기술적 요약: 오설정된 탐색-활용 정책은 초경쟁적 가격을 초래한다

1. 문제 제기

본 논문은 다수 기업 시장において, 단순한 모델 기반 알고리즘 가격 책정 시스템이 명시적 의사소통이나 복잡한 강화 학습 전략 없이도 경쟁적 균형 (내시 균형) 이상의 가격 (초경쟁적 가격) 을 체계적으로 생성할 수 있는지 조사한다.

기존 문헌 (예: Calvano et al., 2020) 은 복잡한 Q-러닝 에이전트가 보상과 처벌의 역학을 통해 담합을 유지할 수 있음을 보여주지만, 이러한 메커니즘은 종종 계산 집약적이며 하이퍼파라미터 튜닝에 민감하다. 반면, 많은 기업은 더 간단한 '추정 후 최적화 (estimate-then-optimize)' 파이프라인을 활용한다: 즉, 과거 데이터로부터 수요 곡선을 추정하고 예측 수익을 최대화하기 위해 단기적으로 가격을 설정한다. 이러한 실용적 시스템의 결정적 특징은 **오설정 (misspecification)**이다: 기업들은 일반적으로 경쟁사의 가격을 제외하고 자사의 가격과 판매 기록만을 사용하여 독점적 수요 곡선을 추정한다.

핵심 질문은 이러한 특정 조합인 탐색 후 활용 (explore-then-exploit) 정책과 오설정된 수요 모델이 견고한 초경쟁적 결과를 초래할 수 있는지 여부이다. Cooper et al. (2015) 의 이전 연구는 오설정된 모델을 사용한 순수 활용 하에서는 한계 가격이 초기 조건에 전적으로 의존하여 경로 의존적이고 예측 불가능하다고 제안했다. 본 논문은 초기 탐색 단계를 도입하여 독립적인 무작위 가격을 설정함으로써 이러한 예측 불가능성을 해결하며, 잘 정의된 조건 하에서 체계적인 초경쟁적 수렴을 이끈다고 주장한다.

2. 방법론

모델 설정

저자들은 선형 수요 모델과 고유한 충격 (idiosyncratic shocks) 하에서 $T$기간 동안 $N$개의 대칭적 기업이 경쟁하는 시장을 분석한다. 기업들은 두 단계 정책을 따른다:

1. 탐색 단계 ($t \le K$): 기업들은 평균 $\mu_i$와 공분산 $\Sigma_{exp}$을 갖는 분포에서 독립적으로 추출된 가격을 게시한다.
2. 활용 단계 ($t > K$): 기업들은 단기적인 추정 후 최적화 규칙을 적용한다. 각 기간에서 기업 $i$는 자신의 과거 가격 - 수량 데이터에 대해 최소제곱법 (OLS) 을 사용하여 선형 수요 곡선 $q(p) = \alpha + \beta p$를 적합시킨다. 결정적으로, 이 모델은 경쟁사의 가격을 포함하지 않는다. 기업은 이후 이 적합된 곡선을 기반으로 예측 이익을 최대화하는 다음 가격을 설정한다.

분석적 프레임워크: 유체 한계와 ODE

장기적 행동을 분석하기 위해 저자들은 탐색 기간 $K$와 활용 기간 $T$가 모두 커지며 그 비율 $(K+T)/K \to \alpha$가 되는 **유체 스케일링 체제 (fluid scaling regime)**를 고려한다.

• 수렴: 확률적 가격 책정 과정은 **가격 모멘트 상미분방정식 (ODE)**으로 설명되는 결정론적 한계로 수렴함이 입증된다.
• 상태 변수: ODE 는 모든 기업의 누적 가격 평균 $U(t)$와 누적 가격 공분산 $V(t)$를 추적한다.
• 메커니즘: ODE 는 오설정이 편향을 유발함을 보여준다. 기업들의 과거 가격이 경쟁사의 가격과 양의 상관관계를 가질 때 (이는 $V(t)$의 비대각 항으로 포착됨), OLS 추정량은 누락된 변수 편향을 겪게 되어 기업들이 실제 최적 반응보다 더 높은 가격을 설정하게 된다.

이론적 도구

• 최적 반응 원뿔 (Best-Response Cones): 저자들은 탐색 평균 ($\mu$) 공간에서 "최적 반응 원뿔"($C^+$ 및 $C^-$) 이라고 불리는 영역을 정의한다. 이 영역들은 경쟁사의 평균 탐색 가격에 대해 기업이 최적 반응을 보일 때, 모든 기업이 가격을 같은 방향으로 조정하는 탐색 프로파일을 특징짓는다.
• 불변성 분석: 증명은 시스템이 한 원뿔에 진입하면 게시된 가격과 과거 평균 간의 격차가 일관된 부호를 유지 (예: 하부 원뿔에서는 가격이 과거 평균보다 계속 높음) 하여 지속적인 양의 교차 공분산과 가격 상승 편향을 유도한다는 사실을 확립하는 데 의존한다.

3. 주요 기여 및 결과

1. 초경쟁적 수렴의 특성화

주요 이론적 결과 (정리 3.2) 는 기업들의 탐색 평균 $\mu$가 최적 반응 원뿔 내에 있을 경우, 한계 가격이 엄격하게 초경쟁적임을 확립한다.

