带学习机制的重复拍卖中的出价预测
计算机科学与博弈论
2020-11-02 v2 机器学习
摘要
我们考虑了重复拍卖中的出价预测问题，并使用来自主流赞助搜索拍卖市场的数据集，评估了针对学习型智能体的计量经济学方法的性能。赞助搜索拍卖是一个价值数十亿美元的产业，也是几家科技巨头的主要收入来源。优化此类市场的一个关键问题是理解投标者将如何对拍卖设计的变化做出反应。我们提出使用基于无悔的计量经济学方法进行出价预测，将参与者建模为相对于分析师未知的效用函数的无悔学习者。我们提出了新的计量经济学方法，以同时学习参与者效用的参数及其学习规则，并将这些方法应用于来自 BingAds 赞助搜索拍卖市场的真实数据集。我们表明，在没有协变量偏移时，基于无悔的计量经济学方法的性能与最先进的时间序列机器学习方法相当，但在训练期和测试期之间存在协变量偏移时，其显著优于机器学习方法。这表明了使用结构计量经济学方法在预测参与者将如何应对市场变化方面的重要性。此外，我们表明，在结构计量经济学方法中，基于无悔学习的方法优于更传统的、基于均衡的计量经济学方法，后者假设参与者持续对竞争做出最优反应。最后，我们证明了通过考虑优化带有可见性偏差分量的效用函数的投标者，可以进一步提高无悔学习算法的预测性能。
引用
@article{arxiv.2007.13193,
title = {Bid Prediction in Repeated Auctions with Learning},
author = {Gali Noti and Vasilis Syrgkanis},
journal= {arXiv preprint arXiv:2007.13193},
year = {2020}
}