Newest papers

How language model agents reshape price competition

Martin Bichler, Philip Hierhager, Kassian Köck, Fabian Pieroth · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.21711 · cited by 0 works (OpenAlex) · open-access PDF

Russian

Повторяющаяся конкуренция Бертранда является строгим критерием для алгоритмического ценообразования: на однородных рынках товаров стандартные процедуры обучения обычно выбирают результат игры Nash с ценами, близкими к маргинальным затратам. Мы показываем, что агенты по ценам LLM могут избежать этого показателя в зависимости от решений по развертыванию. LLM превосходят стандартных онлайн-обучающихся через более быструю адаптацию, но это преимущество в значительной степени исчезает против учащихся с полной информацией. Экстрагированный алгоритм суррогата иллюстрирует, как LLM в конкретных развертываниях получают прибыль от регулярного подрыва более медленных учащихся. Агенты, которые публикуют одну цену каждый период из сырых рыночных

Machine translation (Meta M2M100); the English original follows.

Abstract

Repeated Bertrand competition is a stringent benchmark for algorithmic pricing: in homogeneous-goods markets, standard learning procedures typically select the stage-game Nash outcome with prices near marginal cost. We show that LLM pricing agents can escape this benchmark, depending on deployment decisions. LLMs outperform standard online learners through faster adaptation, but this advantage largely disappears against full-information learners. An extracted surrogate algorithm illustrates how LLMs in specific deployments profit from regularly undercutting slower learners. Agents that post one price every period from raw market histories that include rival prices can sustain supracompetitive regimes in self-play. Agents that periodically emit probability distributions from summarized histories of their own profits instead move toward the competitive region in self-play. Markets mixing these interfaces can generate dynamic regimes in which LLMs establish a high-price anchor and regularly undercut it to capture demand. These regimes can keep both competitors' prices above marginal cost. Deployment choices shape these outcomes, shifting the focus from stationary equilibria to dynamic pricing regimes.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Economics, Microeconomics, Outcome (game theory), Competition (biology), Profit (economics), Dynamic pricing

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange