📈 economics

One-Shot Pricing for Hands-Off-the-Wheel Advertising Markets

本文提出，在“脱手驾驶”式广告市场中，用一种单次凸优化方法取代传统的单次展示竞价方式，该方法通过计算竞争性均衡价格，在同时满足广告主预算和投资回报率（ROI）目标的同时，实现交易平台收入的最大化。

原作者： Emerson Melo, Matt Shum, Rakesh Vohra

发布于 2026-08-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Emerson Melo, Matt Shum, Rakesh Vohra

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

伟大的数字拍卖会：为何最快的车并不总是赢家

想象一个繁忙的数字市场，每秒钟都有数百万个微小的广告牌在屏幕上闪烁。几十年来，这个世界的规则一直是“拍卖”。每当用户加载一个网页时，一场疯狂的、分秒必争的竞价大战就会爆发。广告商们大声喊出他们愿意为那一瞬间支付的价格，而最高出价者则赢得展示位。这就像一场高速赛车比赛，每个人都在猜测其他驾驶员的速度，试图通过稍微提高报价来赢得胜利，同时又不至于支付过高的代价。当没有人确切知道其他驾驶员在想什么时，这套系统运行良好。但如果赛车组织者——即运行广告的平台——已经确切知道每辆车能跑多快、有多少燃料，以及每个驾驶员想要实现什么目标呢？

这就是“脱手驾驶”（Hands-Off-the-Wheel, HOTW）广告的世界。在这个现代数字科学的角落里，广告商不再需要大声喊出竞价。相反，他们只需告诉平台：“这是我的总预算（我的油箱），这是我的目标：我希望每一美元支出都能获得一定的价值（我的投资回报率）。”平台的智能计算机随后处理余下的工作，精准预测用户点击或购买的可能性。这篇论文探讨的核心问题是：如果平台已经掌握了关于驾驶员和车辆的一切信息，那么那种疯狂的、分秒必争的拍卖是否仍然必要？或者，是否存在一种更简单、更聪明的方式来管理这场比赛，从而节省时间、减少混乱，并真正为赛道所有者赚取更多利润？

一次性解决方案：用地图取代赛车

本文的作者埃默森·梅洛（Emerson Melo）、马修·舒姆（Matthew Shum）和拉凯什·沃哈（Rakesh Vohra）认为，在这个“脱手驾驶”的世界里，传统的拍卖实际上已成为过去的遗迹。他们指出，由于平台已经了解广告商的预算、目标以及每次广告点击的预期价值，因此不需要每秒钟进行数百万次微小且嘈杂的拍卖。相反，平台可以扮演一位已经掌握了所有食材和食谱的大厨。大厨不需要在食客每吃一口时都询问他们的需求；他们只需要做出一顿完美的餐点并呈上即可。

论文提出了一种“一次性”（one-shot）方法。平台不再为每一次广告展示进行比赛，而是在一天开始前解决一个巨大的、复杂的数学谜题（称为“凸规划”）。这个谜题计算出每种类型广告点击的完美价格，并精确算出每个广告商应该获得多少次点击，从而同时满足所有人的预算和目标。作者证明，这种单一的计算创造了一种“竞争均衡”——一种供需完美匹配、且没有人有动力改变主意（改变策略）的状态。

这里有一个论文发现的令人惊讶的转折：这种单一的、计算出的价格不仅公平，而且实际上是平台所能收取的最丰厚的价格。在许多其他类型的市场中，卖家可能会尝试提高价格并限制商品销售数量以获取更多利润（类似于垄断者）。但作者表明，在这种特定类型的广告市场中，试图通过将价格提高到计算出的“市场出清”水平之上来进行贪婪扩张，实际上会对平台造成损害。如果他们提高价格，一些广告商就会停止购买，并将资金转向其他地方（例如存起来或花在其他东西上，即“外部选项”）。由于广告商的预算是固定的且目标是严格的，平台通过将价格设定在市场自然出清的位置来获取最大收益，从而确保每位广告商都能将其全部预算花在他们最有价值的广告上。

