چکیده: معادلات یادگیری الگوریتمی مجموعهای از معادلات دیفرانسیل معمولی را معرفی میکنیم که رفتار متناهی و مجانبی برهمکنش تصادفی بین الگوریتمهای یادگیری وابسته به حالت را در بازیهای دینامیکی مشخص میکند. ما با استفاده از الس ثابت کند که بازی همگرا به یک تعادل نش و یا یک تعادل همبسته بسته به نوع سیگنال های بازیکنان دریافت و الگوریتم های به کار گرفته شده توسط هر بازیکن. چارچوب ما اجازه می دهد تا برای انواع اطلاعات و حافظه ساختار, از جمله پر سر و صدا, کامل, خصوصی, و نظارت عمومی. ما نشان روش ما در تکرار \2 \ بار 2 game بازی معضل زندانی با نظارت کامل. تجزیه و تحلیل ما از الگوریتم ها نشان می دهد که الگوریتم ها می توانند مکانیسم پاداش و مجازات را برای حفظ تبانی ضمنی بیاموزند و همچنین می توانند هماهنگی در چرخه های تبانی متقابل و مجازات متقابل را بیاموزند.
وی از سال 1997 دارای دکترای اقتصاد از دانشگاه کالیفرنیا در دانشگاه کالیفرنیا است. وی در حال حاضر اطلاعات را در بازارها و ریزساختارهای بازار و ریاضیات مالی تدریس می کند.
منافع پژوهشی خود را: اقتصاد اطلاعات با تاکید ویژه بر مزایده و برنامه های کاربردی مالی, ریزساختار بازار, و انتساب خطر و توزیع در بازارهای بیمه. انتشارات وی شامل مجلات اعتبار بین المللی مانند اقتصادسنجی, مجله بانکداری و دارایی, مجله چهارتایی دارایی, بررسی پویایی اقتصادی و مجله ریسک و بیمه. وی تحقیقات خود را در کنفرانس های معتبر بین المللی مانند گروه اروپایی اقتصاددانان ریسک و بیمه (اگری), انجمن اقتصادی اروپا, انجمن مالی اروپا, و نشست جامعه اقتصادسنجی اروپا, درمیان دیگران. او همچنین در چندین کتاب ویرایش شرکت کردند, و همکاری نویسنده است (با الوارو کارتا و سباستین جیمونگال) کتاب "تجارت الگوریتمی و فرکانس بالا" (انتشارات دانشگاه کمبریج, 2015)
سیمون مایر, غرفه شیکاگو
عنوان: ضد تراست, اتحادیه کاربران, و مقررات در عصر سیستم عامل های دیجیتال و داده های بزرگ
چکیده: عملکرد تولید شرکت ها در عصر دیجیتال مستلزم پذیرش شبکه مشتریان و مشارکت داده ها است. ما رقابت پلت فرم مدل با قیمت گذاری درون زا, ناهمگونی کاربر, اثرات شبکه, سرمایه گذاری زیرساخت, و مجموعه داده ها و به اشتراک گذاری, در نتیجه یک چارچوب متحد برای ارزیابی مقررات مربوط به داده ها و سیاست های ضد تراست. مشابه و تعامل با اثرات شبکه, بازخورد داده, در حالی که بهبود کیفیت خدمات, ممکن است قدرت بازار تمرکز. سیستم عامل ها در ابتدا از نظر استراتژیک قیمت کمتری دارند اما متعاقبا کاربران را بیش از حد شارژ می کنند و می توانند از طریق اشتراک داده ها "تبانی" کنند. در ضمن چون کاربران پراکنده هستند تاثیر اقدامات خود (به عنوان مثال سهم داده ها و به اشتراک گذاری) در (من) خدمات بعدی و یا کیفیت محصول که بر تمام کاربران تاثیر می گذارد (دوم) غلظت قدرت بازار و (سوم) سیستم عامل انگیزه برای ابداع و سرمایه گذاری در زیرساخت های داده ها درونی نیست. ما نشان میدهیم که پیشنهادهای اشتراکگذاری دادهها (به عنوان مثال بانکداری باز و فروشنده دادهها) و حمایت از حریم خصوصی کاربران (به عنوان مثال تولید ناخالص داخلی و ح.ک. چ) نمیتوانند به ناکارایی در رقابت مبتنی بر داده و سرمایهگذاری پیشین پلتفرمها برای تولید دادهها رسیدگی کنند. ما پیشنهاد و مدل اتحادیه کاربر به عنوان یک راه حل موثر برای حمایت از مصرف کننده: بدن حاکم نماینده مختصات سهم کاربران به سیستم عامل و حداکثر مازاد کاربر.
