随机需求分布未知条件下基于统计方法的动态定价算法研究

摘要

本文研究了定价决策者在面对市场需求随机并且分布函数未知的条件下的动态定价找到最优价格以实现收益最大化的问题。根据销售记录通过动态的调整价格探测市场的不确定需求及需求的分布，然后根据探测的数据为下一步价格调整提供依据，动态定价算法旨在通过制定出简单高效的价格调整规则帮助定价决策者精确快速的找到最优价格，并且在探测市场需求的过程中耗费的时间、成本最小。本文正是对需求不确定且分布函数未知环境下的动态定价算法进行研究，特别地，本文以统计学中的假设检验理论为基础开发了基于T检验的爬坡法和二分法，通过对不同的价格进行随机采样，用T检验对样本数据做比较来判断价格的优劣，使得决策者每一步决策有一定的统计自信，稳健趋向于真实的最优价格，避免现有算法价格频繁随机波动的不足。我们并创新性地给出了能够控制结果精确性的停止条件，使得决策者能够保证算法找到的停止价格在最优价格临近范围内并符合事先设定的统计上的置信度，改进了其他动态定价算法停止状态时停止价格和收益意义不清楚的不足之处。我们通过计算机实验把基于T检验的爬坡法、二分法和现存文献中的简易学习法、牛顿法、随机逼近法进行对比分析，通过找到最优价格的概率、单位样本的收益、单位时间的收益率等几个主要算法性能指标来比较算法在找到最优价格的速度和精确性方面的表现，最后我们通过实验数据证明基于T检验的二分法要优于其他算法。

目录

文摘

英文文摘

声明

1 绪 论

2 基于T检验的动态定价算法

3 不同算法间的比较分析

4 总结和展望

致 谢

参考文献