具有策略型买家的上下文动态定价

个性化定价是指企业根据个体特征定制价格，以实施面向特定消费者的定价策略。在此过程中，买家也可以策略性地操纵其特征数据以获得更低价格，并承担一定的操纵成本。这种策略性行为会阻碍企业实现利润最大化。本文研究具有策略型买家的上下文动态定价问题。卖家无法观察到买家的真实特征，只能观察到买家策略性行为所产生的被操纵特征。此外，卖家无法观察到买家对产品的估值，仅能观察到指示交易是否发生的二元响应。认识到这些挑战后，我们提出了一种策略型动态定价策略，将买家的策略性行为纳入在线学习以最大化卖家的累计收益。我们首先证明，现有忽视买家策略性行为的非策略定价策略会导致线性 $\Omega(T)$ 后悔值（其中 $T$ 为总时间跨度），表明这些策略并不优于随机定价策略。接着我们证明，所提策略实现了 $O(\sqrt{T})$ 的次线性后悔值上界。重要的是，我们的策略并非现有动态定价策略与策略行为处理算法的简单拼凑。我们的策略还能适应操纵边际成本事先未知的情形。为此，我们在在线定价策略中同时估计估值参数与成本参数，该做法同样被证明可达到 $O(\sqrt{T})$ 的后悔值界。大量实验支持了我们的理论进展，并展示了我们的策略相较于其他未感知策略性行为的定价策略的优越性能。