[论文解读] Non-parametric Revenue Optimization for Generalized Second Price Auctions

Mehryar Mohri, Andrés Muñoz Medina|arXiv (Cornell University)|Jun 8, 2015

Consumer Market Behavior and Pricing参考文献 19被引用 11

一句话总结

该论文提出了两种非参数学习算法，用于在广义第二价格（GSP）拍卖中优化保留价格，采用密度估计和一种新颖的判别方法，运行时间为$O(nS\log(nS))$。该研究首次对经验均衡出价函数向对称贝叶斯-纳什均衡的收敛性提供了理论分析，在假设最少的条件下建立了强大的泛化保证。

ABSTRACT

We present an extensive analysis of the key problem of learning optimal reserve prices for generalized second price auctions. We describe two algorithms for this task: one based on density estimation, and a novel algorithm benefiting from solid theoretical guarantees and with a very favorable running-time complexity of $O(n S \log (n S))$, where $n$ is the sample size and $S$ the number of slots. Our theoretical guarantees are more favorable than those previously presented in the literature. Additionally, we show that even if bidders do not play at an equilibrium, our second algorithm is still well defined and minimizes a quantity of interest. To our knowledge, this is the first attempt to apply learning algorithms to the problem of reserve price optimization in GSP auctions. Finally, we present the first convergence analysis of empirical equilibrium bidding functions to the unique symmetric Bayesian-Nash equilibrium of a GSP.

研究动机与目标

• 为解决在传统机制缺乏激励相容性的GSP拍卖中学习最优保留价格的挑战。
• 开发一种基于学习的方法，利用历史出价数据在不假设出价者估值分布为参数形式的前提下最大化拍卖收入。
• 在假设最少的条件下，提供经验出价函数向真实对称贝叶斯-纳什均衡收敛的理论保证。
• 设计一种计算效率高的算法，时间复杂度为$O(nS\log(nS))$，优于先前的方法。

提出的方法

• 提出一种基于密度估计的算法，将Guerre等人（2000）的方法扩展至GSP设置，用于保留价格优化。
• 引入一种新颖的判别算法，直接优化损失函数，以最小化预期收入偏差。
• 使用涉及$\mathbf{M}'$和$\mathbf{p}_i$的递归矩阵公式来建模竞标者行为和均衡条件。
• 利用集中不等式和经验过程理论，以样本数量$n$和插槽数$S$表示估计误差的上界。
• 通过$q(n,\delta)$和对数项，推导出经验出价函数与真实均衡之间偏差的高概率上界。
• 在竞标者未处于均衡状态时，仍建立经验均衡函数向真实对称贝叶斯-纳什均衡收敛的理论保证。

实验结果

研究问题

• RQ1 在仅有历史出价数据的前提下，非参数学习方法能否有效应用于GSP拍卖中的保留价格优化？
• RQ2 在GSP拍卖中，经验出价函数向对称贝叶斯-纳什均衡收敛的理论保证是什么？
• RQ3 如何设计一种学习算法，在保持计算效率的同时最小化多插槽拍卖中的收入损失？
• RQ4 当竞标者未按均衡策略出价时，所提算法在何种条件下仍保持定义良好且有效？
• RQ5 经验均衡出价函数向真实均衡收敛的速率是多少，其随样本量如何变化？

主要发现

• 所提出的判别算法实现了$O(nS\log(nS))$的运行时间复杂度，相较于先前方法具有显著的效率提升。
• 理论分析表明，经验出价函数以$O(1/\sqrt{n})$的速率收敛至真实对称贝叶斯-纳什均衡，且高概率成立。
• 以至少$1-\delta$的概率，估计出价函数与真实函数之间的偏差被限制在$O\left(\frac{\log(2/\delta)^{N/2}}{\sqrt{n}}\right)$以内，其中$N$为竞标者数量。
• 即使竞标者未按均衡出价，该算法仍保持定义良好且最优，最小化有意义的与收入相关的损失函数。
• 实验结果表明，即使估值分布为对数正态分布且其支撑集不远离零，经验均衡函数仍能收敛至真实均衡。
• 该论文首次对GSP拍卖中经验均衡出价函数向唯一对称贝叶斯-纳什均衡的收敛性进行了分析。