مدل قیمت گذاری بهینه سازی تصادفی (Stochastic Optimization for Pricing)، در ریاضیات (Mathematics)

انواع مدل های قیمت گذاری (Pricing Models) را در آموزش زیر شرح دادیم :

مدل قیمت گذاری بهینه سازی تصادفی (Stochastic Optimization for Pricing) :

بهینه سازی تصادفی (Stochastic Optimization) روشی برای تصمیم گیری بهینه در شرایط عدم قطعیت است. در مسائل قیمت گذاری، عوامل متعددی مانند تقاضا، هزینه ها، رفتار رقبا و شرایط اقتصادی تصادفی و غیرقابل پیش بینی هستند. بهینه سازی تصادفی با مدل سازی این عدم قطعیت ها به صورت متغیرهای تصادفی، به یافتن سیاست های قیمت گذاری مقاوم و بهینه کمک می کند.

انواع رویکردها در بهینه سازی تصادفی:

برنامه ریزی تصادفی دو مرحله ای (Two-Stage Stochastic Programming): تصمیم گیری در مرحله اول (مثلا تعیین قیمت پایه) و سپس پس از مشاهده تحقق عدم قطعیت، تصمیمات جبرانی (مثلا تخفیف) اتخاذ می شود.

برنامه