基于机器学习的鲁棒价格敏感度估计框架及其在航空定价中的应用

我们考虑在存在特征依赖的价格敏感度时产品的动态定价问题。开发能够鲁棒地估计价格弹性、尤其在无购买信息（损失）不可得时驱动此类自动化定价系统的实用算法，是许多行业面临的挑战。基于 Poisson 半参数方法，我们构建了一个灵活且可解释的 demand 模型，其中价格相关部分为参数化，而模型其余（干扰）部分为非参数化，可通过复杂机器学习（ML）技术建模。由于正则化，通过直接单阶段回归技术估计该模型的价格敏感度参数可能导致有偏估计。为解决此问题，我们提出一种两阶段估计方法，使价格敏感度参数的估计对模型干扰参数估计量的偏差具有鲁棒性。第一阶段我们利用深度神经网络等复杂 ML 估计量，基于特征向量构造观测购买与价格的估计量。利用第一阶段估计量，第二阶段我们借助贝叶斯动态广义线性模型估计价格敏感度参数。我们在航空业的模拟与真实销售交易数据上测试了所提估计方案的性能。数值研究表明，在真实模拟设定下，我们提出的两阶段方法将价格敏感度参数的估计误差从 25% 降至 4%。本文提出的两阶段估计技术使从业者能够利用现代 ML 技术鲁棒地估计价格敏感度，同时保持可解释性并便于对其各组成部分进行验证。