論文の概要: How Market Volatility Shapes Algorithmic Collusion: A Comparative Analysis of Learning-Based Pricing Algorithms

• arxiv url: http://arxiv.org/abs/2512.02134v1
• Date: Mon, 01 Dec 2025 19:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.575153
• Title: How Market Volatility Shapes Algorithmic Collusion: A Comparative Analysis of Learning-Based Pricing Algorithms
• Title（参考訳）: 市場のボラティリティがアルゴリズムの衝突をどう形作るか:学習に基づく価格アルゴリズムの比較分析
• Authors: Aheer Sravon, Md. Ibrahim, Devdyuti Mazumder, Ridwan Al Aziz,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.3716158732399093
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Autonomous pricing algorithms are increasingly influencing competition in digital markets; however, their behavior under realistic demand conditions remains largely unexamined. This paper offers a thorough analysis of four pricing algorithms -- Q-Learning, PSO, Double DQN, and DDPG -- across three classic duopoly models (Logit, Hotelling, Linear) and under various demand-shock regimes created by auto-regressive processes. By utilizing profit- and price-based collusion indices, we investigate how the interactions among algorithms, market structure, and stochastic demand collaboratively influence competitive outcomes. Our findings reveal that reinforcement-learning algorithms often sustain supra-competitive prices under stable demand, with DDPG demonstrating the most pronounced collusive tendencies. Demand shocks produce notably varied effects: Logit markets suffer significant performance declines, Hotelling markets remain stable, and Linear markets experience shock-induced profit inflation. Despite marked changes in absolute performance, the relative rankings of the algorithms are consistent across different environments. These results underscore the critical importance of market structure and demand uncertainty in shaping algorithmic competition, while also contributing to the evolving policy discussions surrounding autonomous pricing behavior.
• Abstract（参考訳）: 自律的な価格設定アルゴリズムはデジタル市場における競争にますます影響を与えつつあるが、現実的な需要条件下での彼らの行動はほとんど検討されていない。 本稿では,Q-Learning,PSO,Double DQN,DDPGの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。 利益と価格に基づく協調指標を利用して,アルゴリズム,市場構造,確率的需要間の相互作用が競争結果にどのように影響するかを考察する。 以上の結果から, DDPGが最も顕著な協調傾向を示した。 物流市場はパフォーマンスが著しく低下し、ホテル市場は安定し、リニア市場はショックによって引き起こされた利益のインフレーションを経験する。 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。 これらの結果は、アルゴリズム競争の形成における市場構造と需要の不確実性の重要性を浮き彫りにするとともに、自律価格行動に関する政策議論の進展にも寄与している。

関連論文リスト

• 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)
• 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)
• Multi-Agent Reinforcement Learning for Dynamic Pricing in Supply Chains: Benchmarking Strategic Agent Behaviours under Realistically Simulated Market Conditions [4.072683489517408]
  本研究では,MARL(Multi-Agent Reinforcement Learning)がサプライチェーンの動的価格戦略をどのように改善するかを検討する。 MARLは、静的な価格ルールに縛られずに、突発的な戦略行動を導入し、ダイナミックな価格設定における将来の発展を知らせる。
  論文  参考訳（メタデータ） (2025-07-03T15:07:37Z)
• Impact of Price Inflation on Algorithmic Collusion Through Reinforcement Learning Agents [2.3335538710129193]
  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。
  論文  参考訳（メタデータ） (2025-04-05T01:00:03Z)
• 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)
• 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)
• Online Search with Predictions: Pareto-optimal Algorithm and its Applications in Energy Markets [32.50099216716867]
  本稿では、揮発性電力市場におけるエネルギー取引のための学習強化アルゴリズムを開発する。 オンライン検索問題に対する競合アルゴリズムの設計には,機械学習による予測が組み込まれている。
  論文  参考訳（メタデータ） (2022-11-12T04:12:10Z)
• 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)
• Learning Equilibria in Matching Markets from Bandit Feedback [139.29934476625488]
  不確実性の下で安定した市場成果を学習するためのフレームワークとアルゴリズムを開発する。 私たちの研究は、大規模なデータ駆動の市場において、いつ、どのように安定したマッチングが生じるかを明らかにするための第一歩を踏み出します。
  論文  参考訳（メタデータ） (2021-08-19T17:59:28Z)
• 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)
• Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online Algorithms [85.97516436641533]
  機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。 目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。 機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
  論文  参考訳（メタデータ） (2020-10-22T04:51:01Z)

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。