論文の概要: Bid Prediction in Repeated Auctions with Learning

• arxiv url: http://arxiv.org/abs/2007.13193v2
• Date: Fri, 30 Oct 2020 15:05:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 20:18:01.942446
• Title: Bid Prediction in Repeated Auctions with Learning
• Title（参考訳）: 反復オークションにおける学習による入札予測
• Authors: Gali Noti and Vasilis Syrgkanis
• Abstract要約: 本稿では,メインストリームの検索オークションマーケットプレースからのデータセットを用いて,繰り返しオークションにおける入札予測の問題を検討する。 提案手法は,非regret型エコノメトリを用いて入札予測を行い,ユーティリティ関数に関する非regret学習者としてプレーヤをモデル化する。 この手法は,最先端の時系列機械学習手法に匹敵する性能を示す。
• 参考スコア（独自算出の注目度）: 30.07778295477907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of bid prediction in repeated auctions and evaluate the performance of econometric methods for learning agents using a dataset from a mainstream sponsored search auction marketplace. Sponsored search auctions is a billion dollar industry and the main source of revenue of several tech giants. A critical problem in optimizing such marketplaces is understanding how bidders will react to changes in the auction design. We propose the use of no-regret based econometrics for bid prediction, modeling players as no-regret learners with respect to a utility function, unknown to the analyst. We propose new econometric approaches to simultaneously learn the parameters of a player's utility and her learning rule, and apply these methods in a real-world dataset from the BingAds sponsored search auction marketplace. We show that the no-regret econometric methods perform comparable to state-of-the-art time-series machine learning methods when there is no co-variate shift, but significantly outperform machine learning methods when there is a co-variate shift between the training and test periods. This portrays the importance of using structural econometric approaches in predicting how players will respond to changes in the market. Moreover, we show that among structural econometric methods, approaches based on no-regret learning outperform more traditional, equilibrium-based, econometric methods that assume that players continuously best-respond to competition. Finally, we demonstrate how the prediction performance of the no-regret learning algorithms can be further improved by considering bidders who optimize a utility function with a visibility bias component.
• Abstract（参考訳）: 繰り返しオークションにおける入札予測の問題点を検討し,メインストリームの検索オークション市場からのデータセットを用いた学習エージェントの計量的手法の性能評価を行った。 スポンサー付き検索オークションは10億ドルの業界であり、テック大企業の収入源となっている。 このような市場を最適化する上で重要な問題は、入札者がオークションデザインの変化にどう反応するかを理解することである。 提案手法は,提案手法を応用したノンレグレット型econometricsを用いて入札予測を行い,非レグレット学習者としてのプレイヤをモデル化する手法である。 本稿では,プレイヤーの実用性と学習ルールのパラメータを同時に学習する新しい計量的手法を提案し,bingads主催の検索オークションマーケットプレースから実世界のデータセットに適用する。 本研究では,非レグレット・エコノメトリ手法が,トレーニング期間とテスト期間の共変時において,共変時差がない場合の最先端の時系列機械学習手法に匹敵する性能を示した。 これは、プレイヤーが市場の変化にどう反応するかを予測するために構造的計量的アプローチを使うことの重要性を表している。 さらに,構造的計量法において,非回帰学習に基づくアプローチは,プレーヤが競争に最もよく対応していると仮定する従来型,平衡型,計量的手法よりも優れていることを示す。 最後に,可視性バイアス成分でユーティリティ関数を最適化する入札者を考えることにより,非回帰学習アルゴリズムの予測性能がさらに向上することを示す。

