技术摘要：从混淆到学习：第三方平台上的动态服务费定价

1. 问题定义

本文研究了第三方平台（如外卖、网约车、票务转售）面临的动态定价问题，这些平台在卖家与策略性买家之间的交易中起中介作用。平台的收入来源于对每笔交易征收的服务费 ($a_t$)。核心挑战在于存在策略性买家和高容量需求模型情况下的混淆环境下需求学习问题。

• 市场动态： 卖家在平台设定费用之前提交供给曲线 ($P_{St}$)。平台观察供给特征并设定费用 $a_t$。买家通过最大化贴现累计剩余来采取策略行动，根据总价格（供给价格 + 服务费）决定购买量。
• 混淆问题： 平台仅能观察到市场出清价格 ($P^e_t$) 和数量 ($Q^e_t$)。这些变量由供给、需求以及平台自身的费用共同决定。对 $Q^e_t$ 关于 $P^e_t$ 进行朴素回归会失效，因为费用 $a_t$ 是需求冲击 $\epsilon_{Dt}$ 的内生变量，这会导致估计偏差（例如，可能产生正的需求斜率）。
• 策略行为： 买家可能会错误报告需求以操纵未来的费用。如果买家的耐心程度与平台一致 ($\gamma=1$)，则没有任何算法能实现亚线性遗憾（sublinear regret）。本文关注的是经验相关的机制，即买家较不耐心的情形 ($\gamma < 1$)。
• 模型复杂度： 现代平台利用深度神经网络 (DNN) 等高容量模型进行需求预测。标准的非参数工具变量 (IV) 理论通常依赖于“星形结构”（star-shapedness）假设，而 DNN 通常会违反这一假设。

2. 方法论

作者提出了一个框架，将平台自身的决策变量转化为有效的学习工具变量，并结合特定的工程优化来处理动态和策略性环境。

2.1 动作即工具变量 (Actions-as-Instruments, AaI)

核心的方法论洞察是，服务费 $a_t$ 本身可以作为工具变量。

• 正交性： 由于平台在需求冲击 $\epsilon_{Dt}$ 实现之前就已承诺了 $a_t$，因此 $a_t$ 在给定历史条件下与 $\epsilon_{Dt}$ 正交。
• 识别： 这允许构建矩条件 $E[(P^e_t - \beta Q^e_t - f(x_t)) a_t] = 0$，结合标准的特征正交性，即使在 $a_t$ 是自适应选择的情况下，也能识别需求参数。
• 非独立同分布 (Non-i.i.d.) 处理： 由于 $a_t$ 并非独立同分布（它取决于过去的记录），作者使用鞅集中度（martingale concentration）论证而非标准的 i.i.d. 工具来证明识别性。

2.2 工程优化

为了使 AaI 方法在实践中奏效，文中引入了三种特定机制：

1. 双重稳健修正 (Doubly-Robust Correction)： 为了控制估计器的方差并加速收敛，作者采用了双重稳健结构方程：$E[(P^e_t - \beta Q^e_t - f(x_t))(a_t - E[a_t | x_t])] = 0$。这确保了只要需求模型或费用预测模型中有一个被正确设定，估计就是一致的。
2. 带有消失噪声的自适应探索： 当供给侧噪声 ($\sigma^2_S$) 较低时，工具变量会变得微弱。算法向费用中注入人工高斯噪声，其量级为 $t^{-1/4}$。该速率被证明是在控制弱工具变量方差与最小化探索遗憾之间的唯一平衡点。
3. 低切换更新 (Low-Switching Updates)： 为了减轻买家的策略性操纵，策略参数仅在 $O(\log T)$ 次（在倍增周期内）进行更新。这限制了买家误报的动机，因为未来的费用削减会被指数级贴现。

2.3 处理深度神经网络

为了将该框架扩展到 DNN，作者构造了一个向辅助函数类的同胚（homeomorphism）。

• 绕过星形结构假设： 标准 IV 理论要求函数类相对于真实函数是星形的。作者构造了一个与原类同胚但相对于真实函数是星形的辅助类。
• 维度： 这种构造最多仅增加原类的有效维度，从而允许在不假设星形结构的情况下，推导出任意深层多层感知器 (MLP) 的遗憾界限。

3. 关键结果

3.1 极小极大遗憾与相变

本文确立了极小极大最优遗憾率，揭示了依赖于供给侧噪声方差 ($\sigma^2_S$) 的显著相变现象：

• 高供给噪声 ($\sigma^2_S \gtrsim 1/\sqrt{T}$)： 自然的供给波动提供了足够的探索。平台不需要注入人工噪声。遗憾在 $T$ 上呈对数级 ($\tilde{O}(1)$)。
• 低供给噪声 ($\sigma^2_S \lesssim 1/\sqrt{T}$)： 供给过于稳定，导致无法识别需求。平台必须通过注入 $t^{-1/4}$ 噪声来进行显式探索。遗憾随 $\mathbf{\tilde{O}(\sqrt{T})}$ 缩放。
• 统一界限： 极小极大遗憾为 $\tilde{\Theta}(\sqrt{T} \wedge \sigma^{-2}_S)$。

3.2 策略性买家遗憾

对于折现率为 $\gamma < 1$ 的买家，遗憾仅表现出对 $1/(1-\gamma)$ 的多项式依赖。低切换更新机制确保了需求曲线的策略性扭曲保持在受控范围内。

3.3 下界构造

本文提供了一个匹配的下界 $\Omega(\sqrt{T} \wedge \frac{\log T}{\sigma^2_S})$。证明过程引入了一种新颖的构造，旨在隔离由需求噪声 ($\epsilon_{Dt}$) 携带的信息通道。通过同时调整需求参数和需求噪声的大小，作者创建了两个不可区分的实例，使得两者的阶一和阶二差异均消失，这一技术此前未曾用于动态定价的下界证明。

4. 实证验证

作者使用合成数据和真实世界数据集验证了其方法：

• 合成实验： 模拟证实了在 $\sigma^2_S \approx 1/\sqrt{T}$ 处的相变，并证明了双重稳健修正相比于普通 IV 能显著降低估计器方差。
• Talabat (外卖)： 利用来自埃及一家外卖平台的微观交易数据，作者展示了朴素的 OLS 回归会产生不显著的需求斜率（由于混淆），而 AaI 方法则能产生统计显著且符合经济逻辑的需求弹性（$\approx -0.53$）。离线反事实分析表明，在固定平均费用约束下，通过在高峰和非高峰时段动态重新分配费用，潜在收入提升空间约为 $5.5$ 倍。
• Lyft (网约车)： 一项基于波士顿网约车数据的研究将该方法扩展到了非线性模型（使用 Transformer）。虽然改进幅度较为温和（符合成熟的加价机制特征），但该实验证明了将深度 IV 回归应用于复杂、非可分需求函数的可能性。

5. 意义与主张

本文声称有三个主要贡献：

1. 方法论创新： 引入了“动作即工具变量”框架，证明了只要满足特定条件（鞅集中度、低切换），平台自身的自适应决策可以作为需求学习的有效工具变量。
2. 理论洞察： 揭示了动态定价中一个基本的相变现象，即市场波动不仅是噪声，更是信息。需求的学习能力从根本上取决于供给侧冲击的方差。
3. 实际应用价值： 提供了首个针对使用任意深层神经网络且存在混淆情况下的需求学习的理论遗憾保证，通过同胚构造绕过了限制性的星形结构假设。

作者总结道，只要能够仔细校准对市场自然波动性的探索，其方法为第三方平台在复杂、具有策略性且高维的环境中优化收入提供了一条可行路径。