基于双非参数随机效用模型的动态情境定价

在数字 commerce 不断演变的背景下，采用自适应动态定价策略以获得竞争优势至关重要。本文引入了新的双非参数随机效用模型，摆脱了传统用于估计消费者需求平均效用函数和噪声分布的假设方法。现有非参数方法如多尺度 Distributional Nearest Neighbors（DNN 和 TDNN），最初为离线回归设计，面临在动态在线定价中的挑战，包括效用相关变量的间接可观测性以及缺乏统一收敛保证。我们通过创新的 population 方程来解决这些挑战，在决策框架内实现非参数估计，并为 DNN 和 TDNN 建立新的分析结果，增强其在动态环境中的适用性。我们的理论分析确认，均值效用函数和噪声分布的统计学习率是 minimax 最优的。我们还推导出一个后悔上界，说明模型维度与噪声分布光滑性之间的关键相互作用，深化了对在不同市场条件下动态定价的理解。这些贡献提供了实质性的理论见解和实用工具，用于实施有效的数据驱动定价策略，推进定价模型的理论框架，并为应对现代市场的复杂性提供稳健的方法。