📈 economics

Cross-Validation Equilibrium

Dieses Papier führt das Konzept des Cross-Validation Equilibrium ein und analysiert es als einen strategischen Rahmen, in dem Akteure die Meinungsbildung an Machine-Learning-Agenten delegieren, welche prädiktive Modelle basierend auf endogenen Trainingsdaten auswählen, um den Out-of-Sample-Fehler zu minimieren, wodurch sie dadurch Gleichgewichtsergebnisse in Spielen wie der Geschworenenschätzung und spekulativen Wetten beeinflussen.

Ursprüngliche Autoren: Ran Spiegler, Stephan Waizmann

Veröffentlicht 2026-06-12

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ran Spiegler, Stephan Waizmann

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine Welt vor, in der Menschen Entscheidungen nicht nur basierend auf ihrem Bauchgefühl oder ihrer Logik treffen, sondern stattdessen einen „digitalen Assistenten“ (einen Machine-Learning-Agenten) engagieren, um herauszufinden, was eigentlich vor sich geht. Dies ist der Kern der Arbeit „Cross-Validation Equilibrium“ von Ran Spiegler und Stephan Waizmann.

Hier ist eine einfache Aufschlüsselung dessen, was sie untersuchen, unter Verwendung alltäglicher Analogien.

Das Setup: Das Dilemma des „digitalen Assistenten“

In einem normalen Spiel (wie einem Wirtschaftswettbewerb oder einem Gerichtsverfahren) versuchen die Spieler zu erraten, was andere tun werden. In diesem Paper erraten die Spieler nicht direkt; stattdessen fragen sie ihren KI-Assistenten, um ein Modell zu erstellen, das das Ergebnis vorhersagt.

Hier ist der Clou: Die Trainingsdaten der KI stammen aus dem Verhalten der Spieler selbst.

Stellen Sie es sich so vor:

Sie sind ein Koch, der versucht vorherzusagen, wie viele Kunden kommen werden.
Ihr KI-Assistent betrachtet eine „Trainingsstichprobe“ (eine Liste vergangener Kundenzahlen), um ein Vorhersagemodell zu erstellen.
Der Haken: Diese Liste vergangener Kundenzahlen wurde von anderen Köchen generiert, die ebenfalls ihre eigenen KI-Assistenten nutzten, um zu entscheiden, wie viele Kunden sie erwarten lassen sollten.
Es ist ein Kreislauf: Ihre KI lernt aus der Welt, die Sie und andere geschaffen haben, und dann handeln Sie basierend auf dem, was Ihre KI Ihnen sagt.

Das Kernkonzept: „Cross-Validation Equilibrium“ (CVE)

Das Paper führt eine neue Art und Weise ein, um einen „stabilen Zustand“ (ein Gleichgewicht) in diesen Spielen zu finden. Sie nennen es Cross-Validation Equilibrium (Kreuzvalidierungs-Gleichgewicht).

Die Analogie: Der Schüler und der Überraschungstest
Stellen Sie sich einen Schüler (die KI) vor, der versucht, ein Fach zu lernen.

Training: Der Schüler lernt anhand eines bestimmten Satzes von Notizen (der Trainingsstichprobe).
Testen: Um zu sehen, ob er das Thema wirklich verstanden hat, macht der Schüler einen „Überraschungstest“ mit neuen Fragen (der Validationsstichprobe).
Das Ziel: Der Schüler möchte die Lernmethode (das Modell) wählen, die bei dem Überraschungstest die beste Punktzahl erzielt, und nicht diejenote, die die Notizen einfach nur perfekt auswendig lernt.

In der Welt des Papers:

Die KI-Agenten der Spieler betrachten verschiedene Arten, Informationen zu gruppieren (genannt „Partitionen“).
Sie wählen die Gruppierung, die bei der Vorhersage neuer Daten (Out-of-Sample) die wenigsten Fehler macht.
Sobald die KI die beste Gruppierung gewählt hat, handelt der menschliche Spieler basierend auf dieser Vorhersage.
Da die Daten zufällig sind (verrauscht), kann die KI jedes Mal eine andere Gruppierung wählen, was zu zufälligem Verhalten führt. Das „Gleichgewicht“ ist das durchschnittliche Ergebnis all dieser zufälligen Entscheidungen.

