Dinâmicas de Aprendizado em Cenários de Incertezas de Mercado: uma aplicação de teoria dos jogos com Experience-Weighted Attraction

Trabalho de Conclusão de Curso defendido em: data
Explore o documento em »

Veja o artigo sobre este projeto · Reportar bug · Solicitar feature

Autor

_{André V. P. de Melo}

Tecnologias utilizadas

O projeto utiliza R como base, com ênfase em Shiny, ggplot2, dplyr, bslib e rgamer para modelagem de jogos, simulação e visualização.

Sobre este repositório

Este repositório concentra o código-fonte do meu TCC sobre dinâmicas de aprendizado em cenários de incerteza de mercado. Investigo três algoritmos de aprendizagem em jogos 2×2 — Experience-Weighted Attraction (EWA), Reinforcement Learning (RL) e Belief-based Learning (BL) — e comparo a trajetória dos agentes com os equilíbrios teóricos. O foco recai sobre dois ambientes clássicos: Buyer–Seller Game (BSG) e Market Entry Game (MEG).

Compatibilidade:
Este projeto foi desenvolvido e testado em R 4.3.2 (Windows 11).
Versões posteriores (como R 4.4 ou superiores) podem causar falhas no pacote rgamer, no que diz respeito a função solve_nfg().
Recomenda-se manter a série 4.3 para reprodutibilidade total.

O que você encontrará aqui

• Modelos em forma normal para BSG e MEG, implementados com rgamer, incluindo definição de jogadores, estratégias e payoffs.
• Simulador baseado em agentes com execução de rodadas sob EWA, RL e BL, controle de parâmetros e de horizontes (amostras e períodos). A metodologia descreve as equações do EWA e seus casos especiais (RL e BL), além da implementação em R.
• Exploração interativa via Shiny para ajustar $\lambda$ (sensibilidade à atração) e observar a evolução das proporções de escolha por estratégia e por jogador ao longo do tempo.
• Geração de tabelas e figuras (métricas descritivas, distribuições, correlações e matrizes de jogo) prontas para exportação em PDF, PNG e LaTeX.

Metodologia (resumo)

As matrizes de BSG e MEG são definidas via rgamer::normal_form, com payoffs especificados por funções (BSG) ou vetores (MEG). A infraestrutura de simulação cria amostras e períodos, agrega os resultados e produz visualizações por jogador e estratégia.
Os parâmetros do EWA seguem faixas e relações comuns na literatura (por exemplo, $\phi \approx 0{,}62$, $\delta \approx 0{,}75$, $\rho \le \phi$), com ajustes para jogos 2×2.

Como executar rapidamente

1. Instale R (e RStudio/Positron, opcional).
2. Instale as dependências (veja scripts/pacotes.R).
3. Para gerar figuras e tabelas: execute main.R.
4. Para usar o painel interativo: rode app.R e abra o Shiny no navegador
   (ou acesse: https://drewmelo.shinyapps.io/ewa-market-dynamics/).

Observação. O repositório inclui helpers para exportação de figuras (ggsave) e tabelas (LaTeX/PNG), além de rotinas para varrer valores de $\lambda$ e comparar as curvas de aprendizado entre modelos.

Como replicar o repositório

Abaixo vai um guia direto para reproduzir as simulações, figuras e tabelas (e para rodar o app Shiny localmente).

1) Pré-requisitos

• R ≥ 4.3
• (Opcional) RStudio/Positron
• Sistema:
  • Windows: instale o Rtools correspondente à versão do R.
  • Linux: garanta as libs de gráficos para PDF (ex.: libcairo2, libharfbuzz, libfribidi).
  • macOS: Xcode Command Line Tools já resolve o essencial.

Se o cairo_pdf não estiver disponível no seu sistema, troque device = cairo_pdf por device = "pdf" nas chamadas ggsave(...) ou instale as libs de Cairo.

2) Clonar o projeto

git clone https://github.com/drewmelo/EWA-MarketDynamics.git
cd EWA-MarketDynamics.git

Reprodutibilidade

Este projeto usa renv para congelar as versões dos pacotes de R e permitir que qualquer pessoa recrie exatamente o mesmo ambiente.

Como reproduzir

# dentro do R
install.packages("renv")   # só na 1ª vez
renv::restore()            # recria o MESMO ambiente do projeto
targets::tar_make()        # roda o pipeline (executa main.R e gera saídas)

O targets detecta automaticamente o que precisa ser atualizado e garante a execução reprodutível de todas as etapas. Além disso, o comando executa o pipeline descrito em _targets.R, que por sua vez roda o script principal e gera todos os arquivos de saída (PDFs, PNGs e TEX) automaticamente.

Painel Interativo (Shiny Dashboard)

O projeto também inclui um painel interativo em Shiny desenvolvido com o tema bslib e elementos visuais otimizados para análise de aprendizado em jogos.

🎯 Para quem é:
O painel foi pensado para usuários low-code, que desejam realizar as simulações e gerar todos os resultados do TCC automaticamente, sem precisar escrever código em R.

Ele permite:

• Escolher parâmetros de simulação (λ, número de amostras e períodos);
• Visualizar em tempo real a evolução das estratégias nos jogos BSG e MEG;
• Alternar entre os modelos de aprendizado (EWA, Reinforcement Learning, Belief-based Learning);
• Baixar simulações completas e resultados agregados em formato CSV;
• Gerar automaticamente as mesmas tabelas e figuras utilizadas no TCC.

EWA Market Dynamics Dashboard — ambiente interativo para simulação e análise

Dica:
Ao clicar em “Baixar Simulação”, o painel executa o mesmo pipeline automatizado usado no projeto (targets::tar_make()), exportando os resultados diretamente, sem necessidade de rodar scripts manualmente.

Caso queira executar o web app:

shiny::runApp("app")

Assim, qualquer pessoa pode restaurar o mesmo ambiente e reproduzir integralmente todas as análises e resultados do TCC com apenas dois comandos (renv::restore() e targets::tar_make()) ou via shiny::runApp()