论文还表明，这种“一次性”方法在数学上与目前行业内发生的复杂实时拍卖是完全等同的，只是没有了那些混乱。这就像意识到虽然你可以通过每分钟手动换挡数千次来驾驶汽车，但你也可以只需设置一次定速巡航，就能以更快的速度、更少的引擎磨损到达完全相同的目的地。作者利用“费舍尔市场”（Fisher market）模型证明了这一点，这是一个经典的经济学概念，其中拥有固定预算的买家竞逐商品。通过将广告商的投资回报率目标视为一个安全网（“外部选项”），他们证明了平台可以预先计算出完美的价格。

在数值示例中，作者展示了这在实践中是如何运作的。想象有两个广告商和两种类型的广告点击。一个广告商拥有大额预算并希望购买两种类型的点击；另一个广告商预算较小，且只想要其中一种。传统拍卖法会运行数千次微小的竞价来确定分配比例。而新方法只需解出一个方程，就能瞬间找到完美的价格（例如，一种点击的价格为3美元，另一种为2美元）以及完美的点击分配。结果如何？平台收到了最大可能的收入，广告商在预算内得到了他们想要的东西，而整个系统运行在一次优雅的计算之上，而非数百万次疯狂的竞价。

论文总结道，对于这些“脱手驾驶”型市场而言，实时拍卖的时代已经结束。信息已经存在，数学问题已经解决，广告的未来是一个单一、平滑的一次性计算，它用精准的地图取代了赛车的喧嚣。

技术摘要：面向“脱手驾驶”广告市场的单次定价机制

1. 问题陈述

本文探讨了“脱手驾驶”（Hands-Off-the-Wheel, HOTW）或“自动竞价”（Autobidding）在线广告市场中的分配机制。在这些市场中，广告主声明预算 ( $b_i$ ) 和投资回报率（ROI）目标 ( $r_i$ )，而交易平台（例如 DSP 或 Google、Meta 等集成发布商）则利用机器学习模型来管理点击量的采购。

目前，尽管交易平台拥有所有必要的信息——预测点击价值 ( $v_{ij}$ )、声明的预算、ROI 目标以及预测的供应量 ( $s_j$ )——但业界仍依赖于数以百万计的实时、逐次印象（per-impression）拍卖（通常是第一价格或第二价格拍卖）。作者认为，这种架构是由于过去交易平台缺乏价值信息、需要通过拍卖进行价格发现而留下的遗产。在 HOTW 模式下，由于价值已知且输入参数已声明，逐次印象拍卖引入了不必要的噪声、收敛不确定性和操作延迟，却并未提供额外的有用信息。核心问题在于：能否确定一种集中的、单次的定价机制，在满足所有广告主约束的同时，取代这些序列化拍卖并实现交易平台收入最大化。

