📈 economics

Cross-Validation Equilibrium

Cet article introduit et analyse le concept d'Équilibre de Validation Croisée, un cadre stratégique où les joueurs délèguent la formation de leurs croyances à des agents d'apprentissage automatique qui sélectionnent des modèles prédictifs basés sur des données d'entraînement endogènes afin de minimiser l'erreur hors échantillon, influençant ainsi les résultats d'équilibre dans des jeux tels que le vote des jurys et les paris spéculatifs.

Auteurs originaux : Ran Spiegler, Stephan Waizmann

Publié 2026-06-12

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ran Spiegler, Stephan Waizmann

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un monde où les gens ne prennent pas seulement des décisions basées sur leur intuition ou leur logique, mais où ils embauchent plutôt un « assistant numérique » (un agent d'apprentissage automatique) pour comprendre ce qui se passe. C'est l'idée centrale de l'article « Cross-Validation Equilibrium » de Ran Spiegler et Stephan Waizmann.

Voici une décomposition simple de ce qu'ils étudient, en utilisant des analogies de la vie quotidienne.

La configuration : Le dilemme de l'« assistant numérique »

Dans un jeu normal (comme une compétition commerciale ou un procès devant un jury), les joueurs essaient de deviner ce que feront les autres. Dans cet article, les joueurs ne devinent pas directement. Au lieu de cela, ils demandent à leur assistant IA de construire un modèle qui prédit le résultat.

Voici le rebondissement : les données d'entraînement de l'IA proviennent du propre comportement des joueurs.

Voyez cela comme ceci :

Vous êtes un chef essayant de prédire combien de clients viendront.
Votre assistant IA examine un « échantillon d'entraînement » (une liste de nombres passés de clients) pour construire un modèle de prédiction.
Le piège : Cette liste de nombres passés de clients a été générée par d'autres chefs qui utilisaient eux aussi leurs propres assistants IA pour décider de l'espérance de clientèle.
C'est une boucle : votre IA apprend du monde que vous et les autres avez créé, puis vous agissez en fonction de ce que votre IA vous dit.

Le concept central : L'« Équilibre de Validation Croisée » (Cross-Validation Equilibrium - CVE)

L'article introduit une nouvelle façon de trouver un « état stable » (un équilibre) dans ces jeux. Ils appellent cela l'Équilibre de Validation Croisée.

L'analogie : L'étudiant et le contrôle surprise
Imaginez un étudiant (l'IA) essayant d'apprendre un sujet.

Entraînement : L'étudiant étudie un ensemble spécifique de notes (l'échantillon d'entraînement).
Test : Pour voir s'il a vraiment compris, l'étudiant passe un « contrôle surprise » sur de nouvelles questions (l'échantillon de validation).
L'objectif : L'étudiant veut choisir la méthode d'étude (le modèle) qui obtient le meilleur score au contrôle surprise, et non celle qui mémorise parfaitement les notes.

Dans le monde de l'article :

Les agents IA des joueurs regardent différentes façons de regrouper l'information (appelées « partitions »).
Ils choisissent le regroupement qui commet le moins d'erreurs lors de la prédiction de nouvelles données (hors échantillon).
Une fois que l'IA choisit le meilleur regroupement, le joueur humain agit sur la base de cette prédiction.
Comme les données sont aléatoires (bruyantes), l'IA peut choisir un regroupement différent à chaque fois, ce qui conduit à un comportement aléatoire. L'« Équilibre » est le résultat moyen de tous ces choix aléatoires.

Principaux résultats (Le « Pourquoi c'est important ? »)

Les auteurs testent ce scénario à travers plusieurs jeux pour voir ce qui se passe. Voici les principales conclusions :

1. Le bruit rend les choses désordonnées (et parfois pires)
Si les données que l'IA voit sont « bruyantes » (pleines d'erreurs ou de fluctuations aléatoires), l'IA peut décider qu'un modèle « grossier » (simple) est meilleur qu'un modèle « fin » (détaillé).

Analogie : Si vous essayez de prédire la météo mais que votre thermomètre est cassé et instable, vous pourriez arrêter d'essayer de prédire la température pour chaque heure et simplement deviner qu'« il fait généralement chaud ».
Résultat : Dans une compétition commerciale (comme deux entreprises fixant des prix), ce bruit peut faire fluctuer les prix et les quantités de manière sauvage, même plus que si tout le monde agissait rationnellement.