بیوگرافی: سیمون مایر استادیار امور مالی در پاریس است. وی پیش از پیوستن به هک پاریس یکی از محققان مرکز فاما-میلر در غرفه شیکاگو بود و دکترای اقتصاد مالی خود را در دانشگاه اراسموس و موسسه تینبرگن در سال 2021 به پایان رساند. تحقیقات سیمون در امور مالی شرکت تمرکز, واسطه گری مالی, و فینتک.
البرتو روسی, جورج تاون
انتخاب صندوق های سرمایه گذاری مشترک از سهامی که در اختیار دارند: رویکرد یادگیری ماشین
چکیده: ما دارایی های فردی صندوق های متقابل و تعداد زیادی از ویژگی های سهام (عوامل) را برای محاسبه مواجهه در سطح صندوق با عوامل بر اساس سهامی که در اختیار دارند ترکیب می کنیم. عملکرد صندوق غیر خطی مربوط به مواجهه عامل صندوق و تعاملات خود را. این ویژگی زمانی اهمیت پیدا می کند که عملکرد صندوق را پیش بینی کنیم زیرا روش های یادگیری ماشین مانند درختان رگرسیون تقویت شده به طور قابل توجهی از چارچوب های خطی استاندارد بهتر عمل می کنند و پیش بینی های ایجاد شده توسط پیش بینی کننده های عملکرد صندوق های سرمایه گذاری مشترک که تاکنون در ادبیات مطرح شده است را در بر می گیرد. سرانجام, مواجهه عامل توضیح اکثریت قریب به اتفاق عملکرد صندوق.
زندگینامه: البرتو روسی استاد امور مالی در دانشکده بازرگانی مک دونا دانشگاه جورج تاون است. او همچنین مدیر هوش مصنوعی است, تجزیه و تحلیل ترافیک, و ابتکار کار در جورج تاون و همکار علمی فرهنگستان لوهان. منافع تحقیقاتی خود را شامل فینتک, امور مالی خانوار, یادگیری ماشین, و قیمت گذاری دارایی. مطالعات اخیر او نشان می دهد که چگونه مشاوران روبو می توانند به افراد در تصمیم گیری های مالی بهتر و نحوه پیش بینی بازده بازار سهام با استفاده از الگوریتم های یادگیری ماشین کمک کنند. او به طور گسترده در تجزیه و تحلیل داده های بزرگ کار کرده است, و با خانه های بزرگ کارگزاری همکاری, شرکت های فینتک, و مدیران دارایی در سراسر جهان.
کار استاد روسی شده است در مجلات علمی پیشرو مانند مجله مالی منتشر شده, بررسی مطالعات مالی, مجله اقتصاد مالی و علوم مدیریت.
قبل از مک دونا, او دانشیار با تصدی در دانشکده بازرگانی ر. اچ. اسمیت بود, دانشگاه مریلند. وی همچنین به عنوان اقتصاددان در شورای حکام سیستم فدرال رزرو در واشنگتن دی سی کار می کرد. وی دکترای خود را در رشته اقتصاد از دانشگاه کالیفرنیا در سن دیگو دریافت کرد.
