| Títol variant: |
Desafiant el model de Bertrand : com els algoritmes poden generar col·lusió tàcita en mercats oligopolístics |
| Títol variant: |
Challenging the Bertrand model : How algorithms can generate tacit collusion in oligopolistic markets |
| Data: |
2023 |
| Resum: |
Actualment, els algoritmes i la Intel·ligència Artificial estan adquirint molta importància en el context social gràcies a la seva aplicació en diversos àmbits que milloren substancialment l'eficiència i la productivitat de múltiples sectors econòmics, ja que són capaços d'ajudar o fins i tot de prendre decisions encertades de forma autònoma gràcies al seu gran poder de processament d'informació i l'anàlisi continu de decisions històriques. Un dels àmbits en què es pot aplicar aquest tipus de tecnologies és en l'establiment de preus mitjançant la monitorització dels moviments de les empreses competidores amb la finalitat d'establir aquell preu que maximitzi els beneficis. Si bé la utilització d'algoritmes o Intel·ligències Artificials és una estratègia legítima en quant a productivitat empresarial, també és cert que existeix literatura en aquest àmbit que afirma que els algoritmes fixadors de preus poden, o bé ajudar l'ésser humà a col·ludir, o bé propiciar de manera directa una restricció de la competència en aras de la maximització de beneficis en aprendre de forma autònoma (i sense ser una decisió de disseny) a col·ludir tàcitament sense que hi hagi acord o comunicació expressa entre algoritmes. El present text pretén desenvolupar tots els conceptes teòrics implícits en la col·lusió tàcita algorítmica, amb la finalitat de comprendre com un algoritme fixador de preus pot ser capaç d'aprendre a restringir la competència per compte propi, finalitzant amb l'assoliment d'un experiment econòmic computacional on es dissenya mitjançant Python un algoritme capaç de simular un duopoli de Bertrand en fixar simultàniament els preus establerts, emmagatzemant totes aquelles decisions preses per l'algoritme amb la finalitat de determinar si l'algoritme ha estat capaç d'aprendre a col·ludir tàcitament de forma automàtica i autònoma. |
| Resum: |
En la actualidad, los algoritmos e Inteligencias Artificiales están adquiriendo mucha importancia en el contexto social gracias a su aplicación en múltiples ámbitos que mejoran sustancialmente la eficiencia y productividad de múltiples sectores económicos, debido a que son capaces de ayudar o incluso de tomar decisiones acertadas de forma autónoma gracias a su gran poder de procesamiento de información y el análisis continuo de decisiones históricas. Uno de los ámbitos en los que se puede aplicar este tipo de tecnologías es en la fijación de precios mediante la monitorización de movimientos de las empresas competidores con el fin de establecer aquel precio maximizador de beneficios. Si bien la utilización de algoritmos o Inteligencias Artificiales es una estrategia legítima en cuanto a productividad empresarial, también es cierto que existe literatura en este ámbito que afirma que los algoritmos fijadores de precios pueden, o bien ayudar al ser humano a coludir, o bien a propiciar de manera directa una restricción de la competencia en aras de la maximización de beneficios al aprender de forma autónoma (y sin ser una decisión de diseño) a coludir tácitamente sin mediar acuerdo o comunicación expresa entre algoritmos. El presente texto pretende desarrollar todos los conceptos teóricos implícitos en la colusión tácita algorítmica, con el fin de comprender como un algoritmo fijador de precios puede ser capaz de aprender a restringir la competencia por su propia cuenta, finalizando en la consecución de un experimento económico computacional donde se diseña mediante Python un algoritmo capaz de simular un duopolio de Bertrand al fijar de forma simultánea los precios establecidos, almacenando todas aquellas decisiones tomadas por el algoritmo con el fin de determinar si el algoritmo ha sido capaz de aprender a coludir tácitamente de forma automática y autónoma. |
| Resum: |
Currently, algorithms and Artificial Intelligence are gaining significant importance in the social context due to their application in multiple fields that substantially improve the efficiency and productivity of various economic sectors. They are capable of assisting or even making accurate decisions autonomously, thanks to their powerful data processing and continuous analysis of historical decisions. An area where these technologies can be applied is in price setting through monitoring the movements of competing companies, aiming to establish the profit-maximizing price. While the use of algorithms or Artificial Intelligence is a legitimate strategy for business productivity, literature in this field suggests that price-setting algorithms can either assist humans in colluding or directly facilitate competition restriction for profit maximization by autonomously learning to collude tacitly, without any explicit agreement or communication between algorithms. This text aims to develop all the implicit theoretical concepts in algorithmic tacit collusion to understand how a price-setting algorithm can learn to restrict competition on its own. It concludes with the achievement of a computational economic experiment where a Python designed algorithm is capable of simulating a Bertrand duopoly by simultaneously setting prices and storing all the decisions made by the algorithm to determine if it has learned to collude tacitly automatically and autonomously. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Llengua: |
Castellà |
| Titulació: |
Grau en Administració i Direcció d'Empreses i Grau en Dret [2501572] |
| Pla d'estudis: |
Pla d'Estudis d'Administració i Direcció d'Empreses Dret [994] |
| Document: |
Treball final de grau ; Text |
| Matèria: |
Algoritme ;
Intel·ligència Artificial ;
Python ;
Bertrand ;
Col·lusió ;
Col·lusió tàcita ;
Paral·lelisme conscient ;
Markov ;
Aprenentatge automàtic ;
Aprenentatge per reforç ;
Q-learning ;
Algoritmo ;
Inteligencia Artificial ;
Colusión ;
Colusión tácita ;
Paralelismo consciente ;
Aprendizaje automático ;
Aprendizaje por refuerzo ;
Algorithm ;
Artificial Intelligence ;
Collusion ;
Tacit collusion ;
Conscious parallelism ;
Machine learning ;
Reinforcement learning |
visitant ::
identificació
