By Fair Means or Foul: Quantifying Collusion in a Market Simulation with Deep Reinforcement Learning

在电子商务快速发展的背景下，基于人工智能（AI）的定价算法，特别是利用强化学习（RL）的算法，正在变得越来越普遍。这种增长导致了一个不可分割的定价情况，可能导致市场勾结。我们的研究采用了一个重复价格竞争的实验性寡头模型，系统地变化环境，覆盖从基本经济理论到主观消费者需求偏好的各种情况。我们还引入了一种新的需求框架，能够实现各种需求模型的实施，允许加权混合不同的模型。与该领域现有研究不同，我们旨在调查代理商开发的策略和新兴的定价模式，这可能导致勾结结果。此外，我们调查了一种情况，即代理商无法观察到竞争对手的价格。最后，我们在所有情况下提供了全面的法律分析。我们的研究结果表明，基于RL的AI代理商会收敛到一种勾结状态，其特征是收取超竞争价格，而不一定需要代理商之间的通信。实施替代RL算法，改变代理商数量或模拟设置，以及限制代理商的观察空间的范围并不会显著影响勾结市场结果的行为。

研究基于强化学习的人工智能定价算法在电商中的应用，特别是在重复定价竞争中的潜在市场勾结问题。

使用实验室模型，系统地变化环境以涵盖从基本经济理论到主观消费者需求偏好的各种情况，并引入新的需求框架，使得可以实现各种需求模型的加权融合。研究人工智能代理的策略和新兴的定价模式，这可能导致勾结结果，发现基于强化学习的人工智能代理会收取超竞争价格的勾结市场结果，而不一定需要代理之间的通信。

实验室模型被用来研究基于强化学习的人工智能代理在电子商务中的定价策略，特别是在重复定价竞争中可能出现的市场勾结问题。研究引入了一种新的需求框架，使得可以实现各种需求模型的加权融合。发现基于强化学习的人工智能代理会收取超竞争价格的勾结市场结果，而不一定需要代理之间的通信。论文提供了全面的法律分析。

近期的相关研究包括：1.《Market Power and Collusion on Intermediary Platforms》；2.《Machine Learning and Collusion: Theoretical Framework and Empirical Evidence》；3.《Pricing Algorithms and Collusion》等。