Wichtige Erkenntnisse (Das „Was bedeutet das für uns?“)

Die Autoren lassen dieses Szenario durch mehrere Spiele laufen, um zu sehen, was passiert. Hier sind die wichtigsten Schlussfolgerungen:

1. Rauschen macht die Dinge chaotisch (und manchmal schlimmer)
Wenn die Daten, die die KI sieht, „verrauscht“ sind (voller Fehler oder zufälliger Schwankungen), entscheidet sich die KI vielleicht für ein „grobes“ (einfaches) Modell anstelle eines „feinen“ (detaillierten) Modells.

Analogie: Wenn Sie versuchen, das Wetter vorherzusagen, aber Ihr Thermometer kaputt und zittrig ist, hören Sie vielleicht auf, die Temperatur für jede einzelne Stunde vorherzusagen, und raten stattd sich einfach: „Es ist meistens warm.“
Ergebnis: In einem Wirtschaftswettbewerb (wie etwa zwei Firmen, die Preise festlegen), kann dieses Rauschen dazu führen, dass Preise und Mengen wild schwanken, sogar stärker als wenn alle rein rational handeln würden.

2. Das „Team-Paradoxon“
In einem Spiel, in dem Spieler einander helfen (wie bei einem Teamprojekt), finden die Autoren etwas Überraschendes: Mehrere stabile Ergebnisse sind möglich.

Analogie: Stellen Sie sich zwei Personen vor, die versuchen, ein Auto zu schieben. Wenn beide denken: „Wir müssen fest drücken“, drücken sie fest. Wenn beide denken: „Es ist zu schwer, lass uns einfach treiben lassen“, lassen sie es treiben.
Ergebnis: Im Gegensatz zur Standard-Spieltheorie, die meist ein klares Ergebnis vorhersagt, kann dieses KI-gesteuerte Setup in einer „geringen Aufwand“-Schleife oder einer „hohen Aufwand“-Schleife stecken bleiben, je nachdem, wie die KI die verrauschten Daten interpretiert.

3. Die „Illusion der Kontrolle“
In einem spezifischen Beispiel führt die KI die Spieler dazu, etwas zu tun, das objektiv schlecht für sie ist.

Analogie: Stellen Sie sich einen Glücksspieler vor, der glaubt, dass sein Glücksshirt die Ursache für seine Gewinne ist. Die Daten sind zufällig, aber die KI findet ein Muster, bei dem das „Tragen des Shirts“ und das „Gewinnen“ durch Zufall zusammen auftraten. Die KI sagt dem Spieler: „Trage das Shirt!“, und der Spieler tut dies, obwohl das Shirt gar nichts bewirkt.
Ergebnis: Spieler könnten kostspielige Handlungen vornehmen, weil ihre KI fälschlicherweise glaubt, dass diese Handlungen zu guten Ergebnissen führen.

4. „Klüger zu sein“ gewinnt nicht immer
In einem Wettsspiel zeigt das Paper, dass ein Spieler, der gezwungen ist, das perfekte, detaillierte Modell zu verwenden, tatsächlich Geld verlieren kann an einen Spieler, der ein „grobes“ (einfacheres) Modell verwenden darf.

Analogie: In einem verrauschten Raum ist die Person, die versucht, jedes einzelne Wort zu hören (das detaillierte Modell), durch das Rauschen verwirrt. Die Person, die nur die allgemeine Stimmung wahrnimmt (das grobe Modell), versteht das Gespräch tatsächlich besser und gewinnt die Wette.
Ergebnis: Manchmal ist es eine bessere Strategie, Details zu ignorieren (zu vereinfachen), wenn die Daten unordentlich sind.

Zusammenfassung

Das Paper argumentt, dass wir in eine neue Art von Spiel eintreten, wenn wir unsere Entscheidungsfindung an eine KI delegieren, die aus unserem kollektiven Verhalten lernt. Die KI versucht, „Overfitting“ (das Auswendiglernen von Rauschen) zu vermeiden, indem sie einfachere Modelle wählt, aber diese Vereinfachung kann zu Folgendem führen:

Wilden Schwankungen der Marktpreise.
Mehreren möglichen Ergebnissen für dasselbe Spiel.
Spielern, die Fehler machen, die sie nicht machen würden, wenn sie selbst nachdenken würden.
Manchmal gewinnen „dümmere“ Modelle gegen „klügere“ Modelle.

