Regulando la fijación de precios algorítmica para mercados justos

En el mercado de hoy, muchos vendedores usan algoritmos para ajustar sus precios basándose en datos que recopilan de la competencia y los consumidores. Aunque estos algoritmos pueden ayudar a los vendedores a fijar precios competitivos, existe el riesgo de que puedan llevar a precios más altos de lo que normalmente se encontraría en un mercado competitivo. Esta posibilidad de precios más altos puede perjudicar a los consumidores, que podrían terminar pagando más por bienes y servicios. Por lo tanto, es importante establecer algún tipo de regulación para monitorear estos algoritmos y asegurarse de que funcionen de manera justa.

Una preocupación importante es si estos Algoritmos de precios pueden operar de manera efectiva sin coludirse para fijar precios más altos. Colusión, en este contexto, se refiere a una situación en la que los vendedores trabajan juntos, consciente o inconscientemente, para mantener los precios artificialmente altos. El desafío surge porque estos algoritmos pueden aprender unos de otros y podrían alinear accidentalmente sus estrategias de precios, lo que lleva a resultados que perjudican a los consumidores.

Para abordar este problema, proponemos una definición clara de lo que consideramos comportamiento no colusivo entre los algoritmos de precios. Esta definición ayudará a los reguladores a auditar estos algoritmos y asegurarse de que operen de manera justa en el mercado. Implica establecer una forma de evaluar si las estrategias de precios de estos algoritmos están en línea con los principios de precios competitivos.

La idea central es permitir que los reguladores auditen algoritmos analizando los datos que recopilan. Por ejemplo, si un algoritmo está optimizando efectivamente sus precios de acuerdo con las Condiciones del mercado, debería ser capaz de recoger datos que demuestren su equidad. Por otro lado, si se encuentra que un algoritmo está fijando constantemente precios que son demasiado altos -por encima de lo que se esperaría en un escenario competitivo- se marcaría como potencialmente colusivo.

A medida que los algoritmos evolucionan, se están volviendo más comunes en varios mercados. Los vendedores pueden implementar sus propios algoritmos para fijar precios basados en los datos que recopilan sobre la demanda y la competencia. Plataformas como eBay y Airbnb, que conectan a vendedores y compradores, pueden querer recomendar algoritmos que ayuden a los vendedores sin arriesgar problemas legales relacionados con la fijación de precios. Investigaciones recientes han mostrado cómo ciertas configuraciones de algoritmos de precios pueden encontrar y mantener precios no competitivos, lo que genera preocupaciones entre los reguladores sobre la posible colusión.

Consecuentemente, los reguladores deben estar conscientes de los riesgos asociados con la colusión algorítmica. Hay tres áreas principales de preocupación:

1. Preocupaciones Regulatorias: Los reguladores necesitan encontrar maneras de reducir el riesgo de colusión mientras se aseguran de que cualquier medida que introduzcan esté alineada con las leyes existentes contra la colusión.

2. Intereses de los Vendedores: Los vendedores individuales pueden querer algoritmos que hayan demostrado ser no colusivos. Desean evitar participar en actividades ilegales que puedan surgir de esfuerzos de fijación de precios coordinados, ya sean intencionados o no.

3. Responsabilidades de las Plataformas: Las plataformas de terceros quieren recomendar algoritmos de precios que las protejan de posibles problemas legales relacionados con la fijación de precios.

Se han propuesto varios enfoques para actualizar las leyes de competencia y antimonopolio para abordar los desafíos presentados por la colusión algorítmica. Este documento contribuye a estas discusiones ofreciendo un método práctico para regular estos algoritmos basado en los datos que generan.

Nuestra prueba propuesta para la no colusión se asemeja estrechamente a la forma en que las leyes actuales evalúan la colusión no algorítmica. En EE. UU., los tribunales a menudo se basan en pruebas que demuestran que los vendedores han participado en comunicación abierta como prueba de colusión. Sin embargo, dado que los algoritmos no se comunican de la misma manera que los humanos, es crucial observar los resultados que producen en su lugar. Si los resultados muestran precios competitivos en circunstancias normales, los algoritmos podrían considerarse no colusivos.

