[論文レビュー] Optimal Pricing For MHR Distributions

Yiannis Giannakopoulos, Kèyù Zhü|arXiv (Cornell University)|Oct 1, 2018

Auction Theory and Applications被引用数 1

ひとこと要約

この論文は、i.i.d. なMHR（単調 hazardsレート）評価を持つn人の入札者に1つの商品を販売するための単純で匿名の提示価格メカニズムを提案する。期待される2番目に高いオーダー統計量に基づいて1つの「受け入れるか否か」の価格を設定することで、近似的に最適な収益が達成され、近似比は$1 + O(\ln \ln n / \ln n)$となる。これは指数分布に対するタイトな下界と一致する。

ABSTRACT

We study the performance of anonymous posted-price selling mechanisms for a standard Bayesian auction setting, where n bidders have i.i.d. valuations for a single item. We show that for the natural class of Monotone Hazard Rate (MHR) distributions, offering the same, take-it-or-leave-it price to all bidders can achieve an (asymptotically) optimal revenue. In particular, the approximation ratio is shown to be \(1+O(\ln {\ln {n}}/ \ln {n})\), matched by a tight lower bound for the case of exponential distributions. This improves upon the previously best-known upper bound of \(e/(e-1)\approx 1.58\) for the slightly more general class of regular distributions. In the worst case (over n), we still show a global upper bound of 1.35. We give a simple, closed-form description of our prices which, interestingly enough, relies only on minimal knowledge of the prior distribution, namely just the expectation of its second-highest order statistic.

研究の動機と目的

• i.i.d. な入札者を想定したベイジアン単一商品オークションにおける匿名の提示価格メカニズムの収益性能を分析すること。
• 単一の均一価格がMHR分布に属する評価値に対して近似的に最適な収益を達成できるかどうかを特定すること。
• この価格設定メカニズムのタイトな近似バインディングを確立し、従来の正規分布クラスに対する結果を改善すること。
• 最小限の事前知識（具体的には、n個の標本における2番目に高いオーダー統計量の期待値）にのみ依存する閉形式の価格ルールを特徴づけること。

提案手法

• 著者たちは、MHR分布からのi.i.d. 評価値を想定したベイジアン設定において、1つの匿名の提示価格の収益を分析する。
• n個の標本における2番目に高いオーダー統計量の期待値に基づいて、最適価格の閉形式表現を導出する。
• 順序統計の性質とハザードレートの単調性を活用して、メカニズムの近似比をバインドする。
• 漸近的解析を用いて近似比を導出し、nが増加するにつれて1に収束することを示す。
• 指数分布に対してタイトな下界を確立し、上界のタイトさを証明する。
• この方法により、メカニズムがnにかかわらず最大で1.35のグローバルな最悪ケース近似比を達成することが示された。

実験結果

リサーチクエスチョン

• RQ1 MHR分布に従う評価値に対して、1つの匿名の提示価格は、単一商品オークションにおいて漸近的に最適な収益を達成できるか？
• RQ2 すべてのMHR分布にわたって、このようなメカニズムが達成可能な最もタイトな近似比は何か？
• RQ3 近似的に最適な提示価格メカニズムを実装するためにどれほどの事前知識が必要か—具体的には、2番目に高いオーダー統計量の期待値のみで十分か？
• RQ4 nが増加するにつれて、匿名の提示価格メカニズムの性能は著しく低下するか。もしそうなら、その速度はどの程度か？
• RQ5 MHR分布における近似比は、従来の正規分布クラスに対する$e/(e-1) \approx 1.58$の既知の上限よりも厳密に良いものか？

主な発見

• 匿名の提示価格メカニズムは、MHR分布に対して近似比$1 + O(\ln \ln n / \ln n)$を達成する。これは、従来の正規分布クラスに対する上界$e/(e-1) \approx 1.58$を改善する。
• 指数分布に対しては、近似比が$1 + O(\ln \ln n / \ln n)$でタイトにバインドされ、このバインドのタイトさが確立された。
• 最適価格は、n個の標本における2番目に高いオーダー統計量の期待値にのみ依存する閉形式の式で与えられる。
• nにかかわらず最悪ケースでも、メカニズムは最大で1.35のグローバル近似比を維持する。
• メカニズムの性能は漸近的に最適であり、nが増加するにつれて1に近づくため、大規模市場におけるほぼ収益最大化が達成される。
• この結果は、最小限の事前情報（具体的には、2番目に高いオーダー統計量の期待値）が、この設定で近似的に最適な収益を達成するのに十分であることを示している。