Bayesian optimization for dynamic pricing and learning

doi:10.1016/j.peva.2025.102519

2025-11-01

PRE

Anush Anand

Tejas Bodas *

DOI：10.1016/j.peva.2025.102519

原文链接

原文求助

摘要

En 中文

动态定价是指通过响应市场需求来调整产品售价以最大化企业收入的一种实践。文献通常区分两种场景：无限库存，即企业拥有无限库存和销售时间；以及有限库存，即库存和销售周期均有限。在这两种情况下，核心挑战在于需求函数（销售对价格的反应方式）未知，必须从数据中学习。传统方法通常假设需求函数具有特定的参数形式，从而能够利用强化学习（RL）识别近优定价策略。然而，此类假设在现实场景中可能不成立，限制了这些方法的应用性。在本工作中，我们提出了一种基于高斯过程（GP）的非参数动态定价方法，避免了限制性建模假设。我们将需求函数视为价格的黑箱函数，并基于贝叶斯优化（BO）——一种优化未知函数的高效采样方法——开发了定价算法。我们提出了适用于无限库存和有限库存场景的BO基算法，并为两种场景提供了遗憾保证，从而量化了我们的方法的学习效率。通过大量实验，我们证明，与几种最先进的RL算法相比，我们的BO基方法在收入方面表现更优，同时需要更少的假设并提供更大的鲁棒性。这表明贝叶斯优化是在复杂、不确定环境中进行动态定价的一种强大且实用的工具。

Keyword:

Bayesian optimization

Gaussian processes

Dynamic pricing

Finite inventory