本研究提出了一种统计学习模型，用于解决双边市场中的稳定匹配问题，其中一方需从随机奖励中学习另一方的偏好，该模型扩展了标准的多臂赌博机框架，并研究了集中式和分散式方法，发现与单人多臂赌博机设置相比，具有令人惊讶的探索-利用权衡。

Jun, 2019

本研究探索人工智能定价算法在重复博弈中的表现，发现算法协作在人类行为偏好的影响下较为普遍，同时发现体验随机化、相对绩效影响和最新经验偏好都能增强算法协作，最后检测了不同因素下异质代理的表现和鲁棒性。

Feb, 2021

该研究基于连续时间技术提出了一个理论模型，旨在研究适应性学习算法之间的策略互动。通过揭示算法之间的自发耦合机制，该研究证明了人工智能算法之间存在的勾结现象，并提出了一种足以消除算法间自发耦合的充分条件，以及设计学习鲁棒性策略的机制所必要的回馈机制。

Feb, 2022

本文探讨算法定价在电子商务平台上产生的隐性勾结问题，并介绍了设计'购买框'规则来预防勾结定价的方法，同时提出了利用强化学习算法学习有效购买框规则的方法，并通过Stackelberg POMDPs方法，成功地制定出在不同销售行为模式和商品成本分布的情况下仍能提供高消费者福利的稳健规则。

Feb, 2022

本研究通过实验研究AI算法在双重委托代理问题的双重合同模型中的行为，发现AI算法可以自主学会设计可以激励合规的合同，而在合同中，一方可以采取勾结或竞争等多态行为，而且欺骗行为似乎并不存在于制定的合同中。

Mar, 2023

通过使用智能代理建模方法，模拟了企业间的竞争、勾结，以及通信对价格收敛的影响。结果表明，没有通信时智能代理往往达到默契勾结，价格收敛在柏特朗均衡价格之上但低于垄断或卡特尔价格；而允许通信时，智能代理能够实现更高程度的勾结，价格接近卡特尔价格，勾结形成更快，价格收敛更平稳。这些结果表明，通信可以增强企业之间的信任，鼓励频繁小幅度的价格偏差，以探索更高级别的双赢机会，减少引发价格战的可能性。

Aug, 2023

最近的学术研究广泛关注了由人工智能（AI）动态定价算法引发的算法勾结问题。然而，电子商务平台采用推荐算法来分配对不同产品的曝光，并且这个重要方面在以前的算法勾结研究中被大大忽视了。我们的研究弥补了文献中的这个重要空白，并且检查了推荐算法如何决定基于AI的定价算法的竞争或勾结动态。具体地，我们研究了两个常见的推荐算法：（i）一个旨在最大化卖家总利润的推荐系统（以利润为基础的推荐系统）和（ii）一个旨在最大化平台上销售产品的需求的推荐系统（以需求为基础的推荐系统）。我们构建了一个重复博弈框架，将卖家采用的定价算法和平台的推荐系统结合起来。随后，我们进行实验观察价格动态并确定最终的均衡。实验结果表明，基于利润的推荐系统增强了卖家之间的算法勾结，因为它与卖家的利润最大化目标相一致。相反，基于需求的推荐系统促进了卖家之间的价格竞争，并导致较低的价格，因为它与卖家的目标不一致。进一步的分析表明我们的发现在各种市场环境中的稳健性。总的来说，我们强调了平台推荐系统在定义数字市场竞争结构方面的重要性，为市场参与者和相关政策制定者提供了重要的见解。

Sep, 2023

通过对大型语言模型（LLMs）以及具体的GPT-4算法进行定价任务实验，我们发现LLM算法定价代理在垄断市场中自主勾结，对消费者造成不利影响，并且LLM指令中表面无关短语的变化可能增加勾结行为，这些结果同样适用于拍卖设置，凸显了需要针对算法定价实施反垄断法规的必要性，揭示了基于LLM的定价代理面临的独特监管挑战。

Mar, 2024

电子商务中基于人工智能的定价算法，特别是利用强化学习的算法，正变得越来越普遍。这项研究通过实验性寡头垄断模型的多次价格竞争，系统地改变环境以涵盖从基础经济理论到主观消费者需求偏好的各种情况，探究了代理人开发的策略和新兴定价模式，可能导致共谋结果。此外，我们还调查了代理无法观察到竞争对手价格的情景，并对所有情景进行了综合法律分析。我们的研究发现，基于强化学习的人工智能代理会趋于一种共谋的状态，其特点是收取超竞争价格，而无需进行代理间通信。实施其他强化学习算法，改变代理数量或模拟设置，以及限制代理的观察范围不会显著影响共谋市场的结果行为。

Jun, 2024

本研究解决了关于定价算法是否会在没有威胁的情况下达成超竞争性价格的重大疑问。作者提出，即使在没有威胁编码和每个参与者都优化自身收益的情况下，超竞争性价格依然会出现。研究结果表明，算法合谋的定义可能需要扩展，以包括未明确编码威胁的策略。

Sep, 2024