💻 computer science

Learning to Strategically Acquire Resources in Competition

यह शोध पत्र बहु-एजेंटों द्वारा समय के साथ महंगी विभाज्य संसाधनों को प्राप्त करने के लिए प्रतिस्पर्धा करने हेतु एक नवीन गेम-थ्योरेटिक मॉडल प्रस्तावित करता है, जो आंशिक सूचना के तहत बेयसियन नैश इक्विलिब्रिया (Bayesian Nash equilibria) के अस्तित्व और कुशल गणनाशीलता को स्थापित करता है, बिना किसी सामान्य पूर्व धारणा (common prior) के लर्निंग डायनेमिक्स के अभिसरण (convergence) की शर्तों को सिद्ध करता है, और वास्तविक वित्तीय डेटा पर सिमुलेशन के माध्यम से इन निष्कर्षों को मान्य करता है।

मूल लेखक: Safwan Hossain, Mirah Shi, Andrew Bennett, Neil Andrew Chriss, Michael Kearns, Anderson Schneider, Yuriy Nevmyvaka

प्रकाशित 2026-06-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Safwan Hossain, Mirah Shi, Andrew Bennett, Neil Andrew Chriss, Michael Kearns, Anderson Schneider, Yuriy Nevmyvaka

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक हलचल भरे बाज़ार की कल्पना करें जहाँ हर कोई एक ही चीज़ खरीदने या बेचने की कोशिश कर रहा है—जैसे कि किसी स्टॉक के शेयर या क्लाउड कंप्यूटिंग पावर के घंटे। पेच यह है कि कीमत तय नहीं है। यह हर सेकंड बदलती रहती है, इस आधार पर कि कितने लोग खरीद या बेच रहे हैं। यदि बहुत से लोग एक साथ खरीदने की कोशिश करते हैं, तो कीमत बढ़ जाती है। यदि वे सभी बेचने लगते हैं, तो यह गिर जाती है।

यह शोध पत्र इस खेल को खेलने का सबसे अच्छा तरीका खोजने के बारे में है जब आप अन्य चतुर और रणनीतिक खिलाड़ियों के खिलाफ प्रतिस्पर्धा कर रहे हों, जो खुद भी सबसे अच्छी डील पाने की कोशिश कर रहे हैं।

यहाँ उनके विचारों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: ट्रेडिंग का "ट्रैफिक जाम"

कल्पना करें कि आपको एक पैकेज डिलीवर करने के लिए एक भारी ट्रक लेकर शहर के पार जाना है। यदि आप अकेले गाड़ी चलाते हैं, तो आप सबसे तेज़ रास्ता ले सकते हैं। लेकिन यदि 100 अन्य ट्रक भी एक ही समय में वही करने की कोशिश कर रहे हैं, तो आप ट्रैफिक जाम पैदा कर देते हैं। आपका ड्राइविंग दूसरों के ट्रैफिक को प्रभावित करता है, और ट्रैफिक आपकी गति (और ईंधन की लागत) को प्रभावित करता है।

वित्त (finance) और कंप्यूटिंग में, इसे मार्केट इम्पैक्ट (market impact) कहा जाता है। यदि आप बहुत बड़ी मात्रा में किसी संपत्ति को जल्दी से खरीदने की कोशिश करते हैं, तो आप कीमत को ऊपर धकेल देते हैं, जिससे आपकी अपनी खरीद महंगी हो जाती है। यह शोध पत्र देखता है कि कई "ट्रकों" (ट्रेडर्स) को अपने रूट (ट्रेडिंग शेड्यूल) कैसे चलाने चाहिए जब वे जानते हैं कि बाकी सभी भी ऐसा ही कर रहे हैं।

2. पुराना तरीका बनाम नया तरीका

पिछले अध्ययनों ने इसे हल करने की कोशिश की थी, लेकिन उनके पास कुछ अवास्तविक नियम थे:

"पूर्ण ज्ञान" की धारणा (The "Perfect Knowledge" Assumption): उन्होंने माना कि प्रत्येक ट्रेडर जानता था कि दूसरे क्या सोच रहे हैं और क्या योजना बना रहे हैं। वास्तविक जीवन में, आप नहीं जानते कि आपका प्रतिस्पर्धी एक घबराया हुआ नौसिखिया है या एक शांत विशेषज्ञ।
"निश्चित लक्ष्य" की धारणा (The "Fixed Goal" Assumption): उन्होंने माना कि हर कोई बस एक निश्चित संख्या में शेयर यथासंभव सस्ते में खरीदना चाहता है। वास्तव में, कुछ ट्रेडर बहुत अधिक खरीदना चाहते हैं, कुछ थोड़ा, और कुछ को कुल लागत के बजाय इस बात की अधिक परवाह हो सकती है कि वे कब खरीदते हैं।