ماتیاس کیان, دانشگاه اکسفورد
استارتاپ ها و طراحی مجدد شغل: شواهدی از عصر سوم هوش مصنوعی
چکیده مقاله بازار کار من به بررسی زمینههایی میپردازد که استارتاپهای با بودجه ویسی طراحی مجدد مشاغل مبتنی بر هوش مصنوعی را تسریع میکنند. با کاهش هزینه های پیش بینی, تعداد فزاینده ای از مشاغل دوباره طراحی می شوند تا وظایف پیش بینی هوش مصنوعی را در بسته نرم افزاری کار خود قرار دهند. چنین طراحی مجدد شغلی حاشیه اصلی تعدیل در بازار کار در پاسخ به ظهور هوش مصنوعی است و در استارتاپ ها بیش از 20 درصد مشاغل دوباره طراحی می شوند. با تجزیه با ان بیش از 250 میلیون پست های شغلی اینترنتی به 1.2 میلیارد شرح وظیفه, من سند که راه اندازی' تجربه با طراحی مجدد شغل بزرگ محلی سرریز بیش از اثرات در شرکت های فعلی. این اثر نامتقارن است و متصدیان اثر بسیار ضعیف تری بر شیوع طراحی مجدد شغل در استارتاپ ها دارند. من دریافتم که تلاش های استارتاپ برای طراحی مجدد مشاغل با موفقیت بهبود یافته در جذب سرمایه همراه است. برای شرکتهای فعلی طراحی مجدد مشاغل منجر به افزایش بازده داراییها و رشد فروش میشود. این یافته ها نقش مهمی را ایفا می کند که استارتاپ های با بودجه ویسی در انتشار شیوه های کار تکمیلی برای پذیرش هوش مصنوعی بازی می کنند. ما همچنین حاشیه جدیدی از تجربه را برای کارفرمایان برجسته می کنیم که موفقیت سرمایه گذاری را افزایش می دهد.
بیوگرافی: ماتیاس یک پژوهشگر است که از ابداعات در یادگیری ماشین و هوش مصنوعی برای حل مشکلات دنیای واقعی استفاده می کند. وی معتقد است که هوش مصنوعی انقلابی در علوم اجتماعی ایجاد می کند و به این رشته کمک می کند تا بیشتر به جامعه کمک کند. او متخصص در الگوریتم های یادگیری ماشین برای پردازش زبان طبیعی, خوشه بندی, پیش بینی سری زمانی و تشخیص پرت.
تحقیقات ماتیاس در تقاطع نظریه و عمل نهفته است. او به نظریه مجانبی کلاس جدیدی از الگوریتم ها کمک کرد که به طور خودکار وقفه های ساختاری داده های سری زمانی را مدل می کند. کار تجربی او را پوشش می دهد اکوسیستم های کارافرینی, بازارهای مالی پیش بینی, ظهور ترتیبات کار انعطاف پذیر (اقتصاد فرفره), و جغرافیای اقتصادی.
جیان کینگ فن, پرینستون
عنوان: چگونه و چه زمانی بازده سهام با فرکانس بالا قابل پیش بینی است
چکیده مقاله: این مقاله به بررسی قابلیت پیشبینی بازده سهام با فرکانس بالا و مدت زمان حوادث مربوط به قیمت و حجم معاملات با استفاده از روشهای یادگیری ماشین میپردازد. در می یابیم که بر خلاف فرکانس پایین و بازده افق بلند جایی که قابلیت پیش بینی نادر و متناقض است, قابل پیش بینی بودن در بازده فرکانس بالا و مدت زمان زیاد است, سیستماتیک و فراگیر در افق های کوتاه. ما پیش بینی کننده های مربوطه ساخته شده از داده های معاملات و قیمت ها را شناسایی می کنیم و بررسی می کنیم که چه چیزی تغییر در پیش بینی پذیری را در ویژگی های مختلف سهام و محیط های بازار تعیین می کند. در ادامه به این میپردازیم که چگونه پیشبینیپذیری با بهنگام بودن دادهها در مقیاسی از میلیثانیه بهبود مییابد و ارزشگذاری هر میلیثانیه را فراهم میکند. سرانجام, ما شبیه سازی تاثیر گرفتن (ناقص) زیرچشمی نگاه کردن در جریان سفارش های دریافتی, توانایی نگاه پیش رو است که اغلب به سریع ترین معامله گران فرکانس بالا نسبت داده, از نظر بهبود قابل پیش بینی از بازده زیر و مدت زمان. (کار مشترک با یاسین ایر-سهالیا, لیرونگ ژو, و ییفنگ ژو).
