Algoritmos genéticos en economía

Los algoritmos genéticos se han aplicado cada vez más a la economía desde el trabajo pionero de John H. Miller en 1986. Se han utilizado para caracterizar diversos modelos, como el modelo de telaraña , el modelo de generaciones superpuestas , la teoría de juegos , la optimización de horarios y la valoración de activos . En concreto, se han utilizado como un modelo para representar el aprendizaje, en lugar de como un medio para ajustar un modelo.

El modelo de telaraña es un modelo simple de oferta y demanda para un bien a lo largo de t periodos. Las empresas (agentes) toman una decisión sobre la cantidad de producción en un periodo determinado, pero su producción no se realiza hasta el periodo siguiente. Por lo tanto, las empresas deben utilizar algún método para predecir el precio futuro. El algoritmo genético (AG) se utiliza como mecanismo de aprendizaje para las empresas. Inicialmente, sus decisiones de cantidad de producción son aleatorias, pero en cada periodo aprenden un poco más. Como resultado, los agentes convergen dentro del área de equilibrio de expectativas racionales (RATEX) tanto para el caso estable como para el inestable. Si se utiliza el operador de elección, el AG converge exactamente al equilibrio RATEX.

Existen dos tipos de métodos de aprendizaje que se pueden aplicar a estos agentes: aprendizaje social e individual. En el aprendizaje social, cada empresa dispone de una única cadena de caracteres que utiliza para determinar la cantidad de producción. Posteriormente, compara esta cadena con las de otras empresas. En el aprendizaje individual, los agentes disponen de un conjunto de cadenas de caracteres. Estas cadenas se comparan con otras cadenas dentro del conjunto de cadenas del agente. Esto puede interpretarse como una competencia mutua de ideas dentro de una empresa, mientras que en el caso social, puede entenderse como una empresa que aprende de empresas más exitosas. Cabe destacar que, tanto en el caso social como en el de aprendizaje individual, con funciones de coste idénticas, se obtiene una solución homogénea, es decir, las decisiones de producción de todos los agentes son idénticas. Sin embargo, si las funciones de coste no son idénticas, se obtiene una solución heterogénea, donde las empresas producen cantidades diferentes (aunque siguen siendo localmente homogéneas, es decir, dentro del conjunto de cadenas de cada empresa, todas las cadenas son idénticas).

Una vez que todos los agentes han tomado una decisión sobre la cantidad de producción, las cantidades se agregan y se introducen en una función de demanda para obtener un precio. A continuación, se calcula el beneficio de cada empresa. Posteriormente, se calculan los valores de aptitud en función de los beneficios. Tras generar el conjunto de descendientes, se calculan valores de aptitud hipotéticos. Estos valores hipotéticos se basan en algún tipo de estimación del nivel de precios, a menudo simplemente tomando el nivel de precios anterior.

• Lista de aplicaciones de algoritmos genéticos §  Finanzas y Economía

• JH Miller, 'Un modelo genético del comportamiento económico adaptativo', documento de trabajo de la Universidad de Michigan, 1986.
• J. Arifovic, 'Aprendizaje mediante algoritmos genéticos en entornos económicos', Tesis doctoral, Universidad de Chicago, 1991.
• J Arifovic, 'Aprendizaje mediante algoritmos genéticos y el modelo de telaraña', Journal of Economic Dynamics and Control, vol. 18, número 1, (enero de 1994), 3 – 28.
• R. Hoffmann, «Las localizaciones independientes de la interacción y el aprendizaje en el dilema del prisionero repetido», Theory and Decision, vol. 47, págs.  57-72, 1999.
• R. Hoffmann, 'La ecología de la cooperación', Theory and Decision, vol. 50, número 2, págs.  101-118, 2001.

• Centro para el Comportamiento Adaptativo en Economía
• Economía computacional basada en agentes y vida artificial: una breve introducción