2. 方法论与模型

作者将 HOTW 市场建模为一个经过特定修改以处理 ROI 约束的费舍尔市场（Fisher market）。

市场结构：
- 代理人（Agents）： $N$ 个广告主和 $M$ 种点击类型（同质化曝光）。
- 参数： 广告主 $i$ 对点击类型 $j$ 的价值为 $v_{ij}$ （由 ML 预测），预算为 $b_i$ ，ROI 目标为 $r_i$ 。供应量 $s_j$ 是已知的。
- ROI 约束： 被建模为一个个性化的外部选项（outside option）。广告主可以将预算分配给一个产生标准化“性价比”（bang-per-buck）为 1 的外部选项（成本为 $r_i$ ，效用为 $r_i$ ）。这意味着只有当 $v_{ij}/\alpha_j \geq r_i$ 时，广告主才会购买点击（其中 $\alpha_j$ 为价格）。
- 交易平台目标： 在满足供应约束、预算约束 ( $p_i \leq b_i$ ) 和 ROI 约束 ( $p_i \leq \frac{1}{r_i} \sum v_{ij}x_{ij}$ ) 的条件下，最大化总收入 $\sum p_i$ 。交易平台被限制使用统一且匿名的每类价格 ( $\alpha_j$ )。
优化方法：
与其解决双层优化问题（即寻找能诱导最优广告主响应的价格 $\alpha$ ），作者利用了Eisenberg-Gale (EG) 凸规划程序。
- 他们构建了一个增强型的 EG 程序，该程序通过最大化预算加权对数效用（纳什社会福利）并对外部选项进行惩罚项来求解：
  $\max_{x,z} \sum_{i \in N} \left[ b_i \log \left( \sum_{j \in M} u_{ij} x_{ij} + r_i z_i \right) - r_i z_i \right]$
  受限于供应约束，其中 $u_{ij} = v_{ij}/r_i$ 是归一化的支付意愿， $z_i$ 是外部选项的数量。
- 原问题解 $x^*$ 提供了最优分配，而供应约束上的 KKT 乘子则给出了均衡价格 $\alpha^*$ 。
算法实现：
论文提出了一种准上升拍卖算法（改编自 Devanur 等人 [2008] 的 DPSV），用于计算均衡。该算法通过迭代提高活跃点击类型的价格，直到供应等于需求，或者广告主转向外部选项，从而通过原-对偶方法（primal-dual approach）有效地解决该凸规划问题。

3. 核心贡献与结果

A. 与竞争均衡的等价性
论文证明了 HOTW 市场与准费舍尔市场（Quasi-Fisher market, Finster, Gao, and Lahaie [2025]）是同构的。该市场的竞争均衡可以通过 Eisenberg-Gale 程序计算，它提供了能同时满足所有预算和 ROI 约束的市场出清价格与分配。

B. 竞争价格的收入最优性
一个核心且反直觉的结果是，竞争均衡价格 $\alpha^*$ 在所有统一价格机制中对交易平台而言是收入最优的。

在标准的垄断定价中，卖家通过限制数量来提高价格，使其高于竞争水平。
在这种 HOTW 设置下，需求表现出一种“角点解”（corner-solution）特性：一旦价格超过广告主的阈值（ $u_{ij}$ ），广告主会完全退出转向外部选项，而不是逐渐减少需求。
因此，不存在所谓的“边际买家”，其需求减少无法通过剩余买家更高的支付来抵消。交易平台无法通过限制供应来增加收入；市场出清价格即为收入上限。

C. 与调控拍卖（Paced Auctions）的结果等价性
作者证明，单次竞争均衡的结果与带有调控（pacing）的序列化第一价格拍卖的均衡是结果等价的。序列化拍卖中使用的调控乘数可以由交易平台通过事前计算得出，即均衡价格 $\alpha^*$ 。这意味着复杂的实时竞价机制可以被单个凸规划程序所取代，而不会改变最终的分配或收入。

D. 无套利动态性
模型被扩展到了随时间变化的供应与需求。研究表明，由此产生的价格是无套利的：广告主在活跃期间实现的 ROI 在各时期内是相等的，从而防止了策略性择时带来的优势。

4. 意义与主张

论文声称，当前在 HOTW 市场中对实时拍卖的依赖是一种操作效率低下的表现。通过认识到交易平台作为一个面对由已知价值和声明约束构成的向下倾斜需求曲线的垄断者，交易平台可以进行中心化的最优价格求解。

操作简化： 该方法将数百万次动态、策略性的竞价交互替换为单个凸优化问题（或多项式时间的上升拍卖算法），这被描述为比动态演进的竞价策略在操作上更简单。
收入保证： 与“拍卖对于多单元设置中实现收入最大化是必要”的直觉相反，论文证明了竞争均衡价格即为收入最大化的统一价格。
帕累托效率： 所得分配最大化了预算加权对数效用（纳什社会福利），在实现广告主帕累托效率的同时，也实现了交易平台收入的最大化。

作者总结道，“单次”方法不仅在理论上是成立的，而且在实践中更为优越，为目前基于拍卖的基础设施提供了一个更简单且收入最优的替代方案。