Statistical Equilibrium of Optimistic Beliefs
University of Pennsylvania, The Wharton School(宾夕法尼亚大学沃顿商学院);University of Chicago, Booth School of Business(芝加哥大学布斯商学院)
本文提出乐观信念的统计均衡概念,用于分析存在随机扰动和不确定性下的博弈均衡,通过优化联合分布和正则化游戏实现可计算性,并在模拟中展示其对无关替代物违反现象的解释能力。
2026-02-11 cs.GT econ.TH
Utilitarian Beliefs in Social Networks: Explaining the Emergence of Hatred
本文通过社会网络意见动力学模型研究仇恨与种族主义的出现,发现信息受限时均衡仇恨由群体中最极端智能体决定,信息密集时出现周期性极化的“局部真理”,并提出提高种族主义信念成本是减少仇恨的最优政策。
2024-01-14 econ.TH
S Equilibrium: A Synthesis of (Behavioral) Game Theory
本文提出集合值的$S$均衡,以统一经典与行为博弈论模型,并通过多类实验博弈证明其样本内外预测优于level-$k$和QRE。
2023-07-12 econ.TH
Scoring Auctions with Coarse Beliefs
本文在无共同先验的机制设计场景下构建含粗信息获取的拍卖模型,刻画评分拍卖存在粗信念均衡的性质,提出区分两类拍卖的规则条件,并用于现实拍卖的策略简洁性分类。
2024-10-08 econ.TH
Learning Paths to Multi-Sector Equilibrium: Belief Dynamics Under Uncertain Returns to Scale
IESEG School of Management, Univ. Lille(IESEG管理学院,里尔大学);CNRS, UMR 9221 - LEM- Lille Economie Management(法国国家科学研究中心,UMR 9221 - 里尔经济管理学);Paris School of Economics and Université Paris 1 Pantheon-Sorbonne(巴黎经济学院和巴黎第一先贤祠-索邦大学)
本文研究了在不确定规模回报下,企业通过信念更新学习多行业均衡动态,发现长记忆学习方法在效率上不如短记忆方法。
2025-12-07 cs.GT econ.TH math.OC
Cross-Validation Equilibrium
Tel Aviv University(特拉维夫大学);University College London(伦敦大学学院)
研究玩家将信念形成委托给预测性机器学习时的策略互动,提出交叉验证均衡概念,分析其性质并应用于陪审团投票、投机性赌博和线性二次支付博弈。
2026-06-12 econ.TH
Quantal Response Equilibrium and Rationalizability: Inside the Black Box
本文通过考察静态博弈中量子响应均衡(QRE)的认知基础,提出两种可理性化解概念,连接认知与行为博弈论,为实验和实证数据解释提供洞见。
2024-03-13 econ.TH
Competition in Costly Talk
本文研究两个利益冲突且误报有成本的发送者与不知情决策者之间的沟通博弈,证明施加最小合理信念结构可产生稳健且本质上唯一的部分信息传递均衡,并刻画了发送者的沟通语言。
2023-04-14 econ.TH
Machine-Learning to Trust
Tel Aviv University(特拉维夫大学);University College London(伦敦大学学院)
本文研究惩罚复杂度的机器学习塑造的信念下长期信任能否维持,构建带单期记忆的序列信任博弈模型,提出最小化预测误差与复杂度惩罚之和的均衡概念,发现其相较对称混合策略纳什均衡显著缩小了信任可行范围。
2025-11-14 econ.TH
Multi-agent Bayesian Learning with Best Response Dynamics: Convergence and Stability
我们研究了策略代理人反复玩一个未知的收益相关参数的游戏引起的学习动态。在这种动态中,参数的信念估计被反复更新,给出玩家的策略和使用贝叶斯规则实现的收益。参与者通过考虑最佳对策来调整他们的策略。我们发现,概率为1,信念和策略收敛到一个固定点,其中的信念一致估计的策略的收益分布,和战略是一个平衡对应的信念。然而,学习可能并不总是识别未知参数,因为信念估计依赖于由玩家策略内生产生的游戏结果。我们得到了学习导致全局稳定的不动点是完全信息纳什均衡的充分必要条件。我们还提供了充分的条件,保证局部稳定的不动点信念和战略。
2021-09-02 cs.GT econ.TH