مور 18 استاد امور مالی و مدیر سابق گروه تحقیقات عملیات و مهندسی مالی در دانشگاه پرینستون است که او هم لابراتوار اقتصاد سنجی مالی و هم لابراتوار امار سنجی را هدایت می کند. وی پیش از این در دانشگاه چپل هیل و دانشگاه کالیفرنیا استادی داشت. او نویسنده و یا همکاری نویسنده بیش از 250 مقالات در اقتصاد سنجی مالی, یادگیری ماشین, تجزیه و تحلیل داده های بزرگ, و جنبه های مختلف نظری و روش شناختی امار و یادگیری ماشین. کار مالی خود را با تمرکز بر تجزیه و تحلیل داده های با فرکانس بالا, قیمت گذاری گزینه, نظریه نمونه کارها, ارزیابی ریسک, داده های با ابعاد بالا, و سری های زمانی. وی همچنین سردبیر مجله اقتصاد سنجی و اقتصاد سنجی بوده و به عنوان سردبیر اقتصاد سنجی و علوم مدیریت و انجمن اقتصاد سنجی مالی فعالیت داشته است. r
اثر منتشر شده او توسط جایزه روسای جمهور 2000 به رسمیت شناخته شده است مدال طلای ریاضیات کاربردی مورنینگسید 2007, و یک بورس تحصیلی گوگنهایم در سال 2009, اسکار دانشگاه سینیکا 2012, جایزه پی ال هسو در سال 2013, مدال گای نقره, 2014, و جایزه محقق ارشد نوتر در سال 2018. او یکی از برگزیدگان انجمن پیشرفت علوم و اقتصاد سنجی مالی و موسسه امار ریاضی امریکا و رییس پیشین موسسه امار ریاضی است.
کریستین سالن, برکلی
عنوان: نبرد رباتها
چکیده: حل و فصل در دفاتر غیر متمرکز شفاف و دسته ای است. این تسویه حساب همچنین به نمایندگان تسویه حساب اجازه می دهد تا معاملات داوری سودمند را سلب کنند. داوری ممکن است از نظر اجتماعی مفید یا بی فایده باشد. ما مدل اثر متناوب, حل و فصل خصوصی در داوری. ما سند پرداخت از داوران به مهاجران خصوصی که بیش از 1 میلیون دلار در هر روز
بیوگرافی: کریستین ای. پارلور صندلی مالی و حسابداری سیلوان سی کلمن در برکلی هاس است. بسیاری از کار او در مناطق نهادی پیچیده است, مانند ریزساختار بازار , فینتک و بانکداری. کار فعلی او بر تغییرات در سیستم پرداخت و اثرات بر ترازنامه های بانکی و فینتک به ویژه امور مالی غیرمتمرکز متمرکز است. او برای مجلات مهم مالی و اقتصادی نوشته است. او در شورای مشورتی اقتصادی نزدک بوده است و در حال حاضر در کمیته راهبری برای مطالعه ویژه جدید بازارهای اوراق بهادار. او رییس فعلی انجمن مالی غرب و پیش از رییس گروه نظریه مالی و مدیر مشترک مرکز اطلاعات غیرمتمرکز برکلی است.
هوان تانگ
عنوان: عرضه و تقاضا برای حفظ حریم خصوصی داده ها
چکیده: این مقاله به بررسی چگونگی واکنش مصرف کنندگان و سرمایه گذاران به افشای استاندارد شده از شیوه های حفظ حریم خصوصی داده ها می پردازد. اپل از دسامبر سال 2020 از همه اپلیکیشن ها خواسته است تا شیوه های مجموعه داده های خود را با پر کردن برچسب های "تغذیه" حریم خصوصی استاندارد و خوانا فاش کنند. ما این برچسب های حریم خصوصی را در وب ضبط می کنیم و ابتدا چندین واقعیت تلطیف شده در مورد تامین حریم خصوصی را مستند می کنیم. دومین, افزایش حریم خصوصی لا بلز با دریافت برنامه هفتگی و عواید, ما به بررسی این افشا بر رفتار مصرف کننده. ما از انتشار مبهوت برچسب های حریم خصوصی بهره می بریم و از نسخه اندرویدی غیر در معرض هر برنامه برای ساخت خلاف واقع استفاده می کنیم. پس از انتشار برچسب حریم خصوصی, یک اپلیکیشن به طور متوسط در مقایسه با همتای اندرویدی خود 14% (15%) افت بارگیری هفتگی را تجربه می کند, با یک اثر حتی قوی تر برای برنامه های تهاجمی و قابل تعویض. مصرف کنندگان در ایالات متحده, انگلستان, و فرانسه پاسخ منفی بیشتری می دهند و نشان می دهند که بیشترین مخالفت را با مجموعه داده ها دارند. بیشتر بیش از, ما مشاهده واکنش های نامطلوب بازار سهام, به ویژه در میان شرکت های که برداشت اطلاعات بیشتر, همخوانی یافته ها در بازارهای محصول. یافته های ما داده ها را به عنوان یک دارایی کلیدی برای شرکت ها در عصر دیجیتال برجسته می کند.
