The Invisible Handshake: Persistent Overpricing by Adaptive Market Agents

तकनीकी सारांश: द इनविजिबल हैंडशेक (अदृश्य मिलाप)

समस्या विवरण
यह शोध पत्र इस बात की जांच करता है कि क्या अनुकूलित बाजार एजेंटों (adaptive market agents) द्वारा विकेंद्रीकृत शिक्षण (decentralized learning) स्पष्ट संचार या समन्वय के बिना निरंतर मूल्य विरूपण (price distortions), विशेष रूप से ओवरप्राइसिंग (मूल्य में अत्यधिक वृद्धि), को अंतर्जात रूप से उत्पन्न कर सकता है। जबकि बाजारों से सामान्यतः संसाधन आवंटन के लिए सटीक संकेत प्रदान करने की अपेक्षा की जाती है, लेखक इस बात पर सवाल उठाते हैं कि क्या पोर्टफोलियो मूल्य को अधिकतम करने के लिए डिज़ाइन किए गए AI-संचालित एजेंट सामूहिक रूप से कीमतों को उनके मौलिक मूल्यों (fundamental values) से ऊपर बनाए रखने के लिए सीख सकते हैं। यह अध्ययन दो प्रतिनिधि एजेंटों के बीच एक दोहराए जाने वाले स्टोकेस्टिक गेम (repeated stochastic game) पर केंद्रित है: एक मार्केट मेकर (जो तरलता/मूल्य प्रभाव को नियंत्रित करता है) और एक मार्केट टेकर (जो व्यापार मात्रा चुनता है)। एजेंट गैर-ऋणात्मक नकदी और इन्वेंटरी के तहत कार्य करते हैं, जो शॉर्ट और लीवरेज्ड पोजीशन पर प्रतिबंध लगाते हैं।

कार्यप्रणाली
लेखक बाजार को दो-खिलाड़ी, जनरल-सम मार्कव गेम (general-sum Markov game) के रूप में मॉडल करते हैं जहाँ कीमतें बाह्य मौलिक झटकों (exogenous fundamental shocks) और अंतर्जात मूल्य प्रभाव (endogenous price impact) के माध्यम से विकसित होती हैं।

• मूल्य गतिशीलता (Price Dynamics): बाजार की कीमत $P_{t+1}$ को $(P_t + \delta_t)\epsilon_{t+1}$ के रूप में परिभाषित किया गया है, जहाँ $\delta_t$ व्यापार $Q_t$ का मूल्य प्रभाव है और $\epsilon_{t+1}$ एक i.i.d. बाह्य झटका है जिसका माध्य 1 है। मूल्य प्रभाव वर्ग-मूल विनिर्देश (square-root specification) का पालन करता है ($\delta_t \propto \sqrt{|Q_t|}$), जो एक मानक अनुभवजन्य निष्कर्ष है।
• एजेंट के उद्देश्य: दोनों एजेंट अपने मार्क-टू-मार्केट धन ($W_t = \text{नकदी} + P_t \times \text{इन्वेंटरी}$) में अपेक्षित वृद्धि को अधिकतम करते हैं। अध्ययन दोनों प्रकार के उद्देश्यों का विश्लेषण करता है: मायोपिक (myopic - एक-चरणीय धन वृद्धि को अधिकतम करना) और दूरदर्शी (farsighted - अनंत-क्षितिज औसत लॉग-धन को अधिकतम करना)।
• रणनीति पैरामीटराइजेशन (Strategy Parameterization): सीखने की समस्या को सुलभ बनाने के लिए, लेखक रणनीतियों के लो-डायमेंशनल पैरामीटराइजेशन को पेश करते हैं। यह बाह्य झटकों को अंतर्जात मूल्य प्रभाव से अलग करता है और एंडोजेनस क्षमता सीमाओं के अंश के रूप में व्यापार मात्रा को परिभाषित करके व्यवहार्यता (नकदी और इन्वेंटरी बाधाओं का पालन) सुनिश्चित करता है।
• गेम डिकंपोजिशन (Game Decomposition): एक केंद्रीय विश्लेषणात्मक चरण एजेंटों के उपयोगिता कार्यों (utility functions) को दो घटकों में विभाजित करना है:
  1. एक प्रतिस्पर्धी घटक (जीरो-सम), जो शून्य मूल्य प्रभाव का पक्ष लेता है।
  2. एक सहयोगात्मक घटक (पोटेंशियल गेम), जहाँ उच्च कीमतें दोनों एजेंटों के कुल पोर्टफोलियो मूल्य को बढ़ाती हैं, बशर्ते कि कुल इन्वेंटरी सकारात्मक हो।
• लर्निंग डायनेमिक्स: पेपर विश्लेषण करता है कि क्या सरल स्टोकेस्टिक लर्निंग डायनेमिक्स, विशेष रूप से प्रोजेक्टेड स्टोकेस्टिक ग्रेडिएंट एसेंट (PSGA), ओवरप्राइसिंग क्षेत्रों की ओर अभिसरण (converge) करते हैं। यह निरंतर ओवरप्राइसिंग के क्षेत्र में परिमित-समय अभिसरण (finite-time convergence) को सिद्ध करने के लिए एक "स्टोकेस्टिक प्रोग्रेस कंडीशन" स्थापित करता है।

