Dec, 2023

具有上下文弹性和异方差估值的定价

PDF
TL;DR我们研究了一种在线上下文动态定价问题，介绍了一种以特征为基础的价格弹性建模方法，提出了一种高效的算法 “Pricing with Perturbation (PwP)”，并证明了其在任意敌对背景输入序列下的最佳性及相应的复杂度。该研究结果揭示了上下文弹性与异方差性估价之间的关系，为有效和实用的定价策略提供了启示。
发现论文，激发创造
  • 改进的上下文动态定价算法

    在此研究中，我们探讨了上下文动态定价的关键问题，提出了两种估值模型，并针对线性性假设和期望买家估值问题分别设计了算法，以实现较低的后悔率。

    Jun, 2024

  • 半参数动态情境定价

    基于实时定价与上下文信息，本文提出了一种半参数模型，能够通过回归参数和残差分布来最大化收益，考虑到了细节特征。

    Jan, 2019

  • 无分布偏置的上下文动态定价

    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

  • 上下文动态定价：算法、优化和局部差分隐私约束

    研究了上下文动态定价问题，探讨了需求模型、遗憾上限的最优化和隐私保护对动态定价的影响。

    Jun, 2024

  • 上下文动态定价与综合估值模型中的极小化最优性

    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

  • 具有战略买家的情境动态定价

    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

  • 贝叶斯劝服下的动态定价与学习

    该研究探讨在线广告和动态定价设计的问题，使用贝叶斯说服模型来研究信号对买家定价和购买决策的影响，提出了一种具有低后悔率的在线算法。

    Apr, 2023

  • 背景动态定价中的公平性与需求学习

    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

  • 基于在线评论的贝叶斯动态定价

    当发布新产品时，企业面临市场接受程度的不确定性。在线评论不仅为消费者提供宝贵信息，也为企业提供了调整产品特性（包括售价）的机会。本文考虑了带有在线评论的定价模型，其中产品的质量不确定，卖方和买方通过贝叶斯方法更新信念以做出购买和定价决策。我们将卖方的定价问题建模为基本的赌博机问题，并展示了与著名的卡塔兰数之间的密切关系，使我们能够有效计算卖方的整体未来折扣奖励。利用这个工具，我们在产品质量的有效学习概率方面分析和比较了最优静态和动态定价策略。

    Apr, 2024

  • 动态激励感知学习：上下文拍卖中的鲁棒性定价

    本文提出了一种学习策略，通过观察过去的销售数据来设定保留价格，以最小化对收入的后悔，同时本文也探讨了市场噪声分布已知和未知情况下的学习政策和保留价格的设计。

    Feb, 2020