2. Le paradoxe de l'« effort collectif »
Dans un jeu où les joueurs s'entraident (comme un projet d'équipe), les auteurs ont découvert quelque chose de surprenant : plusieurs résultats stables sont possibles.

Analogie : Imaginez deux personnes essayant de pousser une voiture. Si elles pensent toutes les deux : « Nous devons pousser fort », elles poussent fort. Si elles pensent toutes les deux : « C'est trop dur, laissons couler », elles laissent couler.
Résultat : Contrairement à la théorie des jeux classique qui prédit généralement un résultat clair, cette configuration pilotée par l'IA peut rester bloquée dans une boucle de « faible effort » ou une boucle de « haut effort », selon la façon dont l'IA interprète les données bruitées.

3. L'« illusion de contrôle »
Dans un exemple spécifique, l'IA amène les joueurs à faire quelque chose d'objectivement mauvais pour eux.

Analogie : Imaginez un parieur qui pense que son t-shirt porte-bonheur cause ses victoires. Les données sont aléatoires, mais l'IA trouve un motif où « porter le t-shirt » et « gagner » se sont produits ensemble par hasard. L'IA dit au joueur : « Porte le t-shirt ! » et le joueur le fait, même si le t-shirt ne fait rien.
Résultat : Les joueurs peuvent entreprendre des actions coûteuses parce que leur IA croit faussement que ces actions provoquent de bons résultats.

4. Être « plus intelligent » ne gagne pas toujours
Dans un jeu de paris, l'article montre qu'un joueur qui est contraint d'utiliser le modèle parfait et détaillé peut en réalité perdre de l'argent face à un joueur qui est autorisé à utiliser un modèle « grossier » (plus simple).

Analogie : Dans une pièce bruyante, la personne qui essaie d'entendre chaque mot (le modèle détaillé) se laisse confondre par les parasites. La personne qui écoute juste l'ambiance générale (le modèle grossier) comprend en fait mieux la conversation et gagne le pari.
Résultat : Parfois, ignorer les détails (simplifier) est une meilleure stratégie lorsque les données sont désordonnées.

Résumé

L'article soutient que lorsque nous déléguons notre prise de décision à une IA qui apprend de notre comportement collectif, nous entrons dans un nouveau type de jeu. L'IA essaie d'éviter le « surapprentissage » (mémoriser le bruit) en choisissant des modèles plus simples, mais cette simplification peut mener à :

Des fluctuations sauvages des prix du marché.
Plusieurs résultats possibles pour un même jeu.
Des joueurs commettant des erreurs qu'ils ne commettraient pas s'ils réfléchissaient par eux-mêmes.
Parfois, des modèles plus « bêtes » qui gagnent contre des modèles plus « intelligents ».

C'est une étude de la manière dont les outils que nous utilisons pour comprendre le monde peuvent en réalité changer le monde de manières inattendues.

Résumé Technique : Équilibre de Validation Croisée

1. Énoncé du Problème

Cet article traite des implications stratégiques de l'intégration de l'apprentissage automatique (ML) prédictif dans des jeux bayésiens statiques à information incomplète. Dans de nombreux contextes économiques (ex. : notation de crédit, évaluation du risque judiciaire), les décideurs humains délèguent la formation des croyances prédictives à des algorithmes de ML. Ces algorithmes construisent des modèles basés sur des échantillons d'entraînement aléatoires tirés de la distribution d'équilibre du jeu lui-même.

Le problème central est de caractériser les résultats d'équilibre lorsque :

Les joueurs délèguent la formation des croyances à un « agent de ML ».
L'agent de ML sélectionne un modèle prédictif (une application des types de joueurs aux résultats pertinents pour les gains) basé sur un échantillon d'entraînement bruité et endogène.
Le critère de sélection du modèle imite la validation croisée : l'agent choisit le modèle qui minimise l'erreur quadratique de prédiction attendue hors échantillon.
Les joueurs réagissent ensuite de manière optimale aux croyances générées par le modèle sélectionné.

Les auteurs cherchent à comprendre comment le lien endogène entre le comportement des joueurs et les modèles prédictifs générés par le ML modifie les concepts d'équilibre standards comme l'Équilibre de Nash (EN).