Es ist eine Studie darüber, wie die Werkzeuge, die wir nutzen, um die Welt zu verstehen, die Welt auf unerwartete Weise verändern können.

Technisches Resümee: Cross-Validation Equilibrium (Kreuzvalidierungs-Gleichgewicht)

1. Problemstellung

Diese Arbeit untersucht die strategischen Implikationen der Integration prädiktiver maschineller Lernverfahren (ML) in statische Bayes-Spiele mit unvollständiger Information. In vielen ökonomischen Kontexten (z. B. Kreditbewertung, gerichtliche Risikobewertung) delegieren menschliche Entscheidungsträger die Bildung prädiktiver Überzeugungen an ML-Algorithmen. Diese Algorithmen konstruieren Modelle basierend auf zufälligen Trainingsstichproben, die aus der Gleichgewichtsverteilung des Spiels selbst gezogen werden.

Der Kern des Problems besteht darin, die Gleichgewichtsergebnisse zu charakterisieren, wenn:

Spieler die Bildung von Überzeugungen an einen „ML-Agenten“ delegieren.
Der ML-Agent ein prädiktives Modell (eine Abbildung von Spielertypen auf zahlungsrelevante Ergebnisse) wählt, das auf einer verrauschten, endogenen Trainingsstichprobe basiert.
Das Kriterium für die Modellauswahl der Kreuzvalidierung (Cross-Validation) ähnelt: Der Agent wählt das Modell, das den erwarteten quadratischen Vorhersagefehler außerhalb der Stichprobe (out-of-sample squared prediction error) minimiert.
Spieler daraufhin die Best-Response zu den durch das ausgewählte Modell induzierten Überzeugungen bilden.

Die Autoren untersuchen, wie die endogene Verknüpfung zwischen dem Verhalten der Spieler und den durch ML generierten prädiktiven Modellen Standardkonzepte wie das Nash-Gleichgewicht (NE) verändert.

2. Methodik und Modellrahmen

Die Spielstruktur

Die Autoren formulieren ein leicht unkonventionelles Bayes-Spiel:

Spieler: $N = \{1, \dots, n\}$ .
Zustände und Typen: Eine Menge von Zuständen $\Theta$ und Typenmengen $T_i$ .
Auszahlungen: Die Nutzenfunktion von Spieler $i$ , $u_i(a_i, t_i, x_i)$ , ist kontinuierlich und linear in einem skalaren, zahlungsrelevanten Ergebnis $x_i$ . Das Ergebnis $x_i$ ist eine Funktion des Zustands und der Aktionen der Kontrahenten, $x_i = f_i(\theta, a_{-i})$ .
Trainingsstichprobe: Für ein festes Strategieprofil $\sigma_{-i}$ ist das wahre erwartete Ergebnis für Spieler $i$ gegeben den Typ $t_i$ gleich $\bar{x}^\sigma_i(t_i)$ . Der ML-Agent beobachtet eine verrausschte Trainingsstichprobe:
$y_{t_i} = \bar{x}^\sigma_i(t_i) + \varepsilon_{t_i}$
wobei $\varepsilon_{t_i}$ i.i.d. (identisch und unabhängig verteilt) um Null symmetrisch sind.

Die Aufgabe des ML-Agenten

Der ML-Agent wählt eine Partition $\Pi_i$ des Typenraums $T_i$ aus einer zulässigen Menge $\mathcal{P}_i$ .

Vorhersage: Innerhalb jeder Partition-Zelle $\pi(t_i)$ sagt der Agent das Ergebnis unter Verwendung des gewichteten Durchschnitts der Trainingsstichprobe in dieser Zelle voraus.
Selektionskriterium: Der Agent wählt die Partition, die den erwarteten quadratischen Vorhersagefehler außerhalb der Stichprobe minimiert. Dies beinhaltet eine Validierungsstichprobe mit unabhängigem Rauschen $\eta$ . Der Agent evaluiert die Performance der Partition über viele potenzielle Validierungsstichproben hinweg.
Bias-Varianz-Trade-off: Der Selektionsprozess balanciert naturgemäß Bias (grobe Partitionen) und Varianz (feine Partitionen). Eine grobe Partition kann gewählt werden, wenn das Rauschen der Trainingsstichprobe hoch ist, da dies die Varianz des Schätzers reduziert.