Singular Equilibrium and Selection of Narratives
Yale University(耶鲁大学)
该研究针对智能体从数据学习时的参数选择问题,提出奇异均衡概念,定义叙事并以其复杂度与稳健性表征,将Berk-Nash等均衡精炼,刻画了受行动影响数据时的长期稳定行动。
2026-10-09 econ.TH stat.AP
Dynamics and Contracts for an Agent with Misspecified Beliefs
研究具有错误信念的单智能体契约环境,发现多行动下行动频率不收敛且计算均衡复杂度高,但双行动下最优契约可多项式时间计算,且轻微错误信念会大幅减少最优收入。
2024-05-30 cs.GT econ.TH
Equilibrium Play Without Mutual Knowledge of Rationality
University of Bonn(波恩大学);Technical University of Munich(慕尼黑工业大学)
研究两人零和博弈中无需理性共同知识等假设的均衡博弈证明方法,通过考虑为子博弈分配合理行动的解概念并施加理性和继承性条件,刻画了一致选择纳什均衡支撑集的解概念,确保均衡通常唯一。
2026-10-01 econ.TH
Screening with Discrete Types and Discrete Contracts
University of Washington, Bothell(华盛顿大学博塞尔分校);University of California, Davis(加州大学戴维斯分校)
本文提出离散筛选模型,利用离散一阶条件和Δ-O理性化,解决离散类型下最优合同的存在性、唯一性及单调性问题。
2026-10-08 cs.GT econ.TH
Misspecified learning and evolutionary stability
University of Pennsylvania(宾夕法尼亚大学);University of Southern California(南加州大学)
本文将间接演化方法扩展到错误设定模型的选择,通过比较在位者与进入者模型的均衡收益定义稳定性,并证明正确设定的在位模型只能被允许多重可行信念的错误设定进入模型破坏稳定,同时分析了进入者群体规模对匹配表现的影响。
2025-09-19 cs.GT econ.TH
Forecasting and Manipulating the Forecasts of Others
University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
本文研究了分散私人信息的有限参与者动态博弈问题,提出了一种递归表示方法,通过噪声状态记录参与者对基本冲击的信念,从而生成高阶信念。在连续时间LQG基准中,该方法显式地展示了信念、价值梯度和政策规则作为确定性冲击响应函数,均衡是这些函数的确定性固定点。任何噪声状态线性类中的固定点都是对任意可行$L^2$偏差的纳什均衡。第一阶系统包含一个信息楔,即改变对手后验的概率影子价格。在双人基准中,楔解释了为何合并收益大多是战略性的,为何最优精度分配可能使低效玩家缺乏信息,以及为何信号精度本身会改变政策规则,因此分离失效。
2026-05-19 econ.TH math.OC q-fin.MF
An Equilibrium Model of the First-Price Auction with Strategic Uncertainty: Theory and Empirics
在许多第一价格拍卖中,投标人面临着相当大的战略不确定性:他们不能完全预测其他投标人的投标行为。我们提出了一个模型,在该模型中,投标人不知道对手出价的整个分布,但只有预期(获胜)的出价和上下限的对手出价。我们刻画了最优投标策略,并证明了均衡信念的存在性。最后,我们应用该模型来估计公路采购拍卖的成本分布,并发现良好的性能外的样本。
2022-03-28 econ.EM econ.TH
Learning and Type Compatibility in Signaling Games
Department of Economics, MIT(麻省理工学院经济学系);Department of Economics, Harvard University(哈佛大学经济学系)
本文研究信号博弈中均衡的形成机制,通过非均衡学习理论分析发送者和接收者的类型兼容性,提出基于学习的均衡选择方法。
2018-06-30 econ.GN econ.TH q-fin.EC
Will AI Trade? A Computational Inversion of the No-Trade Theorem
Peking University(北京大学);School of Computer Science(计算机科学学院);CFCS(计算机科学与技术系)
本文研究了在共同信念下,AI代理由于计算限制可能导致无法达到均衡,从而产生更活跃的交易环境。
2025-12-17 cs.AI cs.GT econ.TH