Source-Aware Dynamic Pricing with Strategic Buyers
作者: Jinjiang Zou, Yang Li, Zemin Zheng
分类: stat.ML, cs.LG, stat.ME
发布日期: 2026-10-15
备注: 28 pages, 9 figures
💡 一句话要点
提出源感知动态定价框架以应对战略买家问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 动态定价 源感知 战略买家 稀疏估计 高维数据 机器学习 市场营销
📋 核心要点
- 现有动态定价方法未能有效处理买家自报特征的操控性，导致定价策略的失效。
- 提出源感知局部探索与校准利用（SALE）定价策略，通过结合验证与自报特征，提升定价的准确性。
- 实验结果显示，SALE在模拟和真实数据中均表现出优越的性能，显著降低了预期悔恨界限。
📝 摘要（中文）
在现代商业中，企业和平台通常利用来自不同来源的客户特征来个性化定价。然而，某些特征可能被买家战略性操控以获取更低价格。为此，本文提出了一种新颖的源感知框架，旨在高维半参数环境中进行动态定价。该框架引入了源感知局部探索与校准利用（SALE）定价策略，结合验证特征和自报特征，克服了特征来源的操控性差异。通过将二元购买反馈转化为无偏信号，建立了新的群体方程，支持一致的稀疏估计。实验证明，SALE在动态定价中具有显著的理论和实践价值。
🔬 方法详解
问题定义：本文旨在解决动态定价中买家自报特征的操控性问题，现有方法未能有效应对特征来源的差异性，导致定价策略失效。
核心思路：提出源感知局部探索与校准利用（SALE）定价策略，利用验证特征进行价格探索，并结合自报特征进行操控校正，从而提高定价的准确性和有效性。
技术框架：整体框架包括两个主要模块：局部探索模块和校准利用模块。局部探索模块通过验证特征进行价格探索，而校准利用模块则结合验证和自报特征进行价格调整。
关键创新：SALE策略的核心创新在于其源感知设计，能够有效区分特征的操控性，进而实现更为精准的动态定价。这一设计在理论上首次将信息来源纳入动态定价框架。
关键设计：在参数设置上，SALE策略采用稀疏线性模型，并通过新的群体方程支持一致的稀疏估计。损失函数设计上，考虑了非独立同分布（non-i.i.d.）的买家到达特性，确保了估计的有效性。整体网络结构则围绕局部探索与校准利用的双重目标展开。
🖼️ 关键图片
📊 实验亮点
实验结果表明，SALE策略在模拟和真实数据实验中均表现出色，显著降低了预期悔恨界限，且在处理高维特征时保持了良好的估计性能。与传统方法相比，SALE在动态定价的准确性和有效性上有显著提升，验证了其理论和实践价值。
🎯 应用场景
该研究的潜在应用领域包括电子商务、在线平台定价策略及市场营销等。通过有效整合客户特征来源，企业能够制定更具竞争力的定价策略，从而提升收益和客户满意度。未来，随着数据来源的多样化，该框架有望在更广泛的商业场景中发挥重要作用。
📄 摘要（原文）
In modern commerce, firms and platforms typically use customer features from different sources to personalize prices: some features are verified using seller records or third-party data, while others are self-reported and may be strategically manipulated by buyers seeking lower prices. We therefore introduce a novel source-aware framework for contextual dynamic pricing with strategic buyers in a high-dimensional semiparametric setting, where buyer valuations follow a sparse linear model with an unknown noise distribution. To account for differences in manipulability across feature sources while enabling effective valuation learning, we develop the Source-Aware Localized exploration and calibrated Exploitation (SALE) pricing policy, which draws on verified features to localize price exploration and combines verified and reported features to correct for strategic manipulation during exploitation. Our localized exploration design allows converting binary purchase feedback into unbiased signals of conditional mean valuations, yielding a new population equation that supports consistent sparse estimation despite non-i.i.d. buyer arrivals. Building on this estimate, we develop a localized empirical-process analysis that exploits intrinsic sparse geometry to establish uniform guarantees for nonparametric estimation of the noise distribution in the high-dimensional setting. With these estimation guarantees, we establish SALE's self-recovery property, which keeps localized exploration valid with high probability and leads to a sublinear expected regret bound. Both simulation studies and real-data experiments demonstrate the appealing performance of SALE. To the best of our knowledge, our study is the first to provide a theoretical and practical framework for incorporating information provenance into dynamic pricing with strategic buyers.