بیوگرافی: خوان تانگ استادیار امور مالی در دانشکده اقتصاد لندن است. حوزه های تخصصی او فین تک, بانکداری, و اقتصاد دیجیتال. او در کار اخیر خود ترکیبی از داده های جدید و رویکرد تجربی مبتنی بر نظریه برای درک مزایا و هزینه های ابتکارات فینتک برای خانوارها و شرکت ها است. او همچنین به موضوعات مربوط به حریم خصوصی داده ها توسط اقتصاد دیجیتال علاقه مند است. او برنده جایزه فارغ التحصیل مالی برتر 2020 است. خوان تانگ در سال 2020 دکترای مالی را از پاریس دریافت کرد.
رکسانا میهت, موسسه مالی سوییس و هک لوزان
عنوان: حریم خصوصی مصرف کننده و ارزش داده های مصرف کننده
چکیده: ما تجزیه و تحلیل چگونگی تصویب قانون حفظ حریم خصوصی مصرف کننده کالیفرنیا (حزب کمونیست چین), که محدودیت های مصرف کننده اکتساب اطلاعات شخصی, پردازش, و تجارت, تحت تاثیر قرار شرکت های صدای هوش مصنوعی. برای استخراج پیش بینی های نظری از یک مدل تعادل عمومی استفاده می کنیم که شرکت ها کالاهای واسطه ای را با استفاده از نیروی کار و داده ها در قالب سرمایه نامشهود تولید می کنند که می تواند با هزینه ای که نشان دهنده چالش های نظارتی و فنی است معامله شود. شرکت ها در توانایی خود برای جمع کردن داده ها به صورت داخلی با توجه به اندازه مشتری و اتکا به داده ها متفاوت هستند. هنگامی که معرفی حزب کمونیست چین هزینه داده های تجاری را افزایش می دهد, شرکت های پیچیده با پایگاه های مشتری کوچک ضربه سخت ترین. چنین شرکت هایی توانایی کمی در جمع کردن داده های داخلی و اعتماد بالا به داده ها دارند و نمی توانند داده های خریداری شده قبلی را به اندازه کافی جایگزین کنند. ما از داده های جدید و دستی در شرکت های هوش مصنوعی صوتی برای پشتیبانی تجربی از پیش بینی های نظری خود استفاده می کنیم. ما به طور تجربی نشان می دهیم که شرکت های پیشرفته با محصولات صوتی-هوش مصنوعی پس از معرفی ح.ک. چ بازده کمتری نسبت به همتایان صنعت خود تجربه می کنند و شرکت هایی که پایگاه های مشتری ضعیفی دارند قوی ترین اثرات تحریف کننده را تجربه می کنند.
رکسانا میهت استادیار امور مالی در هک لوزان و عضو هیات علمی موسسه مالی و تحقیقاتی سوییس است. رکسانا اقتصاد داده های مدرن را بررسی می کند و اینکه چگونه فناوری های جدید مانند هوش مصنوعی و داده های بزرگ بر اقتصاد کلان و بازارهای مالی تاثیر می گذارند. پژوهش او برنده جوایز مختلفی از جمله مسابقه اقتصاددانان جوان بانک مرکزی اروپا و جایزه راهبردهای کوبیستی برای تحقیقات برجسته در سازمان جهانی غذا و بورسیه برنامه ساندوز – مونیک دو مورون شده است. قبل از هک لوزان, رکسانا دکترای خود را به پایان رساند. در اقتصاد کسب و کار در دانشگاه نیویورک, مدرسه استرن کسب و کار, یک ام. در اقتصاد در دانشگاه اکسفورد و لیسانس اقتصاد و ریاضیات در دانشگاه شیکاگو. وی همچنین در طول سالها در بخش های تحقیقاتی صندوق بین المللی پول و بانک نروژ در زمینه امور مالی کلان کار کرد.