2. Méthodologie et Cadre du Modèle

La Structure du Jeu

Les auteurs formulent un jeu bayésien légèrement non standard :

Joueurs : $N = \{1, \dots, n\}$ .
États et Types : Un ensemble d'états $\Theta$ et des ensembles de types $T_i$ .
Gains : L'utilité du joueur $i$ , $u_i(a_i, t_i, x_i)$ , est continue et linéaire par rapport à un résultat scalaire pertinent pour le gain $x_i$ . Le résultat $x_i$ est une fonction de l'état et des actions des adversaires, $x_i = f_i(\theta, a_{-i})$ .
Échantillon d'Entraînement : Pour un profil de stratégie $\sigma_{-i}$ fixé, le véritable résultat attendu pour le joueur $i$ étant donné le type $t_i$ est $\bar{x}^\sigma_i(t_i)$ . L'agent de ML observe un échantillon d'entraînement bruité :
$y_{t_i} = \bar{x}^\sigma_i(t_i) + \varepsilon_{t_i}$
où les $\varepsilon_{t_i}$ sont des termes de bruit i.i.d. symétriques autour de zéro.

La Tâche de l'Agent de ML

L'agent de ML sélectionne une partition $\Pi_i$ de l'espace des types $T_i$ à partir d'un ensemble faisable $\mathcal{P}_i$ .

Prédiction : À l'intérieur de chaque cellule de la partition $\pi(t_i)$ , l'agent prédit le résultat en utilisant la moyenne pondérée de l'échantillon d'entraînement dans cette cellule.
Critère de Sélection : L'agent sélectionne la partition qui minimise l'erreur de prédiction quadratique moyenne attendue hors échantillon. Cela implique un échantillon de validation avec un bruit indépendant $\eta$ . L'agent évalue la performance de la partition à travers de nombreux échantillons de validation potentiels.
Compromis Biais-Variance : Le processus de sélection équilibre naturellement le biais (partitions grossières) et la variance (partitions fines). Une partition grossière peut être sélectionnée si le bruit de l'échantillon d'entraînement est élevé, car elle réduit la variance de l'estimateur.

Définition : Équilibre de Validation Croisée (EVC)

Un profil de stratégie $\sigma$ est un Équilibre de Validation Croisée (EVC) si, pour chaque joueur $i$ et chaque réalisation de l'échantillon d'entraînement $\varepsilon_i$ :

L'agent de ML sélectionne une partition $\Pi_i$ qui minimise l'erreur de prédiction attendue hors échantillon compte tenu de $\varepsilon_i$ et des stratégies des adversaires.
Le joueur choisit une stratégie pure $g_i(t_i)$ qui est la meilleure réponse à la croyance induite par la partition $\Pi_i$ sélectionnée.
La stratégie mixte du joueur $\sigma_i$ est le mélange de tous ces couples (partition, stratégie) compatibles, pondéré par la probabilité de la réalisation de l'échantillon d'entraînement.

3. Principaux Résultats Théoriques

Existence et Convergence

Existence : Les auteurs prouvent qu'un EVC existe dans tout jeu fini en utilisant un argument de point fixe sur une correspondance reliant les profils de stratégie et les distributions de partitions à eux-mêmes.
Convergence vers l'ABEE : Lorsque le bruit de l'échantillon d'entraînement s'annule ( $\text{Var}(\varepsilon) \to 0$ ), tout point limite d'une séquence d'EVC converge vers un Équilibre d'Attentes Basées sur l'Analogie (ABEE) (Jehiel, 2005) par rapport à la partition la plus fine faisable.
Convergence vers l'EN : Si la partition la plus fine faisable est la partition singleton (distinguant chaque type), l'EVC converge vers l'Équilibre de Nash lorsque le bruit s'annule.

Propriétés de la Sélection de Modèle

Absence de Biais des Modèles Sélectionnés : Un résultat technique crucial (Proposition 4) est que le bruit attendu de l'échantillon d'entraînement, conditionnellement à la partition sélectionnée, est nul. Cela est dû au fait que le critère de sélection (minimisation de l'erreur de prédiction quadratique attendue hors échantillon) et la symétrie de la distribution du bruit garantissent que le processus de sélection ne biaise pas systématiquement le bruit.
Évitement du Surapprentissage (Over-fitting) : Si la statistique suffisante est mesurable par rapport à une partition grossière, l'agent de ML ne sélectionnera presque jamais une partition strictement plus fine, car une partition plus fine augmenterait seulement la variance sans réduire le biais (Proposition 3).
Règle de Sélection de Partition : Dans les contextes binaires (partitions fines vs grossières), la partition fine est sélectionnée si et seulement si la variance du bruit réalisé de l'échantillon d'entraînement est inférieure à la variance de la statistique suffisante (Proposition 5).

