Optimal Semiparametric Dynamic Pricing with Feature Diversity
利用特征多样性的最优半参数动态定价AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以价格、产品特征和买方协变量决定的购买概率为需求模型，直接涉及二元购买选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用特征多样性的最优半参数动态定价
- 研究问题
- 在效用函数与市场噪声分布均需估计的情境定价中，如何利用特征多样性降低探索成本，并获得更低的累计遗憾？
- 方法与思路
- 作者提出分阶段贪婪定价算法，用局部多项式回归迭代估计未知噪声分布，并利用经营阶段产生的内生样本更新估计。
- 材料陈述的贡献
- 摘要称建立适用于不同效用估计器的遗憾界及匹配下界；在线性效用类中，噪声平滑度至少为五分之二时达到平方根遗憾率。
- 阅读关注点
- 应核对特征多样性的形式条件、内生样本可用于估计的理由，以及遗憾上界与下界是否针对相同模型类和信息条件。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收状态未核实；摘要未说明特征多样性的具体限制及实验比较细节。
原文摘要
We study contextual dynamic pricing under a semiparametric demand model in which the purchase probability is $1-F(p-m(\mathbf{x}))$, where $m(\mathbf{x})$ captures mean utility as a function of product features and buyer covariates, and $F$ is an unknown market-noise distribution. Existing methods either incur suboptimal regret or rely on restrictive structural assumptions. We propose a stagewise greedy pricing algorithm that iteratively refines the estimate of $F$ via local polynomial regression while pricing greedily with current estimates. By exploiting feature diversity, the algorithm reuses endogenous samples collected during exploitation for nonparametric estimation, avoiding costly global random exploration used in prior work. We establish a general regret bound that applies to any estimator $\hat m$ of the utility function, and derive explicit rates for linear, nonparametric additive, and sparse linear classes of $m$. For the linear class, our regret scales as $T^{\max\{1/2,\,3/(2β+1)\}}$, where $β$ is the smoothness of $F$ and $T$ is the time horizon. This improves the best known rates for semiparametric contextual pricing and achieves the parametric $\sqrt{T}$ rate when $β\ge 5/2$. We further prove a matching lower bound, showing the optimality of our rate, and present numerical experiments that corroborate the theory and demonstrate the practical advantages of iterative refinement.