在线学习中的交易量最大化
设计一个双边市场(双向拍卖)以在给定约束条件下(优势策略)实现最大化交易利益(社会福利),并在未知分布中使用多项式数量的样本进行研究。我们的首要结果是,在即使只有一个卖方和两个买方之间的相关价值分布的情况下,与一个卖方和一个买方(双边交易)的情况不同,这是不可能的。我们的第二个结果是,在独立分布的情况下,对于一个卖方和两个买方,我们提出了一种基于一种新算法的高效学习算法,用于计算有限支持和明确给定的独立分布的最优机制。这两个结果都严重依赖于(优势策略)激励兼容机制的特征,这些机制在经济上是强平衡的。
Jan, 2024
该研究采用在线学习的方法,使用无差别反馈模型对 Vickrey 拍卖中的策略进行建模,对随机模型和对抗模型进行研究并设计相应的出价策略,为参与此类拍卖的竞标者提供了第一个完整的策略集。
Nov, 2015
该论文研究了在重复多单位拍卖中基于均匀定价的两个变体,并分析了在线和离线设置下的问题。作者提出了离线最优策略算法,并设计了高效的在线算法,同时通过博弈理论探究了平衡的质量。
May, 2023
本文研究在在线学习中从揭示的偏好中学习的问题,提出了有效的算法用于商家的价格优化,通过强假设商品收益函数的形式,实现了揭示偏好问题的高效算法,并实现了学习和盈利最大化。
Jul, 2014
探索强化学习作为一种候选机器学习技术,结合市场微观结构元素,以增强现有的分析解决方案,实现优化交易执行。利用标准 Almgren-Chriss 模型作为基本模型,在实时执行过程中,通过训练学习代理人根据市场的传播和量动态来修改交易量轨迹,从而提高交易的成本效益, 相比基本模型,我们在南非股票市场的样本中,平均实现剩余成本比提高了 10.3%。
Mar, 2014
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