📈 economics

Auction Design with ROI-Constrained Bidders: Truthfulness and Revenue Maximization

本文通过证明分配规则唯一地确定了支付，并引入了在渐近意义上实现与 Myerson 框架相当的收入最优性的 $\sigma$ -增量机制，同时还推导出了具有公共约束的单投标人场景下的最优定价函数，从而刻画了针对投资回报率（ROI）约束投标人的诚实拍卖。

原作者： Zhiqiang Zhuang, Quan Yu, Yisong Wang, Kewen Wang, Zhe Wang

发布于 2026-09-16✓ Author reviewed ⓘ

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Zhiqiang Zhuang, Quan Yu, Yisong Wang, Kewen Wang, Zhe Wang

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。它不是由作者撰写的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在繁忙的在线广告数字市场中，像谷歌这样的平台扮演着庞大拍卖行的角色，公司通过这些平台竞标，以获取用户在浏览网页时转瞬即逝的注意力。几十年来，这些拍卖的规则一直建立在一个简单的假设之上：竞买者确切知道一件物品对他们而言价值几何，并且愿意支付高达该金额的任何费用来确保获得它。这种直截了当的逻辑让经济学家能够设计出既对参与者公平、又对卖家高度盈利的系统。然而，广告领域的现实世界要复杂得多。广告商不仅仅关心单次点击的价值；他们在严格的投资回报率（ROI）约束下运作。这意味着广告商只愿意支付其预期收益的一定比例。如果一次点击对他们而言价值一美元，他们可能拒绝支付超过二十美分，以确保其投资能产生特定的利润率。这种约束将拍卖变成了一个多维度的谜题，因为竞买者的策略取决于两个私有数值——他们的真实估值和他们严格的支出限制——而不仅仅是一个。

这种新现实为这些数字市场的架构师带来了重大挑战。当竞买者拥有这些双重约束时，用于设计公平且盈利的拍卖的标准工具往往会失效。竞买者获得的份额与其支付金额之间的关系变得错综复杂，使得确保每个人都如实申报其限制，同时仍能实现卖家收益最大化变得十分困难。研究人员庄志强、余全、王一松、王科文和王哲投入到了这一复杂性中，试图理清这些受限拍卖的机制。他们的工作为受投资回报率规则约束的诚实拍卖如何运作提供了一张清晰的地图，揭示了即使在这种复杂的二维设定下，分配物品的规则也能唯一地决定收费的规则。

研究人员首先将问题转化为一种更易处理的形式。他们不再思考广告商对某件物品的原始估值及其独立的支出限制，而是专注于一个衍生的单一概念：竞买者可以负担得起的单位成功最大价格。如果一位广告商认为一次点击价值一美元，但为了确保五比一的回报率仅愿意支付二十美分，那么他们的“可负担上限”就是二十美分。通过从这个上限的角度观察拍卖，团队发现了一个强大的结构性真理。他们证明，在任何竞买者没有动机撒谎的公平拍卖中，将物品分配给获胜者的规则完全决定了他们必须支付的款项。这里没有回旋余地；一旦分配规则确定，支付规则在数学上就被锁定了。这一发现显著简化了设计过程，因为它消除了在分配策略之外单独猜测支付方案的需求。

在奠定这一基础后，团队将注意力转向了为卖家创造最大收益的实际目标。他们探索了确定性机制的使用，即结果是一个固定的决策而非一场赌博。他们发现，这类拍卖的最优策略与经济学家罗杰·迈尔森（Roger Myerson）开发的经典方法非常相似，但有一个关键的转变。拍卖师不是将规则应用于竞买者的估值，而是将其应用于竞买者的可负担上限。为了确保系统保持完美的诚实性并防止竞买者利用极端情况进行投机，研究人员引入了一种机制，即在获胜阈值上增加一个微小的、刻意的增量。随着这个增量变得无穷小，拍卖的收入将趋近于任何诚实、确定性系统所能达到的理论最大值。此外，他们还证明了即使在最坏的情况下，这些确定性拍卖也能捕捉到至少一部分如果卖家被允许使用随机、概率方法所能获得的收入。这提供了一个强有力的保证，即简单的、固定的规则可以表现得几乎与复杂的、随机的方法一样好。

