Przejdź do treści
Wróć do wyników wyszukiwania

Równowaga Nasha Bayesa

Autor metody
John Harsanyi
Rok
1967
Typ
algorithm
Rodzina
Game-theoretic

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Równowaga Nasha Bayesa (BNE) rozszerza Równowagę Nasha na gry z niepełną informacją, w których gracze nie posiadają pełnej wiedzy o funkcjach wypłat innych graczy.

Wprowadzona przez Johna Harsanyiego w 1967 r., BNE modeluje interakcje strategiczne w warunkach niepewności, reprezentując nieznane wypłaty jako prywatne typy graczy losowane z rozkładu prawdopodobieństwa. Równowaga jest znajdowana poprzez rozwiązanie dla strategii zależnych od typu, które są najlepszymi odpowiedziami na wszystkie możliwe realizacje typów.

Intuicja stojąca za metodą

W Równowadze Nasha Bayesa każdy gracz posiada prywatną informację o własnych wypłatach (swój „typ”), a inni gracze znają jedynie rozkład prawdopodobieństwa nad typami. Zamiast zobowiązywać się do jednej strategii, każdy gracz zobowiązuje się do reguły określającej, jakie działanie podjąć dla każdego możliwego typu, jaki może posiadać. Równowaga występuje, gdy strategia każdego gracza zależna od typu jest najlepszą odpowiedzią na strategie wszystkich innych graczy, uwzględniając niepewność co do tego, jakie typy faktycznie posiadają inni.

Historia

Artykuły Johna Harsanyiego z lat 1967–1968 zrewolucjonizowały teorię gier, wprowadzając systematyczne ramy analizy gier z niepełną informacją. Jego wglądem było modelowanie prywatnych informacji jako losowego losowania „typów” ze wspólnego rozkładu a priori, łącząc gry z pełną i niepełną informacją. Harsanyi podzielił Nagrodę Nobla w dziedzinie ekonomii w 1994 r. za tę fundamentalną pracę, która stała się niezbędna dla teorii aukcji, organizacji przemysłu i projektowania mechanizmów.

Kiedy stosować

Stosować BNE, gdy gracze doświadczają rzeczywistej niepewności co do motywacji, kosztów lub wycen przeciwników. Przykłady obejmują aukcje w ciemno (licytanci nie znają wycen innych), rynki ubezpieczeniowe (ubezpieczyciele nie znają typów ryzyka wnioskodawców) lub negocjacje, w których obie strony posiadają prywatne informacje. Używać, gdy asymetria informacji jest fundamentalna dla interakcji strategicznej.

Ograniczenia i uwagi

  • Istnienie i obliczanie BNE jest często trudne, zwłaszcza dla dużych przestrzeni typów lub typów ciągłych
  • Wymaga określenia przekonań a priori i rozkładów typów, które mogą być nieznane lub kwestionowane
  • Często istnieje wiele równowag, co czyni przewidywania niejednoznacznymi bez doprecyzowania
  • Nie uwzględnia uczenia się ani aktualizacji przekonań w powtarzających się interakcjach

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Modeluje realistyczne interakcje strategiczne w warunkach niepewności co do preferencji lub wypłat przeciwników
  • Uogólnia Równowagę Nasha, redukując się do niej, gdy informacja jest pełna
  • Umożliwia analizę wyboru równowagi w warunkach niepełnej informacji
  • Podstawa projektowania mechanizmów i teorii optymalnych aukcji

Zastosowania

  • Aukcje: analiza zachowań licytacyjnych w aukcjach w ciemno i otwartych-rosnących z prywatnymi wycenami
  • Rynki ubezpieczeniowe: modelowanie selekcji negatywnej, gdy ubezpieczyciele nie są pewni typów ryzyka wnioskodawców
  • Finanse korporacyjne: analiza wyceny akcji, gdy menedżerowie posiadają prywatne informacje o podstawach firmy
  • Rynki pracy: modelowanie negocjacji płac, gdy pracodawcy i pracownicy posiadają asymetryczne informacje o produktywności

Jak to działa

Jak to działa

1

Zdefiniować przestrzeń typów każdego gracza (możliwe stany wypłat) oraz rozkład prawdopodobieństwa nad profilami typów.

2

Każdy gracz posiada przekonania a priori o typach innych graczy, zakodowane we wspólnym rozkładzie prawdopodobieństwa; gracze aktualizują te przekonania za pomocą reguły Bayesa po zaobserwowaniu własnego typu.

3

Dla każdego gracza i każdego z jego możliwych typów obliczyć działanie maksymalizujące oczekiwaną wypłatę, przy danych strategiach równowagi innych graczy i niepewności co do ich typów.

4

Potwierdzić, że każdy typ każdego gracza nie ma motywacji do odejścia od przypisanej mu akcji, tworząc punkt stały korespondencji najlepszych odpowiedzi.

Częste pułapki

  • Zakładanie, że przekonania a priori graczy są identyczne, gdy często posiadają oni asymetryczną informację tylko o własnych typach
  • Mylenie strategicznych typów graczy (stanów wypłat) z heterogenicznością behawioralną lub preferencyjną
  • Przeoczenie, że BNE jest wrażliwa na specyfikację przestrzeni typów i wsparcia rozkładu przekonań
  • Stosowanie przewidywań równowagi do gier jednorazowych, gdy zachowanie jest napędzane przez ograniczoną racjonalność lub względy niest strategiczne

Najczęściej zadawane pytania

Czym jest „typ” w Równowadze Nasha Bayesa?

Typ gracza koduje jego prywatne informacje – zazwyczaj jego wektor wypłat, koszt lub wycenę – znane tylko jemu. Inni gracze znają jedynie rozkład prawdopodobieństwa nad typami i aktualizują swoje przekonania za pomocą reguły Bayesa po poznaniu własnego typu.

Jak BNE radzi sobie z prywatną informacją w sposób asymetryczny?

Każdy gracz zna tylko swój własny typ z pewnością i posiada probabilistyczne przekonania o typach innych graczy. Gdy typ gracza jest ujawniany lub ujawniany poprzez działania, inni gracze racjonalnie aktualizują swoje przekonania za pomocą reguły Bayesa.

Dlaczego BNE jest trudniejsza do obliczenia w porównaniu do Równowagi Nasha?

BNE wymaga jednoczesnego rozwiązania dla strategii równowagi we wszystkich typach wszystkich graczy, co znacznie zwiększa wymiarowość problemu. Dla przestrzeni typów ciągłych lub wielu graczy rozwiązania analityczne są często niewykonalne, wymagając metod numerycznych lub aproksymacji.

Pokrewne metody

Źródła

  1. Harsanyi, J. C. (1967). Games with incomplete information played by Bayesian players, Parts I, II, and III. Management Science, 14(3), 159-182.

    Otwórz odnośnik DOI
    Skopiowano.
  2. Harsanyi, J. C. (1968). Games with incomplete information played by Bayesian players. Management Science, 14(7), 486-502.

    Otwórz odnośnik do publikacji
    Skopiowano.