我對動態定價市場噪音分佈的三個思考：噪音分佈分離主觀與客觀價值，理論分析需要精確噪音分佈，實驗研究利用高斯噪音分佈

• 已知(known)：Section 2. 可以寫出完整的RMLP.
• 未知但屬於參數族分佈(Unknown but belongs to parametric family distribution)：Section 7.

思考#1：市場噪音分佈，決定選擇模型，進而描述用戶購買行為

• 用法：有一大組商品，可以被一組特徵向量基底給描述。商品有賣出/未賣出的交易紀錄。
• 心法：用戶對單一商品有主觀價值(Subjective Valuation)。商品的客觀價值(Objective Valuation)為主觀價值的期望。商品的客觀價值，是商品特徵的線性組合。商品的主觀價值與客觀價值的連結，用統計模型來描述。
• 技法：用戶根據選擇模型(Choice model)來比較定價(Pricing)與商品的客觀價值，進而做出決定。動態定價演算法根據用戶的購買決定記錄，回推商品的客觀價值。

思考#2: 市場噪音分佈已知，可以得到理論需要的所有資訊

1. 具體計算的似然函數(Explicit Likelihood Function)
2. 期望獎勵最大化的定價函數 (Expected Revenue Maximizing pricing function)

• 偽算法上，我們需要知道具體CDF的形式，來計算似然函數。
• 理論分析上，我們要知道對數凹函數的幾何常數，來設定線上正規過程。
• 算法實踐上，我們假設噪音未知，使用高斯噪音來計算似然函數與定價函數，來看其實務上的表現。

思考#3：市場噪音分佈未知但屬於對數凹分佈族，可以用高斯分佈族做良好逼近

• 在線上廣告市場，有四個在07-14年的工作說明，「價值分佈」利用「對數常態分佈」得到很好的逼近。
• 文章假設了對數凹分佈族，但「使用了分佈參數的資訊」在其算法中，來「縮放」動態定價問題中的「主觀價值」「客觀價值參數」「市場噪音」

• 設置線上正規項時，有的與市場噪音分佈相關的參數。