Technische Samenvatting: Fout gespecificeerde Explore-then-Exploit leidt tot supra-concurrentiële prijzen

1. Probleemstelling

Het artikel onderzoekt of eenvoudige, modelgebaseerde algoritmische prijsbepalingssystemen systematisch supra-concurrentiële prijzen (prijzen boven het Nash-evenwicht) kunnen genereren in markten met meerdere bedrijven, waarbij ze mogelijk collusie nabootsen zonder expliciete communicatie of complexe versterkingsleerstrategieën.

Hoewel bestaande literatuur (bijv. Calvano et al., 2020) aantoont dat complexe Q-learning-agenten collusie kunnen handhaven via beloning-en-straf-dynamieken, zijn deze mechanismen vaak rekenkundig intensief en gevoelig voor hyperparameterafstelling. Daarentegen hanteren veel bedrijven eenvoudigere "schat-then-optimaliseer"-pijplijnen: ze schatten een vraagcurve op basis van historische gegevens en stellen prijzen myopisch vast om de voorspelde omzet te maximaliseren. Een kritiek kenmerk van deze praktische systemen is fout specificatie: bedrijven schatten doorgaans een vraagcurve in monopolievorm met behulp van alleen hun eigen prijs- en verkoopgeschiedenis, waarbij ze de prijzen van concurrenten negeren.

De centrale vraag is of deze specifieke combinatie van een explore-then-exploit-beleid en een fout gespecificeerd vraagmodel kan leiden tot robuust supra-concurrentiële uitkomsten. Eerder werk van Cooper et al. (2015) suggereerde dat bij pure exploitatie met fout gespecificeerde modellen, de limietprijzen sterk pad-afhankelijk en onvoorspelbaar zijn, en volledig afhankelijk van de beginvoorwaarden. Dit artikel betoogt dat het introduceren van een initiële explore-fase met onafhankelijke willekeurige prijzen deze onvoorspelbaarheid oplost, wat leidt tot systematische convergentie naar supra-concurrentiële niveaus onder goed gedefinieerde voorwaarden.

2. Methodologie

Modelopzet

De auteurs analyseren een concurrerende markt met $N$ symmetrische bedrijven over $T$ tijdsperioden onder een lineair vraagmodel met idiosyncratische schokken. De bedrijven volgen een twee-fasenbeleid:

1. Explore-fase ($t \le K$): Bedrijven plaatsen prijzen die onafhankelijk worden getrokken uit een verdeling met gemiddelde $\mu_i$ en covariantie $\Sigma_{exp}$.
2. Exploit-fase ($t > K$): Bedrijven hanteren een myopische schat-then-optimaliseer-regel. In elke periode past bedrijf $i$ een lineaire vraagcurve $q(p) = \alpha + \beta p$ aan met behulp van Kleinste-Kwadraten (OLS) op zijn eigen historische prijs-quantiteitsgegevens. Cruciaal is dat dit model de prijzen van concurrenten negeert. Het bedrijf stelt vervolgens de volgende prijs vast om de voorspelde winst te maximaliseren op basis van deze aangepaste curve.

Analytisch Kader: Vloeistoflimiet en ODE

Om het langetermijngedrag te analyseren, beschouwen de auteurs een vloeistof-schaalregime waarbij zowel de explore-horizon $K$ als de exploit-horizon $T$ groot worden, met hun verhouding $(K+T)/K \to \alpha$.

• Convergentie: Het stochastische prijsbepalingsproces blijkt te convergeren naar een deterministische limiet die wordt beschreven door een prijs-momenten Gewone Differentiaalvergelijking (ODE).
• Staatvariabelen: De ODE volgt de lopende prijsgemiddelden $U(t)$ en de geaccumuleerde prijscovarianties $V(t)$ voor alle bedrijven.
• Mechanisme: De ODE onthult dat de fout specificatie een vertekening introduceert. Wanneer de historische prijzen van bedrijven positief gecorreleerd zijn met de prijzen van concurrenten (gevangen in de niet-diagonale termen in $V(t)$), lijdt de OLS-schatter aan een verzuimde-variabele vertekening, wat ertoe leidt dat bedrijven prijzen vaststellen die hoger zijn dan het ware beste antwoord.

Theoretische Hulpmiddelen

• Beste-Antwoord Kegels: De auteurs definiëren gebieden in de ruimte van explore-gemiddelden ($\mu$) die "beste-antwoord kegels" worden genoemd ($C^+$ en $C^-$). Deze gebieden karakteriseren explore-profielen waarbij, als bedrijven het beste antwoord zouden geven op het gemiddelde explore-prijsniveau van concurrenten, alle bedrijven hun prijzen in dezelfde richting zouden aanpassen.
• Invariant Analyse: Het bewijs berust op het vaststellen dat, zodra het systeem een kegel betreedt, het gat tussen geplaatste prijzen en historische gemiddelden een consistente teken behoudt (bijv. prijzen blijven boven de historische gemiddelden in de onderste kegel), wat leidt tot aanhoudende positieve kruiscovarianties en een opwaartse prijsvertrekking.

3. Belangrijkste Bijdragen en Resultaten

1. Karakterisering van Supra-concurrentiële Convergentie

Het primaire theoretische resultaat (Stelling 3.2) stelt vast dat als de explore-gemiddelden $\mu$ van de bedrijven binnen de beste-antwoord kegels liggen, de limietprijzen strikt supra-concurrentieel zijn.

