مدل قیمت گذاری بهینه سازی درجه دوم (Quadratic Programming for Pricing)، در ریاضیات (Mathematics)
انواع مدل های قیمت گذاری (Pricing Models) را در آموزش زیر شرح دادیم :
مدل قیمت گذاری بهینه سازی درجه دوم (Quadratic Programming for Pricing) :
برنامه ریزی درجه دوم (Quadratic Programming - QP) حالت خاصی از برنامه ریزی غیرخطی است که در آن تابع هدف درجه دوم و محدودیت ها خطی هستند. این مدل در مسائل قیمت گذاری کاربرد فراوانی دارد زیرا بسیاری از توابع سود با تقاضای خطی به توابع درجه دوم تبدیل می شوند. همچنین در بهینه سازی پرتفوی و مسائل مالی بسیار استفاده می شود.
فرمول کلی یک مسئله برنامه ریزی درجه دوم:
\[ \text{Minimize (or Maximize)} \quad f(x) = \frac{1}{2} x^T Q x + c^T x \]محدود به:
\[ Ax \leq b \] \[ x \geq 0 \]که در آن:
\[ x \]
: بردار متغیرهای تصمیم (مثلا قیمت ها)
\[ Q \]
: ماتریس ضرایب درجه دوم (متقارن)
\[ c \]
: بردار ضرایب خطی
\[ A \]
: ماتریس ضرایب محدودیت ها
\[ b \]
: بردار مقادیر سمت راست محدودیت ها
🔑 تحدب در برنامه ریزی درجه دوم:
اگر ماتریس
\[ Q \]مثبت معین (Positive Definite) باشد، تابع هدف اکیدا محدب است و مسئله دارای یک بهینه سراسری یکتا است. اگر
\[ Q \]مثبت نیمه معین باشد، تابع هدف محدب است و هر بهینه محلی، سراسری است.
کاربردهای برنامه ریزی درجه دوم در قیمت گذاری:
قیمت گذاری با تابع تقاضای خطی: اگر تابع تقاضا خطی باشد (
\[ Q = a - bP \])، تابع درآمد
\[ P \times Q \]درجه دوم می شود:
\[ aP - bP^2 \].
بهینه سازی سبد محصولات: هنگامی که بین محصولات اثرات متقاطع (جانشینی یا مکملی) وجود دارد.
حداقل سازی واریانس در قیمت گذاری: در مسائل مدیریت ریسک و بهینه سازی پرتفوی (مدل مارکویتز).
تنظیم قیمت با محدودیت های خطی: مانند سقف قیمت، کف قیمت، محدودیت منابع.
مراحل فرموله کردن یک مسئله قیمت گذاری به صورت QP:
گام ۱: تعریف متغیرهای تصمیم (مثلا
\[ P_1, P_2, ..., P_n \]قیمت محصولات)
گام ۲: تعیین توابع تقاضای خطی:
\[ Q_i = a_i - \sum_j b_{ij} P_j \]گام ۳: تشکیل تابع سود کل:
\[ \pi = \sum (P_i - c_i) Q_i \]که با جایگذاری Q_i، یک تابع درجه دوم بر حسب Pها به دست می آید.
گام ۴: نوشتن تابع هدف به صورت
\[ \frac{1}{2} x^T Q x + c^T x \](با محاسبه ماتریس Q و بردار c)
گام ۵: تعیین محدودیت های خطی (مثلا
\[ P_i \leq P_{max} \]،
\[ \sum Q_i \leq Capacity \])
گام ۶: حل مسئله با روش های برنامه ریزی درجه دوم
مثال ۱: قیمت گذاری یک محصول با تقاضای خطی:
📘 مثال:
تابع تقاضا:
\[ Q = 500 - 4P \]، هزینه هر واحد: ۳۰ هزار تومان. تابع سود:
\[ \pi(P) = (P - 30)(500 - 4P) = 500P - 4P^2 - 15000 + 120P = -4P^2 + 620P - 15000 \]این یک تابع درجه دوم با
\[ Q = -8 \](چون
\[ \frac{1}{2} Q = -4 \]، پس
\[ Q = -8 \]) و
\[ c = 620 \]است. با مشتق گیری:
\[ -8P + 620 = 0 \]→
\[ P = 77.5 \]هزار تومان.
مثال ۲: قیمت گذاری دو محصول با اثرات متقاطع:
توابع تقاضا:
\[ Q_1 = 300 - 5P_1 + 2P_2 \] \[ Q_2 = 250 + 3P_1 - 4P_2 \]هزینه ها:
\[ c_1 = 20 \]،
\[ c_2 = 25 \]تابع سود:
\[ \pi = (P_1-20)(300 - 5P_1 + 2P_2) + (P_2-25)(250 + 3P_1 - 4P_2) \]با باز کردن و ساده سازی، یک تابع درجه دوم بر حسب
\[ P_1 \]و
\[ P_2 \]به دست می آید. ضرایب درجه دوم: برای
\[ P_1^2 \]:
\[ -5 \]، برای
\[ P_2^2 \]:
\[ -4 \]، برای
\[ P_1P_2 \]:
\[ 2+3=5 \](که باید به صورت متقارن در ماتریس Q قرار گیرد). مسئله QP با محدودیت های احتمالی (مثلا
\[ P_1, P_2 \geq 0 \]) قابل حل است.
مثال ۳: بهینه سازی پرتفوی (کاربرد در قیمت گذاری دارایی ها):
مدل مارکویتز برای بهینه سازی سبد سهام: هدف حداقل سازی واریانس (ریسک) برای یک سطح بازده معین است. تابع هدف:
\[ \frac{1}{2} w^T \Sigma w \]که
\[ \Sigma \]ماتریس کوواریانس بازده هاست. محدودیت ها:
\[ \sum w_i = 1 \]،
\[ w_i \geq 0 \]، و
\[ \sum w_i \mu_i = \mu_0 \](بازده هدف). این یک مسئله برنامه ریزی درجه دوم است.
روش های حل برنامه ریزی درجه دوم:
روش ضرایب لاگرانژ: برای مسائل با محدودیت تساوی
روش مجموعه فعال (Active Set): مشابه روش سیمپلکس برای مسائل خطی
روش نقاط داخلی (Interior Point): برای مسائل بزرگ
مزایای برنامه ریزی درجه دوم:
حل مسائل محدب سریع و مطمئن است
مدل سازی روابط درجه دو که در اقتصاد رایج هستند
وجود نرم افزارهای کارآمد برای حل
معایب و محدودیت ها:
فرض خطی بودن محدودیت ها
اگر ماتریس Q نامعین باشد (غیرمحدب)، حل مسئله دشوار می شود
تنها روابط درجه دو را پوشش می دهد
کاربردها در قیمت گذاری:
یافتن قیمت های بهینه برای محصولات با تقاضای خطی
مدل سازی رقابت کورنو و برتراند با توابع تقاضای خطی
بهینه سازی پرتفوی سهام و دارایی ها
تعیین قیمت انتقالی بهینه در شرکت های چندبخشی