Por otro lado, si un algoritmo genera consistentemente precios altos, puede ser necesario intervenir regulatoriamente. Si las estrategias de precios no se alinean con los puntos de referencia competitivos, puede indicar un problema subyacente, ya sea debido a colusión u otros factores.

#Desafíos Actuales en la Regulación de la Colusión Algorítmica

Bajo las leyes existentes, simplemente emplear algoritmos para la fijación de precios no equivale a colusión. Sin embargo, la naturaleza de las interacciones algorítmicas facilita que los precios se desplacen por encima de los niveles competitivos sin ningún acuerdo directo entre los vendedores. Por lo tanto, se justifica un marco regulatorio para monitorear estos algoritmos de precios en busca de señales de comportamiento no competitivo.

Dada la posibilidad de colusión, los vendedores podrían preferir usar algoritmos que demuestren cumplimiento con prácticas de precios justas. Las plataformas podrían beneficiarse de esto recomendando algoritmos que han demostrado adherirse a precios justos.

Algunos expertos sugieren regular la colusión algorítmica prohibiendo outright ciertos algoritmos de precios dañinos. Sin embargo, este enfoque tiene sus desventajas. Por un lado, a menudo requiere exámenes detallados por parte de expertos técnicos, lo cual puede ser costoso y revela información propietaria sobre los algoritmos. También es desafiante obtener información significativa de los códigos fuente de algoritmos complejos, especialmente aquellos basados en técnicas de aprendizaje profundo.

Otro método propuesto implica probar algoritmos de precios con escenarios simulados para observar su comportamiento. Aunque las pruebas dinámicas pueden ayudar a identificar problemas potenciales, tienen limitaciones. El vasto número de posibles entradas hace que sea poco práctico probar cada escenario. Además, los algoritmos pueden comportarse de manera diferente en situaciones del mundo real en comparación con entornos simulados.

Nuestro enfoque cambia el foco de analizar códigos fuente o ejecutar simulaciones a desarrollar un marco estadístico que permita a los algoritmos validar su comportamiento no colusivo basado en los datos que generan mientras operan. Esta condición empírica puede ser verificada sin que los reguladores necesiten acceder a información propietaria sensible.

Al ajustar algoritmos que están funcionando bien para recopilar datos que confirmen la no colusión, podemos abrir la puerta a nuevos estándares Regulatorios. Estos estándares requerirán que los algoritmos de precios demuestren continuamente que están participando en prácticas de precios justas.

#Características de la No Colusión

El documento presenta una definición de no colusión plausible que incorpora dos grupos principales de propiedades: económicas y legales.

#Propiedades Económicas

1. No Colusión Unilateral: Un vendedor debería poder adoptar una estrategia de precios no colusiva sin importar las acciones de otros vendedores.

2. Compatibilidad de Información: El enfoque permite a los vendedores incorporar información adicional que pueda influir en la demanda y los precios.

3. Optimización: Los algoritmos que buscan optimizar su comportamiento de precios no deberían considerarse colusivos.

#Propiedades Legales

1. Plausiblemente Correcto: Los algoritmos que participan en colusión no cumplirán con este estándar, ya que serán inconsistentes con los comportamientos típicos del mercado.

2. Carga Mínima de Cumplimiento: Existen algoritmos bien conocidos que operan dentro de estrategias de precios óptimas y pueden cumplir fácilmente con las regulaciones sin una pérdida significativa de rendimiento.

Nuestra definición enfatiza la necesidad de que los algoritmos operen de forma independiente mientras se les permite utilizar cualquier información adicional relevante. Por ejemplo, si todos los vendedores saben que la demanda fluctúa según el día de la semana, ajustar los precios en consecuencia no debería verse como colusión.

