Algorithmic Collusion: How It Happens and Its Policy Implications

Thumbnail Image

Files

bachelor_Laakkonen_Mitja_2022.pdf (625.61 KB)

URL

Journal Title

Journal ISSN

Volume Title

School of Business | Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2022

Department

Taloustieteen laitos

Major/Subject

Mcode

Degree programme

Bachelor’s programme in Economics

Language

en

Pages

28

Series

Abstract

In this literature review I study three experimental papers that show how self-learning pricing algorithms powered by Q-learning may collude in simulated controlled environments, without being programmed to collude or communicate. I discuss some policy implications of algorithmic collusion. The results are that in an infinitely repeated oligopoly game, algorithms can by trial and error learn reward-punishment strategies that facilitate collusion. The results adhere to canonical theoretical models of collusion. This finding poses challenges for antitrust policy since current policy does not consider forms of collusion where the parties do not communicate. I present some possible policy solutions, which include redefinition of collusion in law, and competition authorities updating their algorithm expertise swiftly. I also discuss the drawbacks of the experimental results. More research is needed to find out the possibility of algorithmic collusion in “real-life” market settings.

Tässä kirjallisuuskatsauksessa tutkin kolmea kokeellista artikkelia, jotka näyttävät kuinka Q-oppimisella toimivien itseoppivien hinnoittelualgoritmien kolluusio on mahdollista simuloiduissa hallituissa ympäristöissä ilman että niitä on ohjelmoitu tekemään yhteistyötä tai viestimään. Käsittelen joitain algoritmisen kolluusion seurauksia sääntelylle. Tuloksena on että ikuisesti toistetussa oligopolipelissä algoritmit voivat kokeilemalla oppia palkinto-rangaistusstrategioita jotka edesauttavat kolluusiota. Tulokset vastaavat tunnettuja kolluusion teoreettisia malleja. Löydös on haaste kilpailulainsäädännölle, sillä tämänhetkinen sääntely ei kata kolluusiota, jossa osapuolet eivät viesti keskenään. Esitän mahdollisia sääntelyratkaisuja, joihin lukeutuvat kolluusion uudelleenmäärittely laissa ja kilpailuviranomaisten algoritmiosaamisen pikainen päivittäminen. Keskustelen myös kokeellisten tulosten puutteista. Lisätutkimusta tarvitaan sen selvittämiseksi, kuinka todennäköistä algoritminen kolluusio on oikeilla markkinoilla.

Description

Thesis advisor

Murto, Pauli

Keywords

collusion, pricing algorithm, artificial intelligence, reinforcement learning, machine learning, antitrust

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202210306305

Collections

[kand] Kauppakorkeakoulu / BIZ (Open Access)