Definition: Cross-Validation Equilibrium (CVE)

Ein Strategieprofil $\sigma$ ist ein Cross-Validation Equilibrium (CVE), wenn für jeden Spieler $i$ und jede Realisierung der Trainingsstichprobe $\varepsilon_i$ gilt:

Der ML-Agent wählt eine Partition $\Pi_i$ , die den erwarteten Vorhersagefehler außerhalb der Stichprobe gegeben $\varepsilon_i$ und die Strategien der Kontrahenten minimiert.
Der Spieler wählt eine reine Strategie $g_i(t_i)$ , die eine Best-Response zur durch die ausgewählte Partition $\Pi_i$ induzierten Überzeugung ist.
Die gemischte Strategie des Spielers $\sigma_i$ ist die Mischung über alle derart kompatiblen (Partition, Strategie)-Paare, gewichtet durch die Wahrscheinlichkeit der Realisierung der Trainingsstichprobe.

3. Zentrale theoretische Ergebnisse

Existenz und Konvergenz

Existenz: Die Autoren beweisen, dass in jedem endlichen Spiel ein CVE mittels eines Fixpunktarguments existiert, das Strategieprofile und Partitionenverteilungen aufeinander abbildet.
Konvergenz zu ABEE: Wenn das Rauschen der Trainingsstichprobe verschwindet ( $\text{Var}(\varepsilon) \to 0$ ), konvergiert jeder Grenzwert einer Folge von CVEs gegen ein Analogy-Based Expectation Equilibrium (ABEE) (Jehiel, 2005) in Bezug auf die feinste zulässige Partition.
Konvergenz zu NE: Wenn die feinste zulässige Partition die Singleton-Partition ist (die jeden Typ unterscheidet), konvergiert das CVE mit verschwindendem Rauschen gegen das Nash-Gleichgewicht.

Eigenschaften der Modellselektion

Unverzerrtheit (Unbiasedness) ausgewählter Modelle: Ein entscheidendes technisches Ergebnis (Proposition 4) ist, dass das erwartete Rauschen der Trainingsstichprobe unter der Bedingung der ausgewählten Partition Null ist. Dies gilt, weil das Selektionskriterium (Minimierung des erwarteten quadratischen Fehlers außerhalb der Stichprobe) und die Symmetrie der Rauschverteilung sicherstellen, dass der Selektionsprozess das Rauschen nicht systematisch verzerrt.
Vermeidung von Overfitting: Wenn die hinreichende Statistik bezüglich einer groben Partition messbar ist, wird der ML-Agent fast nie eine streng feinere Partition auswählen, da eine feinere Partition lediglich die Varianz erhöhen würde, ohne den Bias zu reduzieren (Proposition 3).
Regel zur Partitionswahl: In binären Settings (feine vs. grobe Partitionen) wird die feine Partition genau dann ausgewählt, wenn die Varianz der realisierten Trainingsstichproben-Rauschterms geringer ist als die Varianz der hinreichenden Statistik (Proposition 5).

4. Anwendungen und ökonomische Implikationen

Die Arbeit wendet das CVE auf mehrere spezifische Spiele an, um qualitative Unterschiede zum Nash-Gleichgewicht aufzuzeigen:

A. Spiele mit quadratischen Auszahlungen (Cournot und Team-Effort)

Strategische Substituierbarkeit (Cournot): In einem Cournot-Wettbewerb erhöht sich die Volatilität der Gleichgewichts-Mengen und -Preise in einem symmetrischen CVE mit der Varianz des Trainingsstichproben-Rauschens. Dies geschieht, weil verrauschtere Stichproben die Wahrscheinlichkeit für grobe Partitionen erhöhen; unter strategischer Substituierbarkeit führen grobe Überzeugungen (die unterreagieren auf Zustandsfluktuationen) zu verstärkten Reaktionen der Spieler.
Strategische Komplementarität (Team-Effort): In einem Team-Effort-Spiel kann das CVE selbst dann multiple Gleichgewichte aufweisen, wenn das zugrunde liegende Spiel ein eindeutiges Nash-Gleichgewicht besitzt. Die Multiplizität entsteht, weil die Wahrscheinlichkeit der Auswahl einer feinen Partition mit der Volatilität der Überzeugungen steigt, welche wiederum von der Partitionswahl abhängt.
Diskontinuität: Selbst bei beliebig kleinem Rauschen kann das CVE im Team-Effort-Spiel diskontinuierlich vom Nash-Gleichgewicht abweichen und niedrigere erwartete Auszahlungen liefern.

