Skip to content

不完全信息博弈——贝叶斯博弈中类型空间如何将未知转化为已知概率分布

原文提炼

海萨尼转换——不完全信息博弈的理论基石：

"Harsanyi's key insight: a game of incomplete information can be transformed into a game of imperfect information by introducing a 'type' for each player drawn from a commonly known prior distribution."

三个层次的信息状态：

层次 定义 博弈类型 解概念
完全信息 所有玩家的收益和策略公共知识 完全信息博弈 纳什均衡
不完全信息 部分玩家不知道其他玩家的某些特征 贝叶斯博弈 贝叶斯纳什均衡
不完美信息 玩家不知道博弈历史的某些部分 扩展式博弈 子博弈精炼均衡

贝叶斯博弈的形式化：

\[ \Gamma = (N, A_1, ..., A_n, T_1, ..., T_n, p, u_1, ..., u_n) \]
  • \(T_i\)：玩家 \(i\) 的类型空间（私密信息）
  • \(p(t_{-i} | t_i)\)：玩家 \(i\) 的条件信念（基于公共先验）
  • \(u_i(a_1, ..., a_n, t_1, ..., t_n)\)：类型依赖的收益

贝叶斯纳什均衡 (BNE)：

每个类型的每个玩家，给定其对其他玩家类型的信念，选择最大化期望收益的行动。

\[\forall i, \forall t_i: a_i(t_i) = \arg\max_{a_i} \mathbb{E}_{t_{-i}|t_i} \left[ u_i(a_i, a_{-i}(t_{-i}), t_i, t_{-i}) \right]\]

三个经典应用

应用 私密信息（类型） 行为信号 均衡性质
拍卖（第一价格） 估值 \(v_i\) 出价 \(b_i\) 贝叶斯纳什均衡：\(b_i < v_i\)，出价低估程度取决于竞争激烈度
劳动力市场信号 能力 \(\theta\) 教育年限 \(e\) 分离均衡：高能力者用高成本教育信号区分自己
预测市场 私人信息/信念 交易行为 价格聚合信息：市场价格 = 加权的群体信念

信号传递——Spence 教育信号模型

劳动力市场中的不完全信息：

  1. 工人知道自己的生产力类型 \(\theta \in \{H, L\}\)，雇主不知道
  2. 教育 \(e\) 本身不增加生产力，但成本不同：\(c_H(e) < c_L(e)\)（高能力者学习成本更低）
  3. 分离均衡：高能力者选择的教育水平 \(e_H^*\) 使得低能力者不愿意模仿——即使这样做能让低能力者冒充高能力者获得高工资

条件：\(w_H - c_L(e_H^*) < w_L\) —— 对低能力者来说，拿高工资的成本大于工资差额。

预测市场——价格即预测

市场价格的贝叶斯解释：

在均衡中，资产价格等于按风险中性概率加权的预期未来收益。当交易者在市场中用钱表达信念时，市场价格是群体信念的有效聚合。

关键机制： 1. 有信息交易者：拥有私人信号，通过买卖表达信念 2. 价格调整：做市商根据订单流调整价格 3. 最终价格反映所有可获得的私人信息

实证：预测市场（如 PredictIt、爱荷华电子市场）在预测选举结果时通常比民调更准确——因为民调问的是"你会选谁"（廉价信号），市场要求"你用钱赌谁"（昂贵信号 → 可信信号）。

跨域链接