MARL optimiert dynamische Preisgestaltung: Profit, Stabilität, Fairness

In einer neuen Studie aus dem arXiv-Repository wird gezeigt, wie Multi-Agent Reinforcement Learning (MARL) die Preisgestaltung in wettbewerbsintensiven Einzelhandelsmärkten revolutionieren kann. Durch die Anpassung an schwankende Nachfrage und das Verhalten von Konkurrenten ermöglichen MARL-Methoden eine dynamische Optimierung, die bisher nur schwer zu erreichen war.

Die Forscher haben zwei führende MARL-Algorithmen – MAPPO und MADDPG – in einer simulierten Marktplatzumgebung getestet, die auf realen Einzelhandelsdaten basiert. Als Vergleich dient der unabhängige DDPG (IDDPG), ein weit verbreiteter Baseline-Ansatz in der MARL-Forschung. Die Bewertungskriterien umfassten Gewinnleistung, Stabilität über verschiedene Zufallssamen, Fairness der Gewinnverteilung und Trainingseffizienz.

Die Ergebnisse sind eindeutig: MAPPO erzielt die höchsten durchschnittlichen Renditen und weist gleichzeitig eine sehr geringe Varianz auf, was auf eine stabile und reproduzierbare Preisoptimierung hinweist. MADDPG erreicht zwar etwas geringere Gewinne, liefert jedoch die faireste Gewinnverteilung unter den Agenten. Diese Befunde unterstreichen, dass MARL-Methoden – insbesondere MAPPO – eine skalierbare und stabile Alternative zu unabhängigen Lernansätzen darstellen und damit die Grundlage für zukunftsfähige dynamische Preisstrategien legen.