इस शोध पत्र का नया मॉडल वास्तविक जीवन के अधिक करीब है:

छिपे हुए कार्ड (Hidden Cards): ट्रेडर्स के पास "निजी जानकारी" (जैसे उनका अपना बजट या तात्कालिकता) होती है जो दूसरे नहीं देख सकते। वे केवल इस बात के सामान्य अनुमानों को जानते हैं कि दूसरे क्या कर रहे होंगे।
लचीले लक्ष्य (Flexible Goals): ट्रेडर्स के अलग-अलग लक्ष्य हो सकते हैं। कुछ लागत कम करना चाहते हैं, कुछ एक विशिष्ट लक्ष्य के आधार पर लाभ को अधिकतम करना चाहते हैं, और कुछ के सख्त नियम होते हैं (जैसे "शॉर्ट सेलिंग न करना")।

3. "परफेक्ट प्ले" (जब सभी नियम जानते हों)

सबसे पहले, लेखकों ने पूछा: "यदि सभी खेल के सामान्य नियमों (विभिन्न परिदृश्यों की संभावना) को जानते हैं, तो एक आदर्श रणनीति क्या है?"

उन्होंने सिद्ध किया कि सभी के खेलने का एक अद्वितीय, पूर्ण तरीका है। यह एक शहर में हर ड्राइवर के लिए सबसे अच्छे मार्ग को खोजने जैसा है जो एक साथ सभी के लिए ट्रैफिक जाम से बचता है। उन्होंने यह भी दिखाया कि कंप्यूटर इस "परफेक्ट प्ले" की गणना अपेक्षाकृत तेज़ी से कर सकते हैं।

उन्होंने प्राइस ऑफ एनार्की (Price of Anarchy) को भी देखा। कल्पना करें कि एक परिदृश्य है जहाँ हर कोई अपने लिए सबसे अच्छी डील पाने के लिए स्वार्थी रूप से खेलता है। समूह के लिए कुल परिणाम सहयोग करने की तुलना में कितना खराब हो जाता है?

निष्कर्ष: कुछ जटिल स्थितियों में (जहाँ कुछ लोग खरीद रहे हैं और अन्य एक-दूसरे को बेच रहे हैं), "स्वार्थी" परिणाम समूह के लिए बहुत बुरा हो सकता है। हालाँकि, यदि हर कोई एक ही चीज़ करने की कोशिश कर रहा है (जैसे कि सभी खरीदने की कोशिश कर रहे हैं), तो स्वार्थी परिणाम वास्तव में काफी कुशल होता है।

4. "सीखने" वाला भाग (जब आप नियम नहीं जानते)

यह इस शोध पत्र का सबसे व्यावहारिक हिस्सा है। वास्तविक दुनिया में, आप दूसरों के क्या करने की "संभावनाओं" को नहीं जानते। आपको करते-करते सीखना पड़ता है।

लेखकों ने एक एल्गोरिदम (निर्देशों का एक सेट) बनाया है जो ट्रेडर्स को समय के साथ सीखने की अनुमति देता है।

सेटअप: ट्रेडर्स खेल को बार-बार खेलते हैं। प्रत्येक दौर के बाद, वे मूल्य इतिहास (price history) देखते हैं और एक मोटा अनुमान लगाते हैं कि उनके ट्रेडिंग ने बाजार को कितना प्रभावित किया।
सीखना: उन्हें पहले से बाजार की सटीक गणित जानने की आवश्यकता नहीं है। वे बस पिछली बार जो हुआ उसके आधार पर अपनी रणनीति को समायोजित करते हैं।
परिणाम: यह शोध पत्र सिद्ध करता है कि यदि सभी इस सीखने की विधि का उपयोग करते हैं, तो उनकी रणनीतियाँ अंततः उस "परफेक्ट प्ले" (इक्विलिब्रियम) से मेल खा जाएंगी जिसका वर्णन पहले किया गया है। भले ही उनके बाजार के अनुमान थोड़े गलत हों, फिर भी वे एक बहुत अच्छे समाधान की ओर बढ़ेंगे।

