Detailansicht
Imitation and learning under imperfect information
a heterogeneous-agent approach
Aleksei Markov
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Banking and Finance
Betreuer*in
Maarten Janssen
DOI
10.25365/thesis.81955
URN
urn:nbn:at:at-ubw:1-20996.80342.382653-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Arbeit quantifiziert die Rauschschwelle σ*, an der wohlstandsbasierte Imitation aufhört, als Selektionsmechanismus für Fähigkeit zu wirken, und stattdessen lediglich idiosynkratisches Glück verbreitet. Mittels eines heterogenen Agenten-Simulationsmodells mit 200 Händlern mit verborgener Fähigkeit, bayesianischer Prognose unter verrauschten Signalen und einer wohlstandsbasierten Imitationsregel wird der marginale Effekt der Imitation auf das aggregierte logarithmische Wachstum über ein dreizehnpunktiges Gitter der idiosynkratischen Rauschskala untersucht, unter drei Imitationsregimen (keine Imitation, Baseline und aggressive Intensität), mit 25 Monte-Carlo-Wiederholungen pro Zelle. Die Robustheit wird durch Bootstrap-Inferenz und eine Skalierungsanalyse über fünf (N, T)-Konfigurationen mit Populationsgrößen von 200 bis 1000 und Horizonten von 800 bis 1800 Perioden geprüft. Es werden drei Hypothesen überprüft. Erstens existiert ein endlicher Schwellenwert σ*, bei dem der Beitrag der Nachahmung zum Gesamtwachstum sein Vorzeichen wechselt; dies wird bei der Basiskalibrierung eindeutig bei σ* ≈ 0,44 bestätigt, liegt über alle fünf getesteten Konfigurationen hinweg im engen Bereich [0,35; 0,45] und erscheint als durchgehende Grenze auf der (σidio, p)-Parameterfläche. Zweitens verschiebt ein stärkerer Nachahmungsdruck σ* zu niedrigeren Rauschwerten; diese Vorhersage wird durch die Daten nicht bestätigt. Bei der Basiskalibrierung beträgt die Punktschätzung Δσ* = +0,091, was in der Richtung mit der Vorhersage übereinstimmt, jedoch mit einem Bootstrap-95%-Konfidenzintervall [−0,010, +0,207], das den Wert Null enthält. In vier zusätzlichen Skalierungskonfigurationen nimmt die Punktschätzung die Werte {0,000; −0,024; −0,008; −0,022} an, jeweils mit Konfidenzintervallen, die die Null enthalten. Das Konvergenzmuster über die Konfigurationen ist die diagnostische Signatur von Stichprobenrauschen und nicht eines strukturellen Intensitätseffekts; σ* ist daher auf jeder Skala jenseits der Baseline strukturell invariant gegenüber der Imitationsintensität. Drittens erhöht wohlstandsbasierte Imitation die Ungleichheit auf jedem Rauschniveau über alle fünf getesteten Konfigurationen strikt, einschließlich oberhalb von σ*, wo Imitation gleichzeitig das Wachstum schädigt. Der Hauptbeitrag besteht in der strukturellen Quantifizierung von σ* als Rauschgrenze, die sich in drei unabhängigen diagnostischen Messungen — aggregiertes Wachstum, Fähigkeit–Wohlstand-Korrelation und Phasendiagramm-Geometrie — manifestiert und gegenüber der Intensität des Imitationsmechanismus, durch den sie sichtbar wird, invariant ist. Ein methodischer Beitrag, das Konvergenzmuster-Diagnostikum, unterscheidet echte endlich-skalige Effekte von Stichprobenartefakten in agentenbasierten Simulationsexperimenten. Ein weiterer substantieller Befund ist die Identifizierung eines Regimes der Verschlechterung an beiden Rändern oberhalb von σ*, in dem Wachstum und Ungleichheit gemeinsam und nicht als konjugierte Trade-offs verschlechtert werden.
Abstract
(Englisch)
This thesis quantifies the noise threshold σ* at which wealth-based imitation switches from operating as a selection mechanism for skill to merely propagating idiosyncratic luck. Using a heterogeneous-agent simulation model of 200 traders with hidden skill, Bayesian forecasting under noisy signals, and a wealth-based imitation rule, the marginal effect of imitation on aggregate log-growth is examined across a thirteen-point grid of the idiosyncratic noise scale, under three imitation regimes (no imitation, baseline, and aggressive intensity), with 25 Monte Carlo seeds per cell. Robustness is assessed through bootstrap inference and a scaling analysis across five (N, T) configurations spanning population sizes from 200 to 1000 and horizons from 800 to 1800 periods. Three hypotheses are tested. First, a finite threshold σ* exists at which imitation's contribution to aggregate growth changes sign; this is confirmed without ambiguity at σ* ≈ 0.44 under the baseline calibration, lies in the narrow range [0.35, 0.45] across all five tested configurations, and appears as a continuous boundary across the (σidio, p) parameter plane. Second, the prediction that stronger imitation pressure lowers σ* finds no empirical support. The baseline point estimate is Δσ* = +0.091 — directionally consistent with P2, but the 95% bootstrap confidence interval [−0.010, +0.207] straddles zero, and the signal-to-noise ratio of 1.56 falls short of any conventional threshold for statistical significance. Across four additional scaling configurations, the picture does not improve: the point estimates land at 0.000, −0.024, −0.008, and −0.022 respectively, with every confidence interval again containing zero. The convergence pattern across configurations is the diagnostic signature of finite-sample noise rather than a structural intensity effect; σ* is therefore structurally invariant to the intensity of imitation at every scale beyond the baseline. Third, wealth-based imitation strictly increases inequality at every noise level across all five tested configurations, including above σ* where imitation simultaneously harms growth. The principal contribution is the structural quantification of σ* as a noise boundary that surfaces in three independent diagnostic measurements — aggregate growth, skill–wealth correlation, and phase-diagram geometry — and is invariant to the intensity of the imitation mechanism through which it surfaces. A methodological contribution, the convergence-pattern diagnostic, distinguishes genuine finite-scale effects from finite-sample artifacts in agent-based simulation experiments. A further substantive finding is the identification of a dual-margin welfare worsening regime above σ* in which growth and inequality deteriorate jointly rather than as conjugate trade-offs.
Schlagwörter
Schlagwörter
(Deutsch)
Agentenbasierte Simulation Nachahmung Soziales Lernen Rauschschwelle Fähigkeit versus Glück Vermögensungleichheit
Schlagwörter
(Englisch)
Agent-based simulation Wealth-based imitation Social learning Noise threshold Skill versus luck Wealth inequality
Autor*innen
Aleksei Markov
Haupttitel (Englisch)
Imitation and learning under imperfect information
Hauptuntertitel (Englisch)
a heterogeneous-agent approach
Paralleltitel (Deutsch)
Imitation und Lernen unter unvollkommener Information
Paralleluntertitel (Deutsch)
ein Ansatz mit heterogenen Agenten
Publikationsjahr
2026
Umfangsangabe
122 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Maarten Janssen
AC Nummer
AC18028645
Utheses ID
82116
Studienkennzahl
UA | 066 | 974 | |