PyTorchKR Papers

최신 논문

총 1편
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.