4. Applications et Implications Économiques

L'article applique l'EVC à plusieurs jeux spécifiques pour illustrer des différences qualitatives par rapport à l'Équilibre de Nash :

A. Jeux à Gains Quadratiques (Cournot et Effort d'Équipe)

Substituabilité Stratégique (Cournot) : Dans une compétition de Cournot, la volatilité des quantités et des prix d'équilibre dans un EVC symétrique augmente avec la variance du bruit de l'échantillon d'entraînement. Cela se produit car des échantillons plus bruités rendent les partitions grossières plus probables ; sous la substituabilité stratégique, des croyances grossières (qui réagissent peu aux fluctuations de l'état) entraînent des réactions amplifiées par le joueur.
Complémentarité Stratégique (Effort d'Équipe) : Dans un jeu d'effort d'équipe, l'EVC peut présenter des multiplicités d'équilibres même lorsque le jeu sous-jacent possède un équilibre de Nash unique. La multiplicité provient du fait que la probabilité de sélectionner une partition fine est croissante avec la volatilité des croyances, laquelle dépend de la sélection de la partition.
Discontinuité : Même avec un bruit arbitrairement faible, l'EVC dans le jeu d'effort d'équipe peut être continuellement différent de l'équilibre de Nash, produisant des gains attendus plus faibles.

B. Vote à l'Unanimité (Modèle du Jury)

Dans un modèle de jury à deux joueurs, la sélection endogène de modèles peut conduire à des probabilités de vote pour une réforme plus élevées que l'équilibre de Nash efficient. Le bruit dans l'échantillon d'entraînement peut induire la sélection d'une partition grossière, qui agrège l'information de telle sorte que les joueurs sont plus enclins à voter « Oui » qu'ils ne le seraient sous des croyances fines et rationnelles.

C. Paris Spéculatifs

Dans un jeu de pari à somme nulle, un joueur restreint à la « bonne » partition fine peut subir des gains attendus plus faibles qu'un adversaire ayant accès aux partitions fines et grossières. L'adversaire peut stratégiquement sélectionner une partition grossière lorsque les réalisations du bruit sont opposées, effectuant ainsi une moyenne du bruit pour former une croyance correcte et exploiter le joueur restreint. Cela remet en question l'intuition selon laquelle plus d'informations (ou le bon modèle) est toujours supérieur.

D. Illusion de Contrôle

Les auteurs étendent le cadre pour permettre des partitions de l'espace conjoint des états et des actions. Ils démontrent un scénario où les joueurs choisissent une action strictement dominée avec une probabilité positive. Cette « illusion de contrôle » survient parce que l'agent de ML sélectionne occasionnellement un modèle qui attribue faussement un résultat réussi à l'action du joueur, amenant ce dernier à croire que l'action est causale.

5. Signification et Contribution

L'article affirme contribuer à la littérature sur :

Le ML Stratégique : Contra-irement à la littérature sur l'apprentissage par renforcement (ex. : Calvano et al., 2020) qui se concentre sur la dynamique d'apprentissage à long terme, cet article se concentre sur des jeux statiques où des agents de ML construisent des modèles prédictifs pour des joueurs humains.
La Formation de Croyances Non-Rationnelles : Il étend la littérature sur les concepts d'équilibre subjectif (ex. : Jehiel, 2005 ; Eyster et Rabin, 2005) en introduisant une sélection de modèle aléatoire et endogène. Contrairement aux modèles précédents où les partitions sont fixes ou données exogènement, l'EVC présente des partitions sélectionnées de manière endogène sur la base d'un critère de validation croisée.
Les Données Endogènes : Il souligne que lorsque les données d'entraînement sont endogènes à l'équilibre, le « compromis biais-variance » inhérent à la sélection de modèle par ML devient une variable stratégique, pouvant mener à des équilibres multiples, une volatilité accrue et des résultats s'écartant significativement des références rationnelles, même avec un faible niveau de bruit.

Les auteurs soulignent que leurs résultats reposent spécifiquement sur le critère de minimisation de l'erreur quadratique attendue hors échantillon (validation croisée) et la symétrie du bruit. Ils notent que la linéarité des gains est une hypothèse simplificatrice qui permet à la statistique suffisante d'être un scalaire, facilitant le lien avec l'ABEE.