B. Einstimmigkeitswahl (Jury-Modell)

In einem Zwei-Spieler-Jury-Modell kann die endogene Modellselektion zu höheren Wahrscheinlichkeiten für eine Zustimmung zu einer Reform führen, als dies im effizienten Nash-Gleichgewicht der Fall wäre. Das Rauschen in der Trainingsstichprobe kann die Auswahl einer groben Partition induzieren, was Informationen so aggregiert, dass Spieler eher für „Ja“ stimmen, als sie es unter rationalen, feingliedrigen Überzeugungen tun würden.

C. Spekulatives Wetten

In einem Nullsummen-Wettspiel kann ein Spieler, der auf die „korrekte“ feine Partition beschränkt ist, geringere erwartete Auszahlungen erleiden als ein Kontrahent, der Zugriff auf sowohl feine als auch grobe Partitionen hat. Der Kontrahent kann die Wahl einer groben Partition strategisch nutzen, wenn die Rauschrealisierungen entgegengesetzt sind, um das Rauschen effektiv zu mitteln, eine korrekte Überzeugung zu bilden und den eingeschränkten Spieler auszubeuten. Dies stellt die Intuition infrage, dass mehr Information (oder das korrekte Modell) immer vorteilhafter ist.

D. Illusion der Kontrolle

Die Autoren erweitern den Rahmen, um Partitionen des gemeinsamen Raums von Zuständen und Aktionen zu ermöglichen. Sie zeigen ein Szenario auf, in dem Spieler mit positiver Wahrscheinlichkeit eine strikt dominierte Aktion wählen. Diese „Illusion der Kontrolle“ entsteht, weil der ML-Agent gelegentlich ein Modell wählt, das einen erfolgreichen Ausgang fälschlicherweise der eigenen Aktion des Spielers zuschreibt, was den Spieler zu der Annahme führt, die Aktion sei kausal.

5. Bedeutung und Beitrag

Das Paper beansprucht einen Beitrag zur Literatur in folgenden Bereichen:

Strategisches ML: Im Gegensatz zur Literatur zum Reinforcement Learning (z. B. Calvano et al., 2020), die sich auf langfristige Lern-Dynamiken konzentriert, fokussiert sich diese Arbeit auf statische Spiele, in denen ML-Agenten prädiktive Modelle für menschliche Spieler konstruieren.
Nicht-rationale Bildung von Überzeugungen: Es erweitert die Literatur zu Konzepten subjektiver Gleichgewichte (z. B. Jehiel, 2005; Eyster und Rabin, 2005), indem es eine endogene, zufällige Modellselektion einführt. Im Gegensatz zu bisherigen Modellen, in denen Partitionen fix oder exogen gegeben sind, zeichnet sich das CVE durch Partitionen aus, die endogen basierend auf einem Kreuzvalidierungs-Kriterium ausgewählt werden.
Endogene Daten: Es verdeutlicht, dass wenn die Trainingsdaten endogen zum Gleichgewicht sind, der der ML-Modellselektion innewohnende „Bias-Varianz-Trade-off“ zu einer strategischen Variable wird, was potenziell zu multiplen Gleichgewichten, erhöhter Volatilität und Ergebnissen führt, die signifikant von rationalen Benchmarks abweichen – selbst bei geringem Rauschen.

Die Autoren betonen, dass ihre Ergebnisse auf dem spezifischen Kriterium der Minimierung des erwarteten quadratischen Fehlers außerhalb der Stichprobe (Kreuzvalidierung) und der Symmetrie des Rauschens beruhen. Sie merken an, dass die Linearität der Auszahlungen eine Vereinfachung ist, die es ermöglicht, dass die hinreichende Statistik ein Skalar ist, was die Verbindung zu ABEE erleichtert.