考虑信息来源的战略买家动态定价

arXiv:2610.22516v1 公告类型：cross 摘要：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实现个性化定价：部分特征通过卖方记录或第三方数据进行验证，而其他特征由客户自我报告，且可能被寻求更低价格的买家策略性操纵。为此，我们在高维半参数设置下，针对具有战略性的买家，引入了一种新颖的考虑信息来源的上下文动态定价框架，其中买家的估值遵循具有未知噪声分布的稀疏线性模型。为适应不同特征来源在可操纵性方面的差异，同时实现有效的估值学习，我们提出了 Source-Aware Localized exploration and calibrated Exploitation（SALE）定价策略：利用已验证特征对价格探索进行局部化，并在利用阶段结合已验证特征和自报告特征，以纠正战略性操纵。我们的局部化探索设计能够将二元购买反馈转化为条件均值估值的无偏信号，从而得到一个新的总体方程；即使买家以非独立同分布的方式到达，该方程仍支持一致的稀疏估计。在此估计基础上，我们进一步开展了局部化经验过程分析，利用内在的稀疏几何结构，为高维设置下噪声分布的非参数估计建立一致性保证。借助这些估计保证，我们证明了 SALE 的自恢复性质：该性质以高概率确保局部化探索保持有效，并带来次线性的期望遗憾界。仿真研究和真实数据实验均展示了 SALE 的出色性能。据我们所知，这是首项为在具有战略性的买家动态定价中纳入信息来源提供理论与实践框架的研究。