该研究还深入探讨了单一竞买者的特定案例，这一场景是理解更大规模市场的基石。在这里，研究人员展示了任何复杂的拍卖机制都可以被一个简单的定价菜单所取代。想象一下，卖家提供一种产品，其单位价格随购买量的变化而变化。团队证明，构建这种菜单的最佳方式是通过凸定价函数，即平均单位价格随着数量的增加而上升。当卖家知道竞买者的真实价值但不知道其支出限制时，最优定价策略包括免费提供第一部分物品，然后对任何额外的部分收取陡峭的线性费率。相反，当卖家知道支出限制但不知道真实价值时，最优定价遵循幂律，即价格起步较低并呈上升曲线，随着买家接近全额数量而变得越来越贵。这些发现为如何在买家受效率目标约束时对商品进行定价提供了具体的蓝图。

最终，这项研究阐明了面对经济约束时现代拍卖设计的格局。它证实了虽然投资回报率限制使竞价过程变得复杂，但它们并未使公平且盈利的拍卖变得不可能。通过将焦点转向竞买者实际上每个单位成功所能负担的价格，研究人员提供了一个严谨的框架，用于设计既诚实又实现收益最大化的系统。他们的工作表明，即使在一个竞买者谨慎且受限的世界里，卖家也可以依靠结构良好的、确定性的规则来获得几乎等同于最佳理论极限的结果，为设计驱动我们日常生活的数字经济提供了高效路径。

技术摘要：具有投资回报率（ROI）约束的拍卖设计

问题陈述

本文研究了针对受投资回报率（ROI）约束的竞价者设计的诚实且收入最大化的拍卖机制。与经典的拟线性设置（竞价者的效用为 $v \cdot x - p$ ）不同，在线广告及类似市场中的竞价者通常受到如下约束：其支付金额 $p$ 不得超过其从拍卖中获得的价值 $v \cdot x$ 的固定比例 $1/r$ 。形式化地，一个具有估值 $v$ 和 ROI 约束 $r$ 的竞价者，仅在满足 $p \leq (v/r)x$ 时才能获得效用 $v \cdot x - p$ ；否则，其效用为 $-\infty$ 。

核心挑战在于竞价者类型空间 $(v, r)$ 的多维性。标准的机制设计工具依赖于一维类型和即时单调性属性，无法直接应用于此。估值与 ROI 约束之间的相互作用使得激励相容（IC）和个体理性（IR）条件变得更加复杂，从而使诚实机制的刻画以及最优收入的推导变得显著困难。

方法论与框架

1. 类型空间转换

作者引入了一种将竞价者类型从 $(v, r)$ 转换为 $(v, c)$ 的方法，其中 $c = v/r$ 被定义为单位支付上限（unit-payment cap）。

基本原理： ROI 约束 $p \leq (v/r)x$ 变为 $p \leq c \cdot x$ 。这分离了“可负担性”（由 $c$ 决定）与“效用比较”（由 $v$ 决定）的概念。
类型空间： 类型空间被重新定义为 $T = \{(v, c) : 0 \leq v \leq \bar{v}, v/\bar{r} \leq c \leq v\}$ 。

2. 诚实机制的刻画

通过分析分配规则 $x(v, c)$ 和单位支付 $q(v, c) = p(v, c)/x(v, c)$ ，本文刻画了诚实机制（占优策略激励相容且个体理性）。

分配属性： 作者推导了单调性条件（A1–A5），表明分配排序受限于竞价者的上限与其分配给其他类型的单位支付之间的关系。
支付恒等式： 通过将机制限制在类型空间的特定一维子集（对角线 $v=c$ 和固定上限切片 $c=$ 常数）上，作者推导出了一个闭式支付恒等式：
$p(v, c) = v x(v, c) - \int_0^c x(z, z) \, dz - \int_c^v x(z, c) \, dz$
这一结果表明，分配规则唯一地决定了支付规则，即使是在这种二维设置下也是如此。

