Bayesianisches Nash-Gleichgewicht
- Eingeführt von
- John Harsanyi
- Jahr
- 1967
- Typ
- algorithm
- Familie
- Game-theoretic
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Das Bayesianische Nash-Gleichgewicht (BNE) erweitert das Nash-Gleichgewicht auf Spiele mit unvollständiger Information, bei denen Spieler kein vollständiges Wissen über die Auszahlungsfunktionen der anderen haben.
Von John Harsanyi 1967 eingeführt, modelliert das BNE strategische Interaktion unter Unsicherheit, indem es unbekannte Auszahlungen als private Typen der Spieler darstellt, die aus einer Wahrscheinlichkeitsverteilung gezogen werden. Das Gleichgewicht wird gefunden, indem man nach typenabhängigen Strategien sucht, die die besten Antworten auf alle möglichen Typenrealisierungen sind.
Die Intuition hinter der Methode
In einem Bayesianischen Nash-Gleichgewicht besitzt jeder Spieler private Informationen über seine eigenen Auszahlungen (seinen „Typ“), und andere Spieler kennen lediglich eine Wahrscheinlichkeitsverteilung über die Typen. Anstatt sich auf eine einzelne Strategie festzulegen, legt sich jeder Spieler auf eine Regel fest, die angibt, welche Aktion für jeden möglichen Typ, den er sein könnte, zu ergreifen ist. Ein Gleichgewicht tritt ein, wenn die typenabhängige Strategie jedes Spielers die beste Antwort auf die Strategien aller anderen ist, unter Berücksichtigung der Unsicherheit darüber, welche Typen die anderen tatsächlich sind.
Geschichte
John Harsanyis Arbeiten von 1967-1968 revolutionierten die Spieltheorie, indem sie einen systematischen Rahmen für die Analyse von Spielen mit unvollständiger Information einführten. Seine Erkenntnis war, private Informationen als zufällige Ziehung von „Typen“ aus einem gemeinsamen Prior zu modellieren, wodurch Spiele mit vollständiger und unvollständiger Information vereinheitlicht wurden. Harsanyi teilte sich 1994 den Nobelpreis für Wirtschaftswissenschaften für diese grundlegende Arbeit, die für die Auktionstheorie, die Industrieökonomik und das Mechanismusdesign unverzichtbar wurde.
Wann wird sie eingesetzt?
Wenden Sie BNE an, wenn Spieler echter Unsicherheit über die Motivationen, Kosten oder Bewertungen der Gegner gegenüberstehen. Beispiele hierfür sind verdeckte Auktionen (Bieter kennen die Bewertungen der anderen nicht), Versicherungsmärkte (Versicherer kennen die Risikotypen der Antragsteller nicht) oder Verhandlungen, bei denen beide Parteien private Informationen haben. Verwenden Sie es, wenn Informationsasymmetrie für die strategische Interaktion grundlegend ist.
Grenzen und Hinweise
- Die Existenz und Berechnung von BNE ist oft schwierig, insbesondere bei großen Typenräumen oder kontinuierlichen Typen.
- Erfordert die Spezifikation von Vorannahmen und Typenverteilungen, die unbekannt oder umstritten sein können.
- Oft existieren mehrere Gleichgewichte, was Vorhersagen ohne Verfeinerung mehrdeutig macht.
- Berücksichtigt kein Lernen oder die Aktualisierung von Annahmen über wiederholte Interaktionen hinweg.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Modelliert realistische strategische Interaktion unter Unsicherheit über Präferenzen oder Auszahlungen des Gegners.
- Verallgemeinert das Nash-Gleichgewicht und reduziert sich darauf, wenn die Information vollständig ist.
- Ermöglicht die Analyse der Gleichgewichtsauswahl unter unvollständiger Information.
- Grundlage für Mechanismusdesign und optimale Auktionstheorie.
Anwendungen
- Auktionen: Analyse des Bietverhaltens bei verdeckten und offenen aufsteigenden Auktionen mit privaten Bewertungen.
