May, 2024

通过强化学习和基于代理的建模模拟理性对经济的影响

HTML
PDF
TL;DR使用多智能体增强学习(RL)拓展有限理性模拟模型以考察其对经济的影响，研究发现多智能体根据市场竞争和理性程度 spontaneously 学习出不同策略，增加市场力量和整体利润，但更高程度的理性也可能导致更大不稳定性，并提出了可以稳定学习的经济模拟模型。
发现论文，激发创造
  • 使用 RL 行为模型的面向政策的基于代理的建模

    本文研究了在决策制定环境下，基于强化学习的智能体决策行为的刻画与建模。实验结果表明，相比于传统的规则制定和数据回归方式，基于强化学习的智能体决策行为模型具有更高的适应性和更好的表现，可以更好地支持Agent-based Models在政策分析等领域的应用。

    Jun, 2020

  • 去中心化强化学习：通过本地经济交易进行全局决策制定

    该研究旨在建立一个框架，以引导一群简单、专业、自我利益代理人解决传统上作为整体单一代理人序列决策问题的难题，并通过设计一种学习环境机制，使每个代理人的最优解与 Nash 平衡策略一致，并为其推导出了一类分散式强化学习算法，同时展示了该社群内在结构对于更高效的迁移学习可能带来的潜在优势。

    Jul, 2020

  • 使用深度强化学习分析具有多个代理的微观基础一般均衡模型

    使用深度多智能体强化学习算法来在微观基础下找到动态一般均衡模型中的元均衡状态，避免了理论或计算方法上的挑战，实现了稳定的、现实时间内的均衡计算，显示了硬件加速多智能体强化学习在经济建模上的前景。

    Jan, 2022

  • 多智能体强化学习中的紧急交换行为

    通过模拟多智能体社会进行微观经济学自动形成的基本现象，本文提供了一个以微观经济学为灵感的环境，其中智能体在一个复杂的空间世界中学习生产资源，与其他智能体交易和消费资源，并演示了产生的经济行为如何响应各种环境条件。

    May, 2022

  • 经济政策的强化学习：一个新的前沿？

    该论文回顾了传统的代理人建模技术在经济建模中的历史障碍，并思考最近强化学习等新兴技术能否克服其中的一些问题。

    Jun, 2022

  • Phantom -- 基于RL的多智能体框架用于建模复杂系统

    本文介绍了一种名为“Phantom”的开源框架，该框架旨在提供用于简化基于代理的建模的工具，是一种驱动RL的框架，可用于建模复杂的多代理系统，包括经济系统和市场。

    Oct, 2022

  • 结合搜索策略提高经济代理模型校准的性能

    本论文主要介绍了在经济学和金融领域中，针对大规模参数空间内的代理模型（ABMs）进行校准的方法，对基于随机森林代理的方法进行基准测试并提出了一种采用强化学习机制策略以在模型校准期间自动选择和组合搜索方法的方案，该方案不依赖任何先前的信息或试错过程。

    Feb, 2023

  • 运用大型语言模型增强的代理程序模拟宏观经济活动

    在宏观经济仿真中，利用大型语言模型（LLMs）的人类化特性可以克服传统限制，能够设计出表现出人类决策和适应能力的LLM代理，进行模拟实验以展示其逼真的工作和消费决策能力，并产生比现有规则化或人工智能代理更合理的宏观经济现象。

    Oct, 2023

  • 多智能体强化学习学习和校准异质有界理性市场行为

    在代理基模型中，我们提出了一种用于在多代理强化学习框架下表示异构处理受限代理的新技术，通过共享策略学习以及代理技能水平的分布，实现了从严格效用最大化到有界理性行为的过渡，并通过使用策略梯度来学习行为，通过在多个实例中验证，我们证明了该模型在许多常见的代理设置下具有显著改进的预测能力。

    Feb, 2024

  • 智能体市场模拟中的强化学习: 揭示现实的艺术事实和行为

    我们研究了一种基于强化学习代理的代理市场模拟框架，并展示了该框架在模拟市场的实现细节和真实市场观察到的特征。我们还研究了强化学习代理在面临外部市场影响（如闪崩）时的行为，并对其在重要市场事件中的响应提供了深入洞察。

    Mar, 2024