Dinâmicas de Aprendizado em Cenários de Incertezas de Mercado

Aplicação de teoria dos jogos com Experience-Weighted Attraction

Trabalho de Conclusão de Curso
_{Defesa: data}

📖 Ler TCC (versão digital) · 🐛 Bug · 🚀 Feature

Autor

_{André V. P. de Melo}

Stack principal

• Modelagem e simulação

  • rgamer: implementação dos modelos Experience-Weighted Attraction (EWA), Reinforcement Learning (RL) e Belief-based Learning (BL)

• Manipulação de dados

  • dplyr, tidyr, purrr, tibble

• Visualização

  • ggplot2, patchwork, scales

• Aplicação interativa

  • Shiny: interface para exploração das simulações

• Documentação

  • Quarto: versão digital do TCC

• Reprodutibilidade

  • renv

Além disso, o projeto utiliza GitHub Actions para rodar testes leves que verificam funções centrais com base em dados simulados, o que garante a consistência dos resultados sem depender da execução completa das simulações.

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, EWA, RL e 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 em R 4.3.2 e também testado em R 4.5.1.
Para reprodutibilidade completa, recomenda-se restaurar o ambiente com renv::restore() antes de executar os scripts.

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 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

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 ($\lambda$, 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")  # ou source("app/app.R")

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()