上一篇讲的贝叶斯不完全信息博弈的重点其实就是引入了type,以及作为common Knowlegde的概率分布。

推广

上篇直接将p视为1/2来算的,这次代p,整体思路是一样的:
type 1:

3,4 1,0
4,3 2,0
type 2:
6,2 0,4
5,1 -1,4
若参与者选择策略A:
p∗3+(1−p)∗1p*3+(1-p)*1p3+(1p)1
若参与者选择策略B:
0+4(p)0+4(p)0+4(p)

不完全信息古诺模型

回忆下:古诺模型
核心:单纯的产量竞争

案例1

市场中存在两个生产同样商品的企业{企业1,企业2},其产量分别为q1,q2q_1,q_2q1,q2,市场上的总产量为Q=q1+q2Q=q_1+q_2Q=q1+q2,市场价格为P=16-Q(Q≤16),企业2的边际生产成本为4,即C(q2)=4q2C(q_2)=4q_2C(q2)=4q2,而企业1的边际成本为私有信息,但已知其概率分布:企业1以1/3的概率为低边际成本C(q1;L)=2q1C(q_1;L)=2q_1C(q1;L)=2q1,以2/3的概率为高边际成本C(q1;H)=6q1C(q_1;H)=6q_1C(q1;H)=6q1

给定企业2的策略也就产量q2q_2q2,记参与人1的最优反应为(q1(L),q1(H))(q_1(L),q_1(H))(q1(L),q1(H))
1.对于低成本的类型来说,给定企业2的策略,企业1的最优反应为:
maxq1(L)(16−q1(L)−q2)q1(L)−2q1(L)max_{q_1(L)}(16-q_1(L)-q_2)q_1(L)-2q_1(L)maxq1(L)(16q1(L)q2)q1(L)2q1(L)
二次方程求最值得到最优反应:
q1(L)=14−q22q_1(L)=\frac{14-q_2}{2}q1(L)=214q2
2.对于高成本的类型来说,给定企业2的策略,企业1的最优反应为:
maxq1(L)(16−q1(L)−q2)q1(L)−6q1(L)max_{q_1(L)}(16-q_1(L)-q_2)q_1(L)-6q_1(L)maxq1(L)(16q1(L)q2)q1(L)6q1(L)
二次方程求最值得到最优反应:
q1(L)=10−q22q_1(L)=\frac{10-q_2}{2}q1(L)=210q2
3.给定参与人1的策略(q1(L),q1(H))(q_1(L),q_1(H))(q1(L),q1(H)),参与人2的最优反应为q2q_2q2:
maxq213[(16−q1(L)−q2)q2−4q2]+23[(16−q1(H)−q2)q2−4q2]max_{q_2}\frac{1}{3}[(16-q_1(L)-q_2)q_2-4q_2]+\frac{2}{3}[(16-q_1(H)-q_2)q_2-4q_2]maxq231[(16q1(L)q2)q24q2]+32[(16q1(H)q2)q24q2]
求最值得最优反应:
q2=12−q1(L)+2q1(H)32q_2=\frac{12-\frac{q_1(L)+2q_1(H)}{3}}{2}q2=2123q1(L)+2q1(H)

则得到不完全信息古诺模型得最优反应函数得策略组合((q1∗(L),q1∗(H)),q2∗)((q_1^*(L),q_1^*(H)),q_2^*)((q1(L),q1(H)),q2)为贝叶斯纳什均衡,也就是上述得到得三个最优解联立一下,就可以得到q2=389q_2=\frac{38}{9}q2=938,另两个值也能算出来。

下边,假如说已知企业1一定会选择低类型,那么可以找出纳什均衡q1(L)q_1(L)q1(L)的值为163\frac{16}{3}316大于不完全信息博弈,完全信息与不完全信息博弈相比,企业1会生产更少的商品。
为撒?因为在不完全信息下,企业1知道企业2会根据期望收益来指定产量,相比纯低成本,不完全信息又会使企业2向企业1成本高的方向偏移,所以相对来说企业2就会生产更多的产品从而获得更多的期望收益,而企业1也知道企业2会生产比完全信息时更多的产品,所以1就会相比完全信息生产少的产品(回忆下双寡头古诺模型的均衡,一个多了另一个会少)。反之,当企业1选择高类型时,同理。

普适案例

上边的案例都用特殊值代替了,这个假设P(Q)=α−QP(Q)=\alpha -QP(Q)=αQ,企业2选CLC_LCL的概率为θ\thetaθ,选CHC_HCH的概率为1−θ1-\theta1θ,然后跟上边一样列式子,计算最优如下:
请添加图片描述
请添加图片描述
通过结果可以发现:相比完全信息,当企业2选择高成本时,会选择生产更多;低成本时会选择生产更少

不完全信息使得企业2相对来说有优势,企业1选择适中的产量。

Logo

有“AI”的1024 = 2048,欢迎大家加入2048 AI社区

更多推荐