- Versicherungsmärkte: Modellierung von adverser Selektion, wenn Versicherer unsicher über die Risikotypen der Antragsteller sind.
- Unternehmensfinanzierung: Analyse der Aktienpreise, wenn Manager private Informationen über die Fundamentaldaten des Unternehmens haben.
- Arbeitsmärkte: Modellierung von Lohnverhandlungen, wenn Arbeitgeber und Arbeitnehmer asymmetrische Informationen über die Produktivität haben.
So funktioniert es
So funktioniert es
Definieren Sie den Typenraum jedes Spielers (mögliche Auszahlungszustände) und die Wahrscheinlichkeitsverteilung über die Typenprofile.
Jeder Spieler hat Vorannahmen über die Typen der anderen, die in der gemeinsamen Wahrscheinlichkeitsverteilung kodiert sind; Spieler aktualisieren diese Annahmen mithilfe der Bayes-Regel, nachdem sie ihren eigenen Typ beobachtet haben.
Berechnen Sie für jeden Spieler und jeden seiner möglichen Typen die Aktion, die den erwarteten Gewinn maximiert, unter Berücksichtigung der Gleichgewichtsstrategien der anderen Spieler und der Unsicherheit über deren Typen.
Bestätigen Sie, dass jeder Typ jedes Spielers keinen Anreiz hat, von seiner vorgeschriebenen Aktion abzuweichen, wodurch ein Fixpunkt der Best-Response-Korrespondenz gebildet wird.
Häufige Fallstricke
- Annahme, dass die Vorannahmen der Spieler identisch sind, obwohl sie oft nur asymmetrische Informationen über ihre eigenen Typen haben.
- Verwechslung der strategischen Typen von Spielern (Auszahlungszustände) mit Verhaltens- oder Präferenzheterogenität.
- Übersehen, dass BNE empfindlich auf die Spezifikation des Typenraums und des Trägers der Glaubensverteilung reagiert.
- Anwendung von Gleichgewichtsvorhersagen auf Ein-Schuss-Spiele, wenn das Verhalten durch begrenzte Rationalität oder nicht-strategische Überlegungen bestimmt wird.
Häufig gestellte Fragen
Was ist ein „Typ“ im Bayesianischen Nash-Gleichgewicht?
Der Typ eines Spielers kodiert seine privaten Informationen – typischerweise seinen Auszahlungsvektor, seine Kosten oder seine Bewertung –, die nur ihm bekannt sind. Andere Spieler kennen nur eine Wahrscheinlichkeitsverteilung über die Typen und aktualisieren ihre Annahmen mittels der Bayes-Regel, sobald sie ihren eigenen Typ erfahren.
Wie geht BNE asymmetrisch mit privaten Informationen um?
Jeder Spieler kennt nur seinen eigenen Typ mit Sicherheit und hat probabilistische Annahmen über die Typen der anderen. Wenn der Typ eines Spielers offenbart wird oder durch Handlungen bekannt wird, aktualisieren andere Spieler ihre Annahmen rational mithilfe der Bayes-Regel.
Warum ist BNE im Vergleich zum Nash-Gleichgewicht schwerer zu berechnen?
BNE erfordert die gleichzeitige Lösung von Gleichgewichtsstrategien für alle Typen aller Spieler, was die Dimensionalität des Problems drastisch erhöht. Für kontinuierliche Typenräume oder viele Spieler sind analytische Lösungen oft nicht praktikabel, was numerische Methoden oder Approximationen erfordert.
Verwandte Methoden
Quellen
Harsanyi, J. C. (1967). Games with incomplete information played by Bayesian players, Parts I, II, and III. Management Science, 14(3), 159-182.
DOI-Referenz öffnenKopiert.Harsanyi, J. C. (1968). Games with incomplete information played by Bayesian players. Management Science, 14(7), 486-502.
Publikationsreferenz öffnenKopiert.