5. वास्तविक दुनिया का परीक्षण

यह सुनिश्चित करने के लिए कि यह केवल कागज़ पर गणित नहीं है, उन्होंने विदेशी मुद्रा बाजार (कनाडाई डॉलर के बदले अमेरिकी डॉलर का व्यापार) से वास्तविक डेटा का उपयोग करके इसका परीक्षण किया।

उन्होंने यह अनुमान लगाया कि वास्तविक ट्रेडिंग वॉल्यूम के आधार पर कीमतें वास्तव में कैसे चलती हैं।
उन्होंने इन वास्तविक नंबरों के साथ खेल का अनुकरण (simulate) किया।
परिणाम: लर्निंग एल्गोरिदम अविश्वसनीय रूप से अच्छा काम करता है। कंप्यूटर ने जो रणनीतियाँ 500 दौरों में "सीखीं", वे पहले से गणना की गई गणितीय रूप से पूर्ण रणनीतियों के लगभग समान थीं।

सारांश उपमा

इस शोध पत्र को एक ऐसे ड्राइवरों के समूह के गाइड के रूप में सोचें जो बिना ट्रैफिक लाइट वाले शहर में नेविगेट करने की कोशिश कर रहे हैं, जहाँ सड़क की चौड़ाई इस आधार पर बदलती है कि कितने कारें मौजूद हैं।

सिद्धांत: उन्होंने गणितीय रूप से पूर्ण ड्राइविंग पैटर्न निकाला यदि सभी शहर के लेआउट को जानते हों।
सीखना: उन्होंने ड्राइवरों के लिए एक तरीका बनाया जिससे वे बिना किसी मानचित्र के, बार-बार रूट पर गाड़ी चलाकर और यह देखकर सीख सकें कि ट्रैफिक जाम कहाँ बनता है।
प्रमाण: उन्होंने वास्तविक ट्रैफिक डेटा का उपयोग करके एक सिमुलेशन के माध्यम से परीक्षण किया और दिखाया कि ड्राइवर तेज़ी से इस तरह से गाड़ी चलाना सीख गए जिससे सभी के लिए ट्रैफिक कम हो गया।

यह शोध पत्र निष्कर्ष निकालता है कि एक अराजक, प्रतिस्पर्धी वातावरण में भी, जहाँ सभी अपने वास्तविक इरादों को छिपा रहे हैं, खेलने का एक स्थिर और कुशल तरीका मौजूद है, और एजेंट अनुभव के माध्यम से इसे खोजने के लिए सीख सकते हैं।

तकनीकी सारांश: प्रतिस्पर्धा में रणनीतिक रूप से संसाधनों के अधिग्रहण के लिए सीखना

समस्या की परिभाषा

यह कार्य एक ऐसी समस्या को संबोधित करता है जहाँ कई रणनीतिक एजेंट एक सीमित समय क्षितिज $T$ के दौरान लागतपूर्ण, विभाज्य संसाधनों (जैसे, वित्तीय संपत्ति, क्लाउड कंप्यूट) को प्राप्त करने के लिए प्रतिस्पर्धा करते हैं। व्यक्तिगत अनुकूलन समस्याओं के विपरीत, जहाँ एजेंट अलगाव में निष्पादन लागत को कम करते हैं, इस सेटिंग में अंतर-एजेंट रणनीतिक व्यवहार शामिल है जहाँ कुल व्यापारिक गतिविधि अंतर्जात रूप से बाजार की कीमतों और तरलता को प्रभावित करती है।

मुख्य चुनौती तीन कारकों के संगम में निहित है:

गतिशील मूल्य निर्धारण (Dynamic Pricing): कीमतें कुल मांग/आपूर्ति असंतुलन के प्रति प्रतिक्रिया देती हैं, जिसे स्थायी और अस्थायी मार्केट इम्पैक्ट (market impact) के माध्यम से मॉडल किया गया है।
विषम बाधाएं और उद्देश्य (Heterogeneous Constraints and Objectives): एजेंट उत्तल बाधाओं (convex constraints) का सामना करते हैं (जैसे, शॉर्ट-सेलिंग न करना, इन्वेंट्री सीमाएँ) और उनके उद्देश्य विविध हो सकते हैं, जो एक निश्चित लक्ष्य स्थिति प्राप्त करने से लेकर उनकी अंतिम स्थिति के सामान्य अवतल उपयोगिता फलन (concave utility function) को अधिकतम करने तक हो सकते हैं।
सूचना विषमता (Information Asymmetry): एजेंट अक्सर बाजार के मापदंडों (इम्पैक्ट गुणांक, बाह्य प्रवाह) और अन्य प्रतिभागियों के प्रकारों (बाधाओं/मूल्यांकनों) के संबंध में अपूर्ण जानकारी के साथ काम करते हैं। महत्वपूर्ण रूप से, यह शोध उन सेटिंग्स की जांच करता है जहाँ एजेंटों के पास इन अज्ञातताओं पर कोई साझा पूर्व वितरण (common prior distribution) नहीं होता है, जिससे बार-बार होने वाली अंतःक्रियाओं से सीखना आवश्यक हो जाता है।