• Bovenste Kegel ($C^+$): Als bedrijven exploreren met prijzen boven hun beste antwoorden, ontstaan supra-concurrentiële prijzen direct.
• Onderste Kegel ($C^-$): Als bedrijven exploreren onder hun beste antwoorden, stijgen de prijzen uiteindelijk na een eindige wachttijd naar supra-concurrentiële niveaus.
• Betekenis: Dit staat in contrast met Cooper et al. (2015), waarbij uitkomsten onvoorspelbaar waren. Hier creëert de introductie van explore een "aantrekkingsbekken" voor hoge prijzen.

2. Kwantificering van Prijsgaten

Onder symmetrische explore (alle bedrijven exploreren met hetzelfde gemiddelde prijsniveau $s$) bieden de auteurs een scherpe karakterisering van de uiteindelijke prijs (Stelling 3.3):

• Als $s$ ligt tussen de Nash-prijs ($p_{NE}$) en de monopolieprijs ($p_{MNP}$), convergeert de limietprijs naar $s$.
• Als $s$ onder $p_{NE}$ of boven $p_{MNP}$ ligt, convergeert de limietprijs naar de monopolieprijs (of de afgekapte monopolieprijs).
• Resultaat: Dit toont aan dat het prijsgat boven het Nash-niveau aanzienlijk kan zijn, en potentieel monopolieniveaus kan bereiken, afhankelijk van de explore-strategie.

3. Kans op Betreden van het "Collusieve" Gebied

Het artikel behandelt de waarschijnlijkheid dat bedrijven natuurlijk in deze supra-concurrentiële regimes terechtkomen:

• Duopolie ($N=2$): De beste-antwoord kegels beslaan ten minste een kwart van de realiseerbare prijsruimte. Bovendien zijn de dynamieken zodanig dat limietpunten natuurlijk in deze kegels vallen (Propositie 3.1).
• Algemeen $N$: Onder een "willekeurige interval-prior" (waarbij de explore-gemiddelden van bedrijven clusteren rond een gemeenschappelijk lokaal bandje), is de kans om in een supra-concurrentiële kegel te landen ten minste $1/4$ en neemt deze toe met het aantal bedrijven $N$ (Propositie 3.2). Dit suggereert dat geclusterde explore, wat gebruikelijk is in echte markten, supra-concurrentiële uitkomsten robuust waarschijnlijk maakt.

4. Empirische Validatie via Simulatie

De auteurs valideren hun theoretische bevindingen met simulaties die zijn gekalibreerd op de huurmarkt voor meergezinswoningen in Groot-Boston (met behulp van gegevens van Calder-Wang en Kim, 2024).

• Robuustheid: De supra-concurrentiële uitkomsten blijven bestaan onder realistische omstandigheden, waaronder eindige horizons, heterogene producten, niet-lineaire logit-vraag en product-specifieke kosten.
• Snelheid: De simulaties tonen aan dat supra-concurrentiële huren snel ontstaan (binnen de eerste 50 exploitperioden) en geen asymptotische tijds horizons vereisen.
• Patroon: De U-vormige relatie tussen explore-gemiddelden en uiteindelijke prijzen (voorspeld door Stelling 3.3) wordt waargenomen: prijzen zijn verhoogd wanneer explore geclusterd is weg van het Nash-benchmark aan beide kanten.

4. Betekenis en Beweringen

Het artikel beweert aan te tonen dat supra-concurrentiële prijsbepaling een robuust kenmerk is van eenvoudige, wijdverspreide algoritmische prijsbepalingssystemen, en niet slechts een artefact van complexe versterkingsleer of expliciete collusie.

• Mechanisme: Het mechanisme vereist geen strafstrategieën, communicatie of geleerde bedreigingen. Het ontstaat in plaats daarvan uit de interactie tussen explore en fout specificatie. De explore-fase initialiseert een correlatiestructuur in prijsgeschiedenissen; het fout gespecificeerde model interpreteert deze correlatie verkeerd als een vraagsignaal, wat leidt tot een aanhoudende opwaartse vertekening in prijsbepaling.
• Beleidimplicatie: De bevindingen suggereren dat regelgevers en marktpartijen zich zorgen moeten maken over "naïeve" algoritmische prijsbepalingspijplijnen die concurrentgegevens negeren. Zelfs zonder kwaadaardige intentie of geavanceerde AI kan de standaard "schat-then-optimaliseer"-aanpak systematisch prijzen boven concurrentiële niveaus duwen.
• Theoretische Bijdrage: Het artikel overbrugt de kloof tussen de theoretische onvoorspelbaarheid van fout gespecificeerde leer (Cooper et al., 2015) en de empirische realiteit van algoritmische collusie door aan te tonen dat het opnemen van een explore-fase een deterministisch pad creëert naar supra-concurrentiële evenwichten.

De auteurs blijven bescheiden wat betreft de reikwijdte, en merken op dat hun analytische resultaten afhankelijk zijn van lineaire vraag en symmetrische bedrijven, maar hun simulaties bevestigen dat de kwalitatieve effecten zich uitstrekken tot complexere, realistischere marktomgevingen.