从流到池:非独立同分布的动态定价
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
本研究旨在探讨基于上下文的动态定价,采用一种新颖的扰动线性bandit框架来平衡市场噪音与当前知识的利用,学习上下文函数和市场噪音,证明了所述策略在扰动线性bandit框架下的遗憾上界和匹配下界,并且在模拟和现实场景中表现出卓越的性能。
Sep, 2021
个性化定价策略探讨了与策略性购买者的上下文动态定价问题, 并提出了一个战略动态定价策略,该策略能够最大化卖方的累积收入,并能同时估计估值参数和成本参数,从而达到O(sqrt(T))的遗憾上界。
Jul, 2023
我们研究了需求函数为非参数化和H"older平滑的动态定价问题,重点关注对需求函数的未知H"older平滑参数β的可适应性。在没有β的知识的情况下,我们证明了没有定价策略能够达到这个极小化后悔的最佳性能。受到这个不可能结果的启发,我们提出了一个自相似条件来实现可适应性。我们开发了一种平滑自适应动态定价算法,并在理论上证明该算法实现了这个最佳性能的后悔边界,而无需先验知识β。
Oct, 2023
本文介绍了一种新颖的上下文强化学习算法,用于在具有不确定需求的情况下,根据效用公平性约束进行个性化定价,实现最优的遗憾上限。我们的方法结合动态定价和需求学习,解决了定价策略中的公平性的关键挑战。我们通过数学分析和计算研究来表征受到公平性约束的最优上下文定价策略的结构,并导出了简化的策略,为更深入的研究和扩展打下了基础。此外,我们将研究扩展到具有需求学习的动态定价问题,建立了一个非标准的遗憾下界,突显了公平性约束增加的复杂性。我们的研究提供了公平性成本及其对效用和收入最大化之间平衡的影响的综合分析。本工作是将伦理考虑纳入基于数据驱动的动态定价算法效率的一个步骤。
Nov, 2023
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
通过可观察的产品特征和顾客特征,提出一种新算法,通过离散化未知噪声分布和上限置信区间与分层数据分区技术的组合,有效地调节每个周期中的懊悔,从而控制与定价决策相关的懊悔,实现极小极大优化。
Jun, 2024