• 상부 원뿔 ($C^+$): 기업들이 최적 반응보다 높은 가격에서 탐색하면, 초경쟁적 가격이 즉시 발생한다.
• 하부 원뿔 ($C^-$): 기업들이 최적 반응보다 낮은 가격에서 탐색하면, 가격은 유한한 대기 기간 후 초경쟁적 수준으로 상승한다.
• 의의: 이는 결과가 예측 불가능했던 Cooper et al. (2015) 와 대조된다. 여기서는 탐색의 도입이 고가 (高價) 를 위한 '끌림 영역 (basin of attraction)'을 생성한다.

2. 가격 격차의 정량화

대칭적 탐색(모든 기업이 동일한 평균 가격 $s$로 탐색) 하에서 저자들은 최종 가격을 명확하게 특성화한다 (정리 3.3):

• $s$가 내시 가격 ($p_{NE}$) 과 독점 가격 ($p_{MNP}$) 사이에 있으면, 한계 가격은 $s$로 수렴한다.
• $s$가 $p_{NE}$보다 낮거나 $p_{MNP}$보다 높으면, 한계 가격은 독점 가격 (또는 상한이 있는 독점 가격) 으로 수렴한다.
• 결과: 이는 탐색 전략에 따라 내시 가격 이상의 가격 격차가 상당할 수 있으며, 독점 수준에 도달할 수 있음을 보여준다.

3. "담합" 영역 진입 확률

본 논문은 기업들이 자연스럽게 이러한 초경쟁적 체제에 떨어질 가능성을 다룬다:

• 이중과점 ($N=2$): 최적 반응 원뿔은 실현 가능한 가격 공간의 최소 4 분의 1 을 차지한다. 또한, 역학상 한계점들이 자연스럽게 이러한 원뿔에 떨어지도록 설계되어 있다 (명제 3.1).
• 일반적인 $N$: "무작위 구간 사전 (random interval prior)"(기업들의 탐색 평균이 공통된 지역 대역 주위에 군집하는 경우) 하에서, 초경쟁적 원뿔에 도달할 확률은 최소 $1/4$이며 기업 수 $N$이 증가함에 따라 증가한다 (명제 3.2). 이는 실제 시장에서 흔한 군집형 탐색이 초경쟁적 결과를 견고하게 발생시킬 가능성을 시사한다.

4. 시뮬레이션을 통한 실증적 검증

저자들은 대보스턴 다세대 임대 시장 (Calder-Wang and Kim, 2024 의 데이터 사용) 에 맞춰 보정된 시뮬레이션을 사용하여 이론적 발견을 검증한다.

• 견고성: 초경쟁적 결과는 유한한 기간, 이질적인 제품, 비선형 로짓 수요, 제품별 비용 등 현실적인 조건 하에서도 유지된다.
• 속도: 시뮬레이션은 초경쟁적 초과이윤이 빠르게 (활용 기간 첫 50 기간 이내) 나타나며 점근적 시간 범위를 필요로 하지 않음을 보여준다.
• 패턴: 탐색 평균과 최종 가격 간의 U 자형 관계 (정리 3.3 에 의해 예측됨) 가 관찰된다: 탐색이 내시 기준점에서 어느 쪽으로든 멀리 군집할 때 가격이 상승한다.

4. 의의 및 주장

본 논문은 초경쟁적 가격 책정이 단순하고 광범위하게 배포된 알고리즘 가격 책정 시스템의 견고한 특징이며, 복잡한 강화 학습이나 명시적 담합의 부산물이 아님을 입증한다고 주장한다.

• 메커니즘: 이 메커니즘은 처벌 전략, 의사소통, 또는 학습된 위협을 필요로 하지 않는다. 대신 탐색과 오설정 간의 상호작용에서 비롯된다. 탐색 단계는 가격 기록에 상관관계 구조를 초기화하며, 오설정된 모델은 이러한 상관관계를 수요 신호로 오해하여 가격에 지속적인 상승 편향을 초래한다.
• 정책적 함의: 이 발견은 경쟁사 데이터를 무시하는 '순진한' 알고리즘 가격 책정 파이프라인에 대해 규제 당국과 시장 참여자들이 우려해야 함을 시사한다. 악의적 의도나 정교한 AI 없이도 표준적인 '추정 후 최적화' 접근법이 체계적으로 가격을 경쟁 수준 이상으로 끌어올릴 수 있다.
• 이론적 기여: 본 논문은 오설정된 학습의 이론적 예측 불가능성 (Cooper et al., 2015) 과 알고리즘 담합의 실증적 현실 사이의 간극을 메우며, 탐색 단계의 포함이 초경쟁적 균형으로 가는 결정론적 경로를 생성함을 보여준다.

저자들은 분석적 결과가 선형 수요와 대칭적 기업에 의존한다는 점을 지적하며 범위에 대해 겸손한 태도를 보이지만, 시뮬레이션을 통해 정성적 효과가 더 복잡하고 현실적인 시장 환경으로도 확장됨을 확인했다.