PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.05363v3cs.GT

무지한 학습과 담합 가격 책정

Oblivious Learning and Collusive Pricing

다수의 판매자가 존재하는 플랫폼에서 가격 책정 알고리즘은 수요를 학습할 때 경쟁자의 가격을 명시적으로 모델링해야 할까요? 고전적 논의에 따르면 경쟁자를 무시하는 것은 모델 오지정(model misspecification)과 비효율성을 초래하지만, 알고리즘 담합(algorithmic collusion)에 관한 최근 연구 결과들은 경쟁자 가격을 무시하는 것이 놀랍게도 담합 결과를 촉진하고 이윤을 개선할 수 있음을 시사합니다. 본 연구에서는 잡음이 섞인 미지의 수요가 존재하는 경쟁 시장에서 판매자들이 수요 모델(model)을 학습할 때 경쟁자 가격을 반영하거나(informed) 이를 무시하는(oblivious) 방식으로 가격을 반복해서 책정하는 문제를 다룹니다. 우리는 독점 기업과 비교할 때, 경쟁 시장의 무지한(oblivious) 판매자가 동적 경쟁자 정보의 손실(loss)을 보상하기 위해 더 공격적인 가격 탐험(exploration)을 수행해야 함을 보입니다. 모든 판매자가 무지한 경우, 지속적인 탐험 하에서는 가격이 경쟁적 결과로 수렴하지만 탐험이 "불충분"할 때는 연속적인 유사 균형(pseudo-equilibria) 집합이 나타납니다. 무지한 판매자와 정보를 반영하는 판매자가 혼재된 시장에서는 정보를 반영하는 판매자가 무지한 판매자보다 엄격하게 더 높은 수익을 올립니다. 게임 이론적 관점에서 유일한 내시 균형(Nash equilibrium)은 모든 판매자가 정보를 반영하는 시장이며, 이 경우 가격은 효율적으로 경쟁적 결과에 수렴하고 무지한 모델링이 견고하게 담합 패턴으로 이어지지는 않습니다.

arXiv:2610.00619v1q-fin.TR

초과 경쟁적 결과를 넘어서: 최적 집행 게임을 위한 심층 강화학습에서의 담합 행위

Beyond Supra-Competitive Outcomes: Collusive Behaviour in Deep Reinforcement Learning for Optimal Execution Games

본 논문에서는 이탈을 억제하고 담합의 행동적 증거를 제공하는 학습된 징벌 메커니즘을 규명함으로써, 최적 집행(optimal-execution) 게임에서 나타나는 초과 경쟁적 결과(supra-competitive outcomes)에 대한 기존 연구 결과를 확장합니다. 저자들은 2인 유한 시간 지평 Almgren-Chriss 청산 게임에서 이 메커니즘을 조사합니다. 에피소드 내 가격 및 행동 이력에 접근할 수 있는 독립적인 근접 정책 최적화(PPO) 에이전트들은 내시(Nash) 벤치마크보다 낮은 비용을 달성합니다. 학습된 평균 청산 일정에 대항해 학습(training)시킴으로써 수익성 있는 이탈을 식별한 뒤, 원래 에이전트 중 하나에 이탈의 첫 거래를 강제합니다. 이에 상대방은 청산을 가속화하는 방식으로 대응합니다. 이러한 대응은 모든 실행과 두 플레이어 역할 모두에서 이탈자의 이득을 상쇄하고도 남으며, 동일한 이탈 하에서 처벌하지 않았을 때와 비교해 처벌자의 평균 보수는 실질적으로 변하지 않은 채 유지됩니다. 처벌자는 더 수익성이 높고 징벌성이 덜한 청산 계획을 선택할 수 있음에도 불구하고, 자신의 평균 보수를 보존하면서 이탈자에게 더 큰 손실(loss)을 부과합니다. 이에 상응하는 이탈과 그에 따른 추가 매도는 학습 과정에서 증가했다가 이후 감소하지만, 최종 정책은 효과적인 징벌적 대응을 유지합니다. 저자들은 처벌이 이탈로 인한 이득을 능가하는지 여부, 그리고 거래 행동의 변화가 부과된 손실을 설명할 만큼 충분히 큰지 여부라는 두 가지 검증 기준을 정식화합니다. 테스트된 이탈에 대해 두 검증 기준 모두 충족됩니다. 종합하면, 이러한 발견들은 학습된 초과 경쟁적 결과가 담합이라는 해석을 뒷받침하는 행동적 및 경제적 증거를 제공합니다.