Algorithmen im Wettbewerb: Wie Marktschwankungen zu algorithmischer Kollusion führen

Autonome Preisalgorithmen prägen zunehmend den Wettbewerb in digitalen Märkten, doch ihr Verhalten unter realistischen Nachfragebedingungen wurde bislang kaum untersucht. In einer neuen Studie wurden vier Lernalgorithmen – Q‑Learning, PSO, Double DQN und DDPG – in drei klassischen Duopolmodellen (Logit, Hotelling, Linear) getestet und mit verschiedenen Nachfrage‑Schockregimen, die durch autoregressive Prozesse erzeugt wurden, kombiniert.

Durch die Messung von Gewinn‑ und Preis‑Kollusionsindizes konnte die Interaktion zwischen Algorithmen, Marktstruktur und stochastischer Nachfrage analysiert werden. Die Ergebnisse zeigen, dass Verstärkungslern‑Algorithmen bei stabiler Nachfrage häufig überdurchschnittliche Preise halten, wobei DDPG die stärkste kollusive Tendenz aufweist. Nachfrage‑Schocks wirken unterschiedlich: Logit‑Markten verzeichnen erhebliche Leistungsabfälle, Hotelling‑Markten bleiben stabil, während Linear‑Markten durch Schocks profitsteigernde Preisänderungen erfahren.

Trotz signifikanter Veränderungen in der absoluten Leistung bleiben die relativen Rangordnungen der Algorithmen in allen Umgebungen gleich. Die Studie unterstreicht damit die entscheidende Rolle von Marktstruktur und Nachfrageunsicherheit bei der Gestaltung algorithmischer Konkurrenz und liefert wichtige Erkenntnisse für die laufenden politischen Debatten über autonome Preisgestaltung.