论文摘要
我们研究了收益管理中的一个基本问题：基于特征的定价，即企业需要根据特征信息（例如天气、节假日、商品特性等）做出定价决策，以最大化期望收入。历史数据（包括价格、特征和销售数据）可用于需求估计。我们的模型假设价格和需求之间存在线性关系，同时通过一种非参数的形状约束函数来刻画特征变量对需求的影响。我们开发了一种三阶段半参数估计算法来估计需求，并支持近似最优的数据驱动定价决策。从非渐近角度来看，我们推导出有限样本遗憾界限，展示了我们的算法在实现近似最优收入方面的有效性，即使在需求模型可能误设的情况下也是如此。数值结果表明，我们算法的决策性能可与双重机器学习方法相媲美，同时也显著优于一种简单的两步迭代学习方法。

论文简介：
问题背景：
在现实中，需求是受多种因素影响的，包括价格和一些特征信息（例如天气、节假日、商品特性等）。随着越来越多的历史销售数据（包括价格、特征信息和销售数据）得以被获取，企业如何利用这些数据来估计需求模型并作出定价决策是一个值得研究的议题。

研究方法：
本研究提出了一种数据驱动的定价方法帮助企业根据历史数据进行定价决策。在进行需求模型估计时，本研究假设价格和需求之间存在线性关系，并通过一种带有形状约束的非参数函数来刻画特征信息对需求的影响。

结论：
这种带有形状约束的需求模型具有优良的可解释性和计算性能，能够帮助企业作出定价决策以实现利润最大化。值得注意的是，虽然这种带有形状约束的需求模型可能存在模型误设的情况（即选择了错误的函数形式），但是本研究通过理论和数值实验证明了基于这种错误模型的定价决策仍然能获得近似最优的利润。