3. 确定性机制与收入最大化

在多竞价者设置下，本文侧重于确定性机制。

Myerson-Cap 机制： 在正则性（单调虚拟上限）的假设下，作者表明，将 Myerson 最优拍卖逻辑应用于单位支付上限而非估值，可以为确定性诚实机制的期望收入提供一个紧致的上界。
$\sigma$ -增量机制： 标准的 Myerson-cap 机制在特定测度为零的点（平局）可能会失效，无法保证 DSIC。为了在不牺牲渐近收入的情况下恢复诚实性，作者引入了 $\sigma$ $σ$ -增量机制。这些机制通过提高微小的获胜阈值 $\sigma > 0$ $σ > 0$ 来实现。
- 当 $\sigma \to 0$ 时，这些机制的收入收敛于最优确定性收入。
- 至关重要的是，这些机制被证明在所有诚实机制（包括随机化机制）中，至少能达到最优期望收入的 $1/\bar{r}$ 倍。

4. 单竞价者定价函数

在单竞价者设置下，作者将研究重点从机制设计转向定价函数 $\pi(x)$ ，其中竞价者选择数量 $x$ 以最大化 $vx - \pi(x)$ ，且满足 $\pi(x) \leq cx$ 。

凸性结果： 本文证明，任何诚实机制都可以被一个连续、凸且非减的定价函数所替代，且该函数对每种类型都能产生弱更高的支付。
公开估值（ $v$ 已知）： 当 $v$ 是公开信息时，最优定价函数是“在某个截断点之前为零，之后为线性”。具体而言， $\pi^*(x) = [vx - (v - c^*)]^+$ ，其中 $c^*$ 是由上限分布决定的阈值。
公开 ROI（ $r$ 已知）： 当 $r$ 是公开信息且估值分布满足递减边际收益（DMR）条件时，最优定价函数遵循幂律： $\pi^*(x) = (v^*/r)x^r$ 。当 $r > 1$ 时，该函数是严格凸的。

核心贡献与结果

诚实性的精确刻画： 本文提供了针对具有私人估值和私人 ROI 约束竞价者的诚实机制的首次精确刻画。它证明了尽管存在多维类型空间，分配规则仍可通过广义包络定理唯一确定支付规则。
确定性机制的渐近最优性： 作者构建了一系列确定性机制（ $\sigma$ -增量机制），这些机制是诚实的，并且在确定性诚实机制中具有渐近最优性。
收入近似界限： 关于确定性机制与随机化机制之间收入差距的一个重要结果是：确定性机制实现的收入至少是所有诚实机制（随机或确定性）所能达到的最优收入的 $1/\bar{r}$ 倍，其中 $\bar{r}$ 是最大可能的 ROI 约束。
部分信息下的最优定价：
- 对于公开估值，最优定价策略涉及“免费”的初始数量以及随后的线性价格增长。
- 对于公开 ROI 约束，最优策略是幂律定价函数，推广了标准标价拍卖（ $r=1$ ）的线性定价。
简化为凸定价： 在单竞价者情况下，收入最大化问题被简化为寻找最优凸定价函数，从而显著简化了设计空间。

重要性与主张

本文声称将现有的带约束拍卖设计结果（如预算约束）推广到了特定且具有经济相关性的 ROI 约束 案例。与预算约束（支付上限固定为 $p \leq B$ ）不同，ROI 约束随分配量缩放（ $p \leq (v/r)x$ ），从而创造了更复杂的激励结构。

作者强调，他们通过利用单位支付上限表示法，解决了多维性带来的难题，从而实现了对诚实机制的刻画。他们指出，虽然直接将 Myerson 机制应用于上限可以得到收入界限，但在各点上并不一定是 DSIC 的；因此，构造 $\sigma$ -增量机制对于在保持收入界限的同时确保诚实性是必要的。

这项工作弥合了理论机制设计与实际在线广告约束之间的鸿沟，为理解 ROI 约束如何影响收入以及如何设计诚实拍卖提供了严谨的基础。本文最后指出，求解完全私人设置（ $v$ 和 $r$ 均为私有）下的最优定价函数仍然是一个开放性问题，尽管向凸定价函数的转化研究为未来的研究提供了清晰路径。