본 논문은 확률적 수익을 가진 자산 시장에서 이종 학습 에이전트의 성능을 분석합니다. 특히 베이지안 학습자와 후회 없는 학습자의 시장 경쟁을 비교하고 각 접근 방식이 더 효과적인 조건을 파악하는 데 중점을 둡니다. 놀랍게도, 낮은 후회는 생존에 충분하지 않다는 것을 발견했습니다. 에이전트는 $O(\log T)$만큼 낮은 후회를 가지더라도 유한 사전과 올바른 모델에 대한 양의 사전 확률을 가진 베이지안과 경쟁할 때 사라질 수 있습니다. 반면, 베이지안 학습은 취약하지만 후회 없는 학습은 환경에 대한 지식이 적게 필요하므로 더 강력합니다. 두 접근 방식의 강점과 약점을 바탕으로, 강건성과 분포 변화에 대한 적응성을 향상시키는 베이지안 업데이트를 활용하는 균형 잡힌 전략을 제안하여 최고의 장점을 결합한 학습 방식을 향한 한 걸음을 내딛습니다. 이 방법은 일반적이고 효율적이며 구현이 용이합니다. 마지막으로, 경제학에서 연구된 생존과 시장 지배 개념과 후회 최소화 프레임워크 간의 관계를 공식적으로 확립하여 이러한 이론을 연결합니다. 더 광범위하게, 본 연구는 이종 유형의 학습 에이전트의 역학과 시장에 미치는 영향에 대한 이해에 기여합니다.