प्रमुख योगदान

1. व्यवहार्य ओवरप्राइसिंग का लक्षण वर्णन: लेखक उन रणनीति प्रोफाइल्स के सेट को परिभाषित और लक्षणित करते हैं जो व्यवहार्य (नकदी/इन्वेंटरी बाधाओं का सम्मान करने वाले) और निरंतर ओवरप्राइसिंग उत्पन्न करने वाले दोनों हैं। वे एक "ओवरप्राइसिंग स्ट्रेंथ कोएफिशिएंट" ($\mu_\pi$) पर आधारित एक आवश्यक और पर्याप्त शर्त व्युत्पन्न करते हैं, जो दर्शाता है कि ओवरप्राइसिंग तब होती है जब $\mu_\pi > 0$ हो।
2. रणनीतिक अपघटन और प्रोत्साहन: पेपर प्रदर्शित करता है कि सीखने के प्रोत्साहनों में एक संरचनात्मक सहयोगात्मक घटक होता है। जब कुल इन्वेंटरी सकारात्मक होती है, तो उच्च कीमतें मेकर और टेकर दोनों के धन को संयुक्त रूप से बढ़ाती हैं। यह एक प्रोत्साहन संरेखण (incentive alignment) बनाता जहाँ विकेंद्रीकृत शिक्षण स्वाभाविक रूप से ओवरप्राइसिंग क्षेत्र की ओर झुक जाता है, भले ही एजेंट स्पष्ट रूप से मिलीभगत न कर रहे हों।
3. परिमित-समय अभिसरण (Finite-Time Convergence): लेखक सिद्ध करते हैं कि अनुकूलित अपडेट के लिए जो स्टोकेस्टिक प्रोग्रेस कंडीशन को संतुष्ट करते हैं (PSGA के लिए सत्यापित), लर्निंग डायनेमिक्स उच्च संभावना के साथ परिमित समय में ओवरप्राइसिंग क्षेत्र तक पहुँच जाते हैं।
4. मायोपिक बनाम दूरदर्शी समानता: अध्ययन दिखाता है कि ओवरप्राइसिंग का प्रोत्साहन केवल मायोपिक नहीं है। अनंत-क्षितिज धन के लिए अनुकूलित एजेंटों को उन्हीं संरचनात्मक प्रोत्साहनों का सामना करना पड़ता है जो लालची मायोपिक एजेंटों को करते हैं और वे पैरामीटर स्पेस के समान ओवरप्राइसिंग क्षेत्र की ओर अभिसरण करते हैं।