कार्यप्रणाली

गेम-थ्योरेटिक मॉडल (Game-Theoretic Model)

लेखक एक बेयसियन गेम इंस्टेंस को औपचारिक रूप करते हैं जो निम्नलिखित द्वारा अभिलक्षित है:

बाजार गतिशीलता (Market Dynamics): एक मूल्य मॉडल जो अल्मग्रेन और क्रिस (2000) के ढांचे का विस्तार करता है। समय $t$ पर कीमत $p_t$ एक वालरशियन डायनेमिक घटक (स्थायी प्रभाव, गुणांक $\alpha$ ) और एक अस्थायी प्रभाव घटक (गुणांक $\beta$ ) द्वारा निर्धारित होती है, जो कुल अतिरिक्त मांग $D_t = \sum h_{i,t} + s_t$ द्वारा संचालित होती है।
एजेंट प्रकार (Agent Types): प्रत्येक एजेंट $i$ के पास एक निजी प्रकार $\theta_i$ होता है जो उनके व्यवहार्य रणनीति सेट $G_i(\theta_i)$ और वैल्यू फंक्शन $f_i$ को निर्धारित करता है। प्रकार विविक्त (discrete) या निरंतर (continuous) हो सकते हैं।
रणनीतियाँ (Strategies): एक रणनीति एजेंट के प्रकार से ट्रेडिंग प्रक्षेपवक्र (trading trajectory) $h_i: \Theta_i \to \mathbb{R}^T$ के मानचित्रण (mapping) की एक मैपिंग है। लेखक बाउंडेडनेस और लिप्सचिट्ज़ निरंतरता (Lipschitz continuity) सुनिश्चित करने के लिए $(B, L)$ -रेगुलर रणनीति स्थानों को परिभाषित करते हैं, जो सीखने की क्षमता को सुगम बनाता है।

साझा पूर्व (Common Prior) के साथ विश्लेषण (अनुभाग 3)

उस सेटिंग में जहाँ सभी एजेंट प्रकारों और बाजार मापदंडों पर एक साझा पूर्व वितरण $P$ साझा करते हैं:

अस्तित्व और विशिष्टता (Existence and Uniqueness): लेखक स्थापित करते हैं कि एक अद्वितीय बेयसियन नैश इक्विलिब्रियम (BNE) मौजूद है। इसे फंक्शन स्पेस $L_2(P)$ में एक वेरिएशनल इनइक्वालिटी (variational inequality) के रूप में प्रस्तुत करके सिद्ध किया गया है। इस इनइक्वालिटी को नियंत्रित करने वाला ऑपरेटर 'स्ट्रॉन्गली मोनोटोन' (strongly monotone) दिखाया गया है, जो एक अद्वितीय, नियत समाधान सुनिश्चित करता है।
गणना योग्यता (Computability): BNE को एक्स्ट्रा-ग्रेडिएंट एल्गोरिदम (कोर्पेलेविच, 1976) का उपयोग करके कुशलतापूर्वक गणना किया जा सकता है, जिसकी अभिसरण दर (convergence rate) ऑपरेटर के स्ट्रॉन्ग मोनोटोनिटी स्थिरांक और ऑपरेटर के लिप्सचिट्ज़ स्थिरांक पर निर्भर करती है।
एनालॉजी ऑफ एनेरी (Price of Anarchy - PoA): शोध पत्र BNE की दक्षता का विश्लेषण करता है। यह प्रदर्शित करता है कि सामान्य मामलों में (विशेष रूप से जब एजेंट विपरीत दिशाओं में व्यापार करते हैं) PoA असीमित हो सकता है। हालांकि, उन उदाहरणों के लिए जहाँ सभी एजेंट एक ही दिशा में व्यापार करते हैं (जैसे, सभी खरीद रहे हैं), PoA $O(n^2 T^2 \gamma^2)$ द्वारा सीमित है, जहाँ $\gamma$ स्थायी और कुल मार्केट इम्पैक्ट के अनुपात से संबंधित है।

