全部版块 我的主页
论坛 经济学人 二区 外文文献专区
1080 22
2022-05-08
英文标题:
《Portfolio Allocation for Sellers in Online Advertising》
---
作者:
Ragavendran Gopalakrishnan, Eric Bax, Krishna Prasad Chitrapura,
  Sachin Garg
---
最新提交年份:
2015
---
英文摘要:
  In markets for online advertising, some advertisers pay only when users respond to ads. So publishers estimate ad response rates and multiply by advertiser bids to estimate expected revenue for showing ads. Since these estimates may be inaccurate, the publisher risks not selecting the ad for each ad call that would maximize revenue. The variance of revenue can be decomposed into two components -- variance due to `uncertainty\' because the true response rate is unknown, and variance due to `randomness\' because realized response statistics fluctuate around the true response rate. Over a sequence of many ad calls, the variance due to randomness nearly vanishes due to the law of large numbers. However, the variance due to uncertainty doesn\'t diminish.   We introduce a technique for ad selection that augments existing estimation and explore-exploit methods. The technique uses methods from portfolio optimization to produce a distribution over ads rather than selecting the single ad that maximizes estimated expected revenue. Over a sequence of similar ad calls, ads are selected according to the distribution. This approach decreases the effects of uncertainty and increases revenue.
---
中文摘要:
在在线广告市场中,一些广告商只在用户回复广告时支付费用。因此,出版商估计广告回复率,并乘以广告商出价,以估计显示广告的预期收入。由于这些估计可能不准确,出版商有可能没有为每个广告呼叫选择广告,从而实现收入最大化。收入的差异可以分解为两个组成部分——由于真实响应率未知而导致的“不确定性”差异,以及由于实现响应统计数据围绕真实响应率波动而导致的“随机性”差异。在一系列的广告呼叫中,由于大数定律,随机性引起的方差几乎消失。然而,不确定性导致的差异并没有减少。我们介绍了一种广告选择技术,该技术增强了现有的估计,并探索了利用方法。该技术使用投资组合优化的方法,在广告上生成一个分布,而不是选择一个能最大化估计预期收入的广告。在一系列类似的广告通话中,广告是根据分布情况选择的。这种方法减少了不确定性的影响,增加了收入。
---
分类信息:

一级分类:Computer Science        计算机科学
二级分类:Computer Science and Game Theory        计算机科学与博弈论
分类描述:Covers all theoretical and applied aspects at the intersection of computer science and game theory, including work in mechanism design, learning in games (which may overlap with Learning), foundations of agent modeling in games (which may overlap with Multiagent systems), coordination, specification and formal methods for non-cooperative computational environments. The area also deals with applications of game theory to areas such as electronic commerce.
涵盖计算机科学和博弈论交叉的所有理论和应用方面,包括机制设计的工作,游戏中的学习(可能与学习重叠),游戏中的agent建模的基础(可能与多agent系统重叠),非合作计算环境的协调、规范和形式化方法。该领域还涉及博弈论在电子商务等领域的应用。
--
一级分类:Quantitative Finance        数量金融学
二级分类:Portfolio Management        项目组合管理
分类描述:Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--
一级分类:Quantitative Finance        数量金融学
二级分类:Risk Management        风险管理
分类描述:Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-5-8 07:56:49