परिणाम

• निरंतर ओवरप्राइसिंग: उन बाजारों में जहाँ शुद्ध आपूर्ति सकारात्मक है (कुल इन्वेंटरी $I > 0$), विकेंद्रीकृत शिक्षण निरंतर ओवरप्राइसिंग ($P_t \to \infty$ मौलिकों के सापेक्ष) की ओर ले जाता है यदि रणनीति पैरामीटर $\mu_\pi > 0$ को संतुष्ट करते हैं। इस शासन (regime) में, व्यापार की मात्रा शून्य की ओर अभिसरित होती है, लेकिन विनिमय की गई नकदी स्थिर रहती है, जिससे मूल्य विचलन (price divergence) होता है।
• शून्य-शुद्ध-आपूर्ति कंट्रास्ट: उन बाजारों में जहाँ कुल इन्वेंटरी शून्य है (जैसे प्रेडिक्शन मार्केट्स), सहयोगात्मक घटक लुप्त हो जाता है। गेम एक शुद्ध प्रतिस्पर्धी जीरो-सम गेम में बदल जाता है जहाँ अद्वितीय संतुलन में शून्य मूल्य प्रभाव और कोई मिसप्राइसिंग नहीं होती है।
• लर्निंग ट्रेजेक्टरीज: संख्यात्मक सिमुलेशन पुष्टि करते हैं कि विभिन्न व्यवहार्य कॉन्फ़िगरेशन से शुरू होने वाले एजेंट PSGA के तहत ओवरप्राइसिंग क्षेत्र की ओर अभिसरित होते हैं। सिमुलेशन दिखाते हैं कि ओवरप्राइसिंग रणनीतियाँ घटते व्यापार वॉल्यूम लेकिन निरंतर मूल्य वृद्धि की ओर ले जाती हैं, जबकि अंडरप्राइसिंग रणनीतियाँ घटते कैश फ्लो और शून्य की ओर मूल्य अभिसरण की ओर ले जाती हैं।

महत्व और दावे
पेपर एक "प्रूफ-ऑफ-कॉसेप्ट इंस्टेबिलिटी" का दावा करता है जो यह प्रदर्शित करता है कि सकारात्मक शुद्ध आपूर्ति वाले वित्तीय बाजारों में विकेंद्रीकृत शिक्षण निरंतर मूल्य विरूपण की ओर ले जा सकता है। इसका महत्व एक विशिष्ट संरचनात्मक प्रोत्साहन संरेखण—"द इनविजिबल हैंडशेक"—को अलग करने में निहित है, जहाँ व्यक्तिगत पोर्टफोलियो मूल्य को अधिकतम करने का लक्ष्य अनजाने में एक सहयोगात्मक गतिशीलता बनाता है जो ओवरप्राइसिंग को बनाए रखता है।

लेखक स्पष्ट रूप से कहते हैं कि मॉडल का उद्देश्य यह भविष्यवाणी करना नहीं है कि वास्तविक दुनिया की कीमतें अनिश्चित काल के लिए ऊपर की ओर बढ़ेंगी। बल्कि, यह एक विशिष्ट तंत्र को अलग करता है जहाँ, प्रति-बल बलों (countervailing forces) की अनुपस्थिति में (जिन्हें हटा दिया गया है), अनुकूलित एजेंट उन रणनीति क्षेत्रों की ओर अभिसरित हो सकते हैं जो ऊपर की ओर दबाव बनाए रखते हैं। परिणाम बताते हैं कि एल्गोरिद्मिक मिलीभगत और मूल्य विरूपण का जोखिम सकारात्मक-शुद्ध-आपूर्ति बाजारों में लर्निंग की संरचना के प्रति अंतर्निहित है, जो स्पष्ट समन्वय या स्टेज और रिपीटेड गेम्स के बीच बेमेल होने से अलग है।