साझा पूर्व के बिना सीखना (Learning without Common Prior) (अनुभाग 4)

शोध पत्र इस ढांचे को एक अधिक यथार्थवादी सेटिंग में विस्तारित करता है जहाँ एजेंटों के पास पूर्व $P$ का कोई ज्ञान नहीं होता है और उन्हें बार-बार होने वाली अंतःक्रिया के माध्यम से सीखना होता है।

फीडबैक मॉडल (Feedback Model): एजेंट प्रत्येक दौर के अंत में वास्तविक मूल्य प्रक्षेपवक्र और अनुमानित मार्केट इम्पैक्ट गुणांकों ( $\hat{\alpha}, \hat{\beta}$ ) का अवलोकन करते हैं। वे सीधे कुल मांग या अन्य एजेंटों की क्रियाओं को नहीं देखते हैं।
एल्गोरिदम (Algorithm): लेखक एक लर्निंग प्रक्रिया प्रस्तावित करते हैं जो निम्नलिखित को जोड़ती है:
1. टाइप स्पेस डिस्क्रीटाइजेशन (Type Space Discretization): अनंत-आयामी रणनीति स्थानों को संभालने के लिए निरंतर प्रकार स्थानों को $\delta$ -नेट के माध्यम से अनुमानित किया जाता है।
2. बायस्ड ग्रेडिएंट एस्टीमेशन (Biased Gradient Estimation): एजेंट मूल्य डेटा और अनुमानित मापदंडों से कुल मांग को पुनर्रचना (reconstruct) करते हैं। यह ग्रेडिएंट अनुमानों में पूर्वाग्रह (bias) पेश करता है।
3. अनुकूली अपडेट (Adaptive Update): एल्गोरिदम इन बायस्ड ग्रेडिएंट्स और निरंतर प्रकार स्थानों को संभालने के लिए जॉर्डन एट अल. (2024) के अपडेट नियम को अनुकूलित करता है।
अभिसरण (Convergence): मुख्य सैद्धांतिक परिणाम (थ्योरम 4) सिद्ध करता है कि यदि सभी एजेंट एल्गोरिदम 1 का उपयोग करते हैं, तो उनकी 'लास्ट-इटरेट' (last-iterate) रणनीतियाँ एक $\epsilon$ -अनुमानित BNE की ओर अभिसरित होती हैं। त्रुटि सीमा दौरों की संख्या $R$ , मार्केट मापदंडों की अनुमान त्रुटि ( $\Delta_\alpha, \Delta_\beta$ ), और टाइप स्पेस की जटिलता पर निर्भर करती है।

