Apr, 2024

基于在线评论的贝叶斯动态定价

PDF
TL;DR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。
new productsuncertaintyonline reviewspricing modelpricing strategies
发现论文，激发创造
  • 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

  • 动态定价和长期参考效应的学习

    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

  • 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

  • 有限供应下的动态定价

    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

  • 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

  • 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

  • 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

  • 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

  • 有限未知估值的动态定价

    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

  • 具有上下文弹性和异方差估值的定价

    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。

    Dec, 2023