基于需求协变量的动态定价
在这篇研究论文中，我们研究了动态定价问题，其中客户对当前价格的反应受到客户的价格期望（参考价格）的影响。我们研究了一种简单而新颖的参考价格机制，其中参考价格是卖方过去所提供的价格的平均值。我们证明，在这种机制下，降价政策是近乎最优的，无论模型的参数如何。此外，我们提供了线性需求模型下近乎最优降价政策的详细特征描述，并提供了一种高效的计算方法。然后，我们考虑了一种更具挑战性的动态定价和学习问题，其中需求模型参数是先验未知的，卖方需要从客户对所提供价格的反应中在线学习这些参数，并同时优化收入。我们的目标是最小化遗憾，即与卓越最优政策相比，T 轮收入损失。对于线性需求模型，我们提供了一个高效的学习算法，并得到了一个最优的 Ο(√T) 遗憾上界。
Feb, 2024
本文提出动态定价模型，以差分隐私保护个人信息并最大化利润，通过引入 anticipanting (ε, δ)- 差分隐私的概念，在个性化信息被对手攻击的情况下，实现了可接受的收益和隐私保护水平，保护了客户的个人信息，实现最大化的收益。
Sep, 2020
考虑具有有限供应的动态定价问题，研究非依赖事先信息的机制，与依赖事先信息的机制进行对比分析，最终利用多臂老虎机方法提出了可行的动态定价机制，该机制的收益与离线基准相差最多 O ((k log n)^(2/3))，在 k/n 足够小的情况下，该机制的表现可以被提高到 O (√k log n)。
Aug, 2011
本文提出了针对动态定价情况下买家分组的拍卖模型，通过对分布无关和分布相关情况进行分析，得到了买家估价分布的上下界，提出了一种上界近似算法，并给出了其退化情况的解法。
Jul, 2018
本文通过结合监督学习和二次规划来改进汽车租赁行业中的动态定价模型，利用价格弹性的动态建模，通过普通最小二乘（OLS）指标如 p-values、齐次性、误差正态性进行优化，以达到给定有限集目标的利润最大化。
Feb, 2024