मुख्य परिणाम

सैद्धांतिक गारंटी (Theoretical Guarantees):
- विशिष्टता: साझा पूर्व के साथ आंशिक सूचना के तहत भी BNE अद्वितीय और नियत (deterministic) है।
- अभिसरण: समवर्ती लर्निंग डायनेमिक्स (simultaneous learning dynamics) BNE में लास्ट-इटरेट में अभिसरित होते हैं, भले ही एजेंटों के पास साझा पूर्व का अभाव हो और वे मार्केट फीडबैक से प्राप्त शोर वाले, बायस्ड ग्रेडिएंट अनुमानों के साथ काम कर रहे हों।
- दक्षता सीमाएँ: जबकि सामान्य PoA असीमित है, विशिष्ट बाजार स्थितियाँ (एकदिशीय व्यापार) अक्षमता पर बहुपद (polynomial) सीमाएँ प्रदान करती हैं।
अनुभवजन्य सत्यापन (Empirical Validation):
- डेटा-संचालित सिमुलेशन: लेखकों ने मार्केट इम्पैक्ट मापदंडों ( $\alpha, \beta$ ) का अनुमान लगाने के लिए ड्यूकास्कोपी (Dukascopy) से वास्तविक फॉरेक्स डेटा (CAD/USD) का उपयोग करके एक बेयसियन गेम इंस्टेंस बनाया।
- इक्विलिब्रियम व्यवहार: सिमुलेशन प्रकट करते हैं कि जब अस्थायी प्रभाव ( $\beta$ ) कम होता है, तो एजेंट आर्बिट्राज-जैसे व्यवहार में संलग्न होते हैं (खरीदने से पहले कीमत को कम करने के लिए पहले बेचना)। जब $\beta$ उच्च होता है, तो रणनीतियाँ वॉल्यूम वेटेड एवरेज प्राइस (VWAP) निष्पादन शैली की ओर अभिसरित होती हैं, जो बाजार की मात्रा के अनुपात में व्यापार करती हैं।
- लर्निंग प्रदर्शन: ऑनलाइन लर्निंग सिमुलेशन में, एल्गोरिदम 1 द्वारा उत्पन्न रणनीतियाँ सैद्धांतिक BNE की ओर तेजी से अभिसरित हुईं, जिसमें मीन-स्क्वेर्ड एरर (MSE) सैद्धांतिक सीमाओं की तुलना में काफी तेजी से शून्य के करीब पहुँच गया।
रणनीतिक बनाम गैर-रणनीतिक अंतःक्रिया (Strategic vs. Non-Strategic Interaction):
- एक पूरक विश्लेषण (परिशिष्ट E) में, लेखकों ने रणनीतिक एजेंटों और एक निश्चित VWAP नियम का पालन करने वाले एजेंटों के मिश्रण वाले बाजारों का परीक्षण किया। उन्होंने पाया कि जबकि रणनीतिक एजेंट VWAP फॉलोअर्स का फायदा उठा सकते हैं (अपनी लागत कम करते हुए), गैर-रणनीतिक VWAP एजेंटों की उपस्थिति अक्सर पूर्णतः रणनीतिक बाजार की तुलना में कुल सिस्टम कल्याण (सभी लागतों के योग को कम करना) में सुधार करती है।

महत्व और दावे

यह शोध पत्र दावा करता है कि यह रणनीतिक संसाधन अधिग्रहण के लिए एक सामान्य गेम-थ्योरेटिक ढांचा प्रदान करता है जो अनुकूलतम निष्पादन और पोजीशन बिल्डिंग (जैसे, क्रिस, 2024a;b;c; कर्न और शी, 2025) के पिछले कार्यों को समाहित और विस्तारित करता है। इसके प्राथमिक योगदान हैं:

सामान्यीकरण (Generalization): यह किसी भी निश्चित लक्ष्य या पूर्ण जानकारी की आवश्यकता के बिना, मनमाने उत्तल बाधाओं, अवकल मान फलनों और अपूर्ण सूचना को समायोजित करता है, जो उन मॉडलों की सीमाओं को दूर करता है जिन्होंने निश्चित लक्ष्यों या पूर्ण जानकारी को माना था।
लर्निंग डायनेमिक्स: यह वास्तविक, शोर वाले मार्केट फीडबैक से सीखने वाले एजेंटों के लिए BNE में लास्ट-इटरेट अभिसरण के लिए पर्याप्त स्थितियों को प्रदान करके इक्विलिब्रियम विश्लेषण और व्यावहारिक लर्निंग के बीच के अंतर को पाटता है।
व्यावहारिक प्रासंगिकता: अपने सिमुलेशन को वास्तविक वित्तीय डेटा के आधार पर रखकर और अभिसरण को प्रदर्शित करके, यह कार्य नए अंतर्दृष्टि प्रदान करता है कि प्रतिस्पर्धी बाजारों में रणनीतिक व्यवहार कैसे उभरता है, विशेष रूप से मार्केट इम्पैक्ट मापदंडों के आधार पर आर्बिट्राज-संचालित रणनीतियों और VWAP-जैसे निष्पादन के बीच संक्रमण के बारे में।

लेखक मॉडल के दायरे के संबंध में विनम्रता बनाए रखते हैं, यह स्वीकार करते हुए कि मूल्य गतिशीलता शैलीबद्ध (linear/quadratic impact) है, और वास्तविक माइक्रोस्ट्रक्चर (लिमिट ऑर्डर बुक्स) को संक्षिप्त किया गया है। वे सुझाव देते हैं कि भविष्य के कार्य गैर-रेखीय इम्पैक्ट मॉडल और अधिक जटिल मल्टी-एजेंट सुदृढीकरण शिक्षण (RL) नीतियों का पता लगा सकते हैं जो इतिहास के बजाय पूर्व-निर्धारित प्रक्षेपवक्रों के अनुकूल गतिशील रूप से ढलती हैं।