#Cómo Definir y Probar la No Colusión

Si los algoritmos cumplen con las propiedades económicas propuestas, pueden considerarse no colusivos. Si no, los reguladores pueden necesitar investigar más. Argumentamos que si los algoritmos no se adhieren a estas tres propiedades económicas, significa la posibilidad de colusión que los reguladores podrían querer abordar.

Nuestro marco legal proporciona una base para que los reguladores exijan que los algoritmos sigan una definición de no colusión. Esto asegura que los vendedores se abstengan de participar en prácticas de precios injustas y que los reguladores puedan responsabilizar a los algoritmos si es necesario.

En el contexto de entornos dinámicos, donde las estrategias de precios pueden evolucionar, los vendedores deberían ajustar continuamente sus algoritmos para responder mejor a las condiciones del mercado. A medida que los vendedores aprenden sobre la dinámica del mercado, el objetivo es que refinen sus precios lo suficiente como para eliminar prácticas de precios excesivos.

Sin embargo, es importante reconocer que el regulador no necesita conocer la estructura de costos exacta de un vendedor. En su lugar, entender que los costos están dentro de un rango general es suficiente para realizar auditorías sobre el comportamiento de precios.

#Estableciendo un Marco Estadístico

Para probar eficazmente la no colusión plausible, introduciremos una prueba estadística que evalúe el desempeño del vendedor. Crearemos un método que permita a los auditores determinar si las estrategias de un vendedor cumplen con los criterios de no colusión.

La prueba propuesta mide el arrepentimiento esperado de las decisiones de precios del vendedor contra una estrategia fija. Si el arrepentimiento es bajo, esto indica que el comportamiento de precios del vendedor está en línea con las prácticas competitivas y, por lo tanto, es plausiblemente no colusivo.

Además, este marco debe ser lo suficientemente flexible para permitir que cualquier buen algoritmo de precios se adapte y recopile los datos necesarios para que los reguladores realicen sus evaluaciones.

#Usando Estimadores de Puntuación de Propensión

Una forma de llevar a cabo este marco de auditoría es utilizando estimadores de puntuación de propensión. Estas son herramientas estándar utilizadas en situaciones de multi-armado donde hay varias estrategias de precios disponibles.

Al enfocarnos en la estrategia de precios de un solo vendedor dentro de este marco, podemos analizar las secuencias de distribuciones de precios, precios reales publicados y la demanda observada en el mercado.

El análisis utilizará la historia de las decisiones de un vendedor para estimar su arrepentimiento y determinar si las estrategias de precios siguen siendo competitivas. Si el algoritmo de un vendedor produce continuamente bajo arrepentimiento contra un punto de referencia competitivo, se puede clasificar con confianza como no colusivo.

La prueba también necesitará tener en cuenta la exploración, asegurando que los vendedores muestreen varias estrategias de precios. Esto evita que se queden atrapados en óptimos locales y ayuda a revelar su verdadero rendimiento en el mercado.

#Conclusión

La llegada de la fijación de precios algorítmica ha transformado cómo operan los vendedores en mercados competitivos. Si bien los algoritmos ofrecen ventajas únicas, también presentan desafíos en cuanto a prácticas de precios justos.

Para prevenir la posible colusión, debemos implementar un robusto marco regulatorio que permita la auditoría de algoritmos de precios a través de medios estadísticos. Al establecer definiciones y pruebas claras para la no colusión, los reguladores pueden mantener condiciones de mercado justas, protegiendo a los consumidores y asegurando una competencia leal entre los vendedores.

A medida que más vendedores adopten estrategias de precios algorítmicas, es vital seguir refinando estos marcos para satisfacer la dinámica del mercado en evolución. El trabajo futuro en esta área puede centrarse en simplificar los procesos de prueba y explorar métodos adicionales para mejorar el panorama regulatorio en torno a la fijación de precios algorítmica.