اولیویه دسنت اینسد
عنوان: داده های جایگزین بهبود پیش بینی مالی? اثر افق
چکیده: "تحقیقات موجود نشان می دهد که داده های جایگزین عمدتا در مورد نتایج کوتاه مدت مفید هستند. ما از لحاظ نظری نشان می دهیم که در دسترس بودن داده های کوتاه مدت می تواند پیش بینی کنندگان را وادار کند تا توجه خود را از بلند مدت به کوتاه مدت تغییر دهند زیرا هزینه دستیابی به اطلاعات کوتاه مدت را کاهش می دهد. در نتیجه, اطلاعاتی از پیش بینی های بلند مدت خود را کاهش می یابد, حتی اگر اطلاعاتی از پیش بینی های کوتاه مدت خود را افزایش می دهد. ما تست و تایید این پیش بینی با توجه به چگونه اطلاعاتی از پیش بینی های تحلیلگران سهام در افق های مختلف در دراز مدت و با قرار گرفتن در معرض خود را به داده های رسانه های اجتماعی متفاوت است.”
بیوگرافی: اولیویه دسنت استاد امور مالی در اینسید است. علایق تحقیقاتی وی شامل امور مالی شرکت و امور مالی رفتاری است. کار او در مجلات علمی پیشرو مانند مجله اقتصاد مالی منتشر شده است, بررسی مطالعات مالی, و بررسی امور مالی. وی در حال حاضر در برنامه های کارشناسی ارشد و دکترا تدریس می کند. اولیویه دارای دکترای مالی از پاریس است. قبل از پیوستن به اینسید, او عضو هیات علمی در دانشکده روتمن مدیریت از دانشگاه تورنتو در کانادا بود. قبل از پیوستن به دانشگاه, او همچنین یک بانکدار سرمایه گذاری در بی ان پی پاریباس بود. او بخشی از تیم های مشاوره ای در پاریس و مادرید بود.
ژان ادوارد کولیارد, هک پاریس
عنوان: قیمت گذاری الگوریتمی و نقدینگی در بازارهای اوراق بهادار" و کار مشترک با تیری فوکو و استفانو لوو (هر دو در پاریس) است.
ما اجازه می دهیم الگوریتم های یادگیری ماشین یک بازی بازارساز را انجام دهند-لا گلوستن و میلگروم (1985) و رفتار خود را با پیش بینی های نظریه استاندارد مقایسه کنند. در می یابیم که" سازندگان الگوریتمی بازار " یاد می گیرند که چگونه با انتخاب نامطلوب کنار بیایند و قیمت های خود را پس از مشاهده جریان سفارش به روز کنند. با این حال, در حالی که نظریه را پیش بینی قیمت های رقابتی در محیط زیست ما, در می یابیم که "الگوریتمی بازار سازان" شارژ علامت تا بیش از قیمت رقابتی. رقابت باعث کاهش مارک ها می شود اما هنوز هم با 10 بازارساز قابل توجه است. نکته مهم این است که ما متوجه می شویم که نشانه ها با میزان انتخاب نامطلوب بازار سازان کاهش می یابد. این نتیجه نشان می دهد که تنظیم کننده های مربوط به احتمال تبانی الگوریتمی در بازارهای مالی باید به طور متناوب بر دارایی ها و دوره هایی با انتخاب نامطلوب کم تمرکز کنند.
بیوگرافی: ژان ادوارد کولیارد دانشیار امور مالی در پاریس است. زمینه های تحقیقاتی اصلی او مقررات موسسات مالی و ریزساختار بازارهای مالی, از جمله موضوعاتی مانند مالیات معاملات مالی, بیش از بازارهای ضد, مورد نیاز سرمایه بانک, و یا اتحادیه بانکی اروپا. تحقیقات ژان ادوارد شده است در امور مالی و مدیریت مجلات پیشرو مانند مجله مالی منتشر شده, بررسی مطالعات مالی, و علوم مدیریت.
امیلیو کالوانو, دانشگاه رم-تور ورگاتا
عنوان: هوش مصنوعی, قیمت گذاری الگوریتمی, و تبانی
چکیده: الگوریتم ها به طور فزاینده ای تصمیم گیرندگان انسانی را در قیمت گذاری محصولات و مناقصه های حراج جایگزین می کنند. من یک مطالعه از رفتار الگوریتم های طراحی شده توسط هوش مصنوعی (کیو-یادگیری) در یک مدل الیگوپولی اسب کار رقابت قیمت های مکرر در حال حاضر, و بحث در مورد پیامدهای سیاست و همچنین راه هایی برای تحقیقات بعدی. این مطالعه نشان می دهد که الگوریتم ها به طور مداوم یاد می گیرند که قیمت های فوق رقابتی را بدون برقراری ارتباط با یکدیگر شارژ کنند. قیمت های بالا توسط استراتژی های تبانی با یک مرحله محدود از مجازات پس از بازگشت تدریجی به همکاری پایدار.