関連論文リスト

• A Benchmark for Fairness-Aware Graph Learning [58.515305543487386]
  本稿では,10の代表的な公正性を考慮したグラフ学習手法に関する広範なベンチマークを示す。 我々の詳細な分析は、既存の手法の強みと限界に関する重要な洞察を明らかにしている。
  論文  参考訳（メタデータ） (2024-07-16T18:43:43Z)
• Improving Real-Time Bidding in Online Advertising Using Markov Decision Processes and Machine Learning Techniques [0.0]
  本稿では,ディープラーニングと強化学習を組み合わせたリアルタイム入札手法を提案する。 提案手法は,オークションの詳細と市場価格を予測するためのディープニューラルネットワークと,最適な入札価格を決定するための強化学習アルゴリズムを用いる。 その結果,提案手法は費用対効果と精度が好ましいことが示された。
  論文  参考訳（メタデータ） (2023-05-05T14:34:20Z)
• MERMAIDE: Learning to Align Learners using Model-Based Meta-Learning [62.065503126104126]
  本研究では,先見のつかない学習エージェントの報酬を効率よく効果的に介入し,望ましい結果を導き出す方法について検討する。 これはオークションや課税のような現実世界の多くの設定に関係しており、プリンシパルは学習行動や実際の人々の報酬を知らないかもしれない。 モデルに基づくメタ学習フレームワークであるMERMAIDEを導入し,配布外エージェントに迅速に適応できるプリンシパルを訓練する。
  論文  参考訳（メタデータ） (2023-04-10T15:44:50Z)
• Does Machine Learning Amplify Pricing Errors in the Housing Market? -- The Economics of Machine Learning Feedback Loops [2.5699371511994777]
  住宅市場における機械学習フィードバックループの分析モデルを構築した。 フィードバックループは、機械学習アルゴリズムを自分自身の精度で過度に信頼するようになることを示す。 次に、フィードバックループ平衡における住宅販売者の経済的な支払いが、機械学習を使わずに悪くなる状況を特定する。
  論文  参考訳（メタデータ） (2023-02-18T23:20:57Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Finding General Equilibria in Many-Agent Economic Simulations Using Deep Reinforcement Learning [72.23843557783533]
  本研究では,エージェント種別のメタゲームに対して,エプシロン・ナッシュ平衡である安定解を求めることができることを示す。 私たちのアプローチはより柔軟で、例えば市場クリア化のような非現実的な仮定は必要ありません。 当社のアプローチは、実際のビジネスサイクルモデル、DGEモデルの代表的なファミリー、100人の労働者消費者、10社の企業、税金と再分配を行う政府で実証しています。
  論文  参考訳（メタデータ） (2022-01-03T17:00:17Z)
• Reinforcement Learning with Expert Trajectory For Quantitative Trading [11.460285913081346]
  価格予測問題をマルコフ決定プロセス(MDP)としてモデル化し、エキスパート軌道による強化学習により最適化します。 我々は、MDPの状態を記述するための既存の手法において、価格、ボリューム、およびいくつかの技術的要因の代わりに、100以上の短期的アルファ因子を用いる。 IF(CSI 300)およびIC(CSI 500)を含む中国の株価指数先物に関する実験的評価
  論文  参考訳（メタデータ） (2021-05-09T05:49:21Z)
• Taking Over the Stock Market: Adversarial Perturbations Against Algorithmic Traders [47.32228513808444]
  本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。 入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
  論文  参考訳（メタデータ） (2020-10-19T06:28:05Z)
• A Generic Methodology for the Statistically Uniform & Comparable Evaluation of Automated Trading Platform Components [2.28438857884398]
  提案手法は,2つの自動トレーディングプラットフォームコンポーネント上で実証される。 すなわち、価格レベル、よく知られた取引パターン、新しい2段階の特徴抽出方法である。 主な仮説は、選択された取引パターンが機械学習環境での使用に適しているかどうかを評価するために定式化された。
  論文  参考訳（メタデータ） (2020-09-21T16:17:42Z)
• Adversarial Attacks on Machine Learning Systems for High-Frequency Trading [55.30403936506338]
  逆機械学習の観点から,アルゴリズム取引のバリュエーションモデルについて検討する。 攻撃コストを最小限に抑えるサイズ制約で、このドメインに特有の新たな攻撃を導入する。 本稿では、金融モデルのロバスト性について研究・評価するための分析ツールとして、これらの攻撃がどのように利用できるかについて論じる。
  論文  参考訳（メタデータ） (2020-02-21T22:04:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。