Título: Estrategias algorítmicas de fijación de precios en mercados electrónicos simulados: aprendizaje automático, dinámica competitiva y equilibrio.

Director: Rodrigo Castro (DC-ICC/FCEN-UBA-CONICET) Co-Directores: Juan Pablo Pinasco (DM-IMAS/FCEN-UBA-CONICET) y Martín Harracá (EEyN-UNSAM)

Jurado: Esteban Feuerstein (DC-ICC/FCEN-UBA) y Pablo Amster (DM-IMAS/FCEN-UBA-CONICET)

Resumen:

El comercio electrónico y en particular los mercados digitales (marketplaces)  ocupan un lugar central en la economía global. Dentro de este ecosistema, el proceso de fijar precios mediante algoritmos (pricing) se encuentra cada vez más extendido, pudiendo éste generar efectos emergentes a gran escala. Calvano et al. mostraron que algoritmos de Reinforcement Learning pueden aprender a sostener precios supracompetitivos en oligopolios simulados. El presente trabajo retoma ese resultado relajando tres supuestos clave del modelo original: se utilizan espacios de acción continuos en lugar de discretos, agentes pre-entrenados en lugar de agentes que aprenden online, y un mercado heterogéneo en el que conviven distintas estrategias.

Se definen cuatro tipos de agentes vendedores. Los agentes Brutus siguen una estrategia mecánica y sin entrenamiento previo, actuando como baseline. Los agentes Imitator y Experiens utilizan algoritmos de aprendizaje automático (inspirados en Imitation Learning y Reinforcement Learning, respectivamente) para maximizar su ganancia individual. Finalmente, el agente Imitator Informatus extiende al Imitator original incorporando mayor información y una arquitectura de red neuronal más compleja.
Los resultados muestran que los agentes Brutus, a pesar de su simplicidad, presentan un comportamiento adaptativo que resulta difícil de superar para los agentes entrenados. Se observa que el principal determinante de las ganancias no es la estrategia concreta utilizada, sino el precio promedio fijado. Ninguno de los agentes entrenados logra una dominancia absoluta sobre los Brutus.
Finalmente, modelando el sistema como un juego evolutivo, se encuentran equilibrios de Nash mixtos para los tres modelos entrenados, todos con mayor proporción de agentes entrenados que Brutus, y cualitativamente distintos entre sí. Identificar estos equilibrios permite comparar los precios promedio que emergen en el sistema heterogéneo en estado estacionario contra los del baseline, en analogía a la comparación entre precios colusivos y competitivos realizada por Calvano et al. Los resultados sugieren que la colusión algorítmica supracompetitiva, cuando aparece, no es un fenómeno generalizado y robusto como el reportado por Calvano et al., sino que podría estar asociada a configuraciones específicas del sistema donde los algoritmos se adaptan online a los eventos que perciben.