بیوگرافی: امیلیو کالوانو (دکترا, دانشکده اقتصاد تولوز, 2008) استاد کامل اقتصاد در دانشگاه رم است – تور ورگاتا, دانشیار دانشکده اقتصاد تولوز, و همکار پژوهشی مرکز تحقیقات سیاست اقتصادی در لندن (سپر). او یک اقتصاددان نظری کاربردی است که تحقیقاتش عمدتا بر نظریه سازمان صنعتی متمرکز است. او در رسانه های معتبر بین المللی مانند مجله علمی منتشر کرده است, بررسی اقتصادی امریکا, علوم مدیریت, مجله اقتصادی امریکا: اقتصاد خرد, مجله اقتصادی, و مجله بین المللی سازمان صنعتی و سردبیر دانشیار در مجله اقتصاد صنعتی است. منافع تحقیقاتی خود را شامل اقتصاد هوش مصنوعی, اقتصاد سیستم عامل, اقتصاد اطلاعات, و سیاست رقابت. کارهای اخیر وی تاثیر الگوریتم های مجهز به هوش مصنوعی (مانند نرم افزار قیمت گذاری و سیستم های توصیه گر) را در بازارهای دیجیتال مطالعه می کند
ماکسیم بونلی, هک پاریس
عنوان: هوش مصنوعی توسط سرمایه گذاران
چکیده: من مطالعه می کنم که چگونه پذیرش هوش مصنوعی توسط سرمایه گذاران خطرپذیر برای بررسی فرصت های سرمایه گذاری بر بودجه ابتکاری تاثیر می گذارد. اولین, من یک سری از حقایق جدید با استفاده از داده های جهانی در سرمایه گذاری وی سی سند. پس از تصویب هوش مصنوعی, وی سی شیب نمونه کارها خود را به سمت راه اندازی شبیه به قبلا سعی کسب و کار. در میان این, وی سی بهتر در چیدن راه اندازی است که بودجه پیگیری دریافت تبدیل. با این حال, سرمایه گذاری های ویسی ها به احتمال زیاد منجر به پیشرفت های عمده ای می شود, مثلا, ایپو یا حق ثبت اختراع. این نتایج با هوش مصنوعی با استفاده از داده های تاریخی اطلاعاتی در مورد استارتاپ های مشابه مشاغل قبلی مطابقت دارد اما در مورد شرکت های پیشرفته نیست. دومین, برای تخمین اثر علی از تصویب هوش مصنوعی در سرمایه گذاری وی سی من بهره برداری از یک شوک افزایش وی سی' تعداد فرصت های سرمایه گذاری بالقوه. این شوک انگیزه های وی سی ها را برای اتخاذ هوش مصنوعی برای خودکارسازی غربالگری افزایش می دهد. پیدا کنم که وی سی بیشتر در معرض شوک هستند احتمال بیشتری برای اتخاذ هوش مصنوعی و من اثر علی خود را در سرمایه گذاری وی سی اعلام می. یافته های من نشان می دهد که پذیرش هوش مصنوعی توسط وی سی ها ممکن است بودجه بیشتری برای دستیابی به موفقیت های جدید فراهم نکند.
بیوگرافی: ماکسیم یک کاندیدای دکترا در امور مالی در پاریس است. او در بازار کار دانشگاهی 2022/2023 خواهد بود. از جمله مهمترین علایق پژوهشی وی میتوان به مدیریت سرمایهگذاری و کسب و کار و امور مالی اشاره کرد. ماکسیم قبل از شروع تحصیلات دکترای خود در پاریس بیش از چهار سال به عنوان محقق کمی در صنعت مدیریت دارایی کار کرد. در ریاضیات (اینریا), کارشناسی ارشد در اقتصاد (اکول پلی تکنیک – انس – هک پاریس) و مدرک مهندسی در ریاضیات کاربردی (دانشگاه پلی تکنیک اکول Nice خوب سوفیا ضد پولیس).
