机器学习市场中的等弹性智能体与财富更新

最近，预测市场在开发机器学习灵活机制方面显示出巨大潜力。本文考虑了具有等弹性效用的智能体。研究表明，具有等弹性效用的同质市场中的智能体产生的成本对应于α混合的均衡价格，其中混合成分与每个智能体的财富相关。我们还证明，通过对训练目标预测的收益，对数型和其他等弹性智能体的财富积累可以通过施加不同的市场收益结构来实现贝叶斯模型更新和混合权重更新。给出了市场均衡计算的迭代算法。我们证明，具有等弹性效用的异质市场中的智能体在多个机器学习基准上优于最先进的聚合分类器（如随机森林）以及单一分类器（神经网络、决策树），并且表明等弹性组合方法通常优于其对应对数方法。