在线广告中卖家的投资组合分配Researchragad3@caltech.eduEric BaxYahooebax@yahoo-comKrishna PrasadChitrapuraQikwell公司Technologieskp@qikwell.comSachinGargAmerican Expresssachin。garg@aexp.comABSTRACTIn对于在线广告市场,一些广告商只在用户回复广告时支付费用。因此,出版商估计广告回复率,并乘以广告商出价,以估计显示广告的预期收入。由于这些估计可能不准确,出版商可能无法为每一次广告通话选择能最大化收入的广告。恢复的方差可以分解为两个部分——由于真实响应率未知而导致的“不确定性”方差,以及由于真实响应率周围的响应统计数据而导致的“随机性”方差。在一系列的广告呼叫中,由于大数定律,随机性引起的方差几乎消失。然而,不确定性导致的差异并没有减少。我们介绍了一种广告选择技术,该技术增强了吸引力估计,并探索了利用方法。这项技术使用投资组合优化的方法,在广告上产生一个分配,而不是选择一个使预计收入最大化的广告。在一系列相似的广告通话中,广告是根据分布情况选择的。这种方法减少了不确定性的影响,增加了收入。关键词在线广告,投资组合分配,不确定性,随机性。简介近年来,在线广告已经成为互联网上出版商和广告商的一个巨大的盈利行业。今天的在线广告商在投放广告时面临两种选择——展示广告和搜索广告。展示广告与传统广告最为相似,因为广告与发布的内容一起放在流行网站上。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-8 07:56:53
一个例子是新闻网站旅游部分的航空公司。另一方面,搜索广告涉及在搜索网站上,在某些关键词的搜索结果旁边显示广告。例如,在关键字“travel”的搜索结果列表旁边有一则航空公司广告。在线出版商(包括展示广告和搜索广告)希望最大限度地将其网站上的房地产(“印象”或“广告电话”)销售给广告商所产生的收入。在传统模式中,广告商只为展示他们的广告而向出版商支付费用。这是CPM(每千人成本)模式,广告商在选择广告时,每千次印象产生成本。在这种模式中,整个广告风险都由广告商承担,因为发布者可以保证展示广告的收入。此后出现了替代模式,在发布者和广告商之间更平均地分担风险。例如,在CPC(点击成本)模式中,广告商仅在用户点击其广告时支付费用,从而使其登录页显示在用户的web浏览器中。显然,风险是分散的——低点击量对出版商不利,但能最大限度地降低广告商的成本,而高点击量和低转换率对出版商有利,但由于投资回报率低,对广告商不利。CPA(每次行动的成本)模式则是另一个极端,在这种模式下,所有风险都由出版商承担——广告商通常只在auser完成一项保证转换的行动时支付费用。例如,用户导航到广告人网站上的特定页面,填写向广告主提交联系信息的网络表单(称为潜在客户开发),以及完成在线购买。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-8 07:56:56
有关在线广告市场的更多信息,请参考Varian[49,50]、Edelman等人[17]以及Lahaie和Pennock[35]。广告商向出版商提交广告报价,表明他们愿意支付多少。发布者通常将可用的广告呼叫划分为不同的细分市场,称为市场,并为每个市场选择要显示的广告。当一个出版商面临多个可供选择的广告时,如果所有广告都是CPM广告,那么收入优化的选择是最明显的——有大量关于最优拍卖的文献,请参考Riley和Samuelson[44]、Myerson[41]和Krishna的教科书[34];其中最值得注意的是广义二次价格拍卖,Edelman等人[17]和Varian[49]首先对其进行了分析。如果涉及CPC和/或CPA广告,那么这些拍卖机制优化的功能是预期收入,即广告商支付时间用户响应率(在CPC广告中通常称为点击率(CTR))。由于可能无法准确了解ADS的响应率,因此必须对预期收入进行估计。我们注意到,发布者选择广告的机制会影响竞争广告主的激励,进而影响他们的竞价行为。虽然我们在本文中没有考虑这些影响,但在[37]中,Li等人讨论了投资组合分配的定价机制,并将其考虑在内。选择一个能带来最大预期收入的广告,并在amarket的所有广告通话中显示出来,对出版商来说是有风险的,因为实际收入可能会低于预期收入。据我们所知,大多数现有的降低这种风险的技术都是从ads的历史性能数据中提取样本,以获得更好的响应率估计,见Richardson等人。[43],Agarwal等人[3]和Graepel等人[28]。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-8 07:57:00
尽管这种方法有很多优点,但以这种方式“学习”响应率存在固有的困难,尤其是当这些响应率非常小时(通常情况下),参见[22]。在本文中,我们概述了一种选择ADS的新方法,该方法可以增强现有技术,包括智能学习响应率,从而为出版商提供更好的风险管理。这种方法包括选择一个广告组合,在市场上分享广告通话,以减少收入差异。为此,我们使用了投资组合优化技术。投资组合优化本身并不是一个新概念;它在金融界已经存在了几十年。有关投资组合分配技术的更多信息,请参阅法博齐[18]的文章,或马尔科维茨[40]、林特纳[39]、夏普[45]和托宾[48]的论文。收入的差异是由两个因素造成的,我们在本文中称之为“不确定性”和“随机性”。不确定性指的是真实的响应率未知且是估计的。随机性指的是,根据定义,响应率仍然是一个“平均值”——它代表了引发响应的概率,而实现的响应统计数据将围绕它展开。根据大数定律,随机性引起的方差随着分配的ad呼叫数的增加而减小(这种情况会在很长一段时间内发生)。由于不确定性而产生的差异也不能这样说。投资组合分配通过多样化,特别针对因不确定性而产生的差异的组成部分,即将广告呼叫分散到多个广告上。作为降低风险的副作用,我们的模拟表明,有可能增加实际(实现)收入,因此即使风险中性的出版商也能从这种方法中受益。第2节建立了一个正式的模型。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-8 07:57:03
第3节描述了如何在我们的正式模型中优化估计预期和收入方差的组合。第4节分析了不确定性和随机性导致的方差成分,以及差异的影响。第5节使用模拟来说明使用投资组合分配有可能增加实际收入。第6节最后讨论了未来工作的方向。2.正式模式设m为广告呼叫数,n为市场中的广告数。分配向量k=(k,…,kn)指定分配给每个广告的广告呼叫数。目标是选择最佳分配向量k*这就在最大化预期收入和最小化收入差异之间进行了权衡。假设市场上的每个广告i都是通过对可能的广告的分发生成的,每个广告都有一个响应率。设为表示AD i响应率的随机变量。设为Si的分布。设Xi(Si)为随机变量,表示在广告通话中显示adi的收入。例如,如果一个广告商在广告引起回应时支付了大量的出价,那么thenXi(Si)=b的概率为Si0,概率为1- 硅。(1) 定义随机变量Xhi(Si),对于{1,…,m}中的h和{1,…,n}中的i,如果ad call h被分配给ad i,则将其定义为收入Xi(Si)(随机变量Xhi(Si)是Xi(Si)的独立副本)响应率Si(根据toRi)绘制一次,并确定Xi(Si)所有副本的收入分配:,Xmi。但是Xhi(Si)是根据每个广告呼叫h的分布重新绘制的i.i.d.可以认为是从一袋硬币中抽出一枚硬币来确定广告i的响应概率Sif,然后在每个广告呼叫中投掷同一枚硬币来确定X1i的值,Xmi。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群