
我々は、取引が市場メーカによってのみ仲介される、オーバー・ザ・カウンタ(OTC)金融市場をシミュレートするための新しいアプローチを提案する。本稿では,ネットワークモデルを用いて市場構造が価格変動に与える影響について考察する。
論文参考訳（メタデータ） (2024-05-03T20:45:00Z)
MERMAIDE: Learning to Align Learners using Model-Based Meta-Learning [62.065503126104126]
本研究では,先見のつかない学習エージェントの報酬を効率よく効果的に介入し,望ましい結果を導き出す方法について検討する。これはオークションや課税のような現実世界の多くの設定に関係しており、プリンシパルは学習行動や実際の人々の報酬を知らないかもしれない。モデルに基づくメタ学習フレームワークであるMERMAIDEを導入し,配布外エージェントに迅速に適応できるプリンシパルを訓練する。
論文参考訳（メタデータ） (2023-04-10T15:44:50Z)
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)
A simple learning agent interacting with an agent-based market model [0.0]
本研究では,エージェントベースの金融市場モデルと相互作用する単一強化学習最適実行取引エージェントの学習力学を考察する。モデルのモーメントは、ハースト指数を除いて学習エージェントの影響に対して堅牢であることがわかった。学習エージェントの導入は、価格影響曲線の形状を保ちつつ、取引量が増えると、トレードオフ自己相関を低減することができる。
論文参考訳（メタデータ） (2022-08-22T16:42:06Z)
Conditional Imitation Learning for Multi-Agent Games [89.897635970366]
本研究では,条件付きマルチエージェント模倣学習の課題について考察する。本稿では,スケーラビリティとデータ不足の難しさに対処する新しい手法を提案する。我々のモデルは,egoやパートナエージェント戦略よりも低ランクなサブスペースを学習し,サブスペースに補間することで,新たなパートナ戦略を推論し,適応する。
論文参考訳（メタデータ） (2022-01-05T04:40:13Z)
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)
Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
論文参考訳（メタデータ） (2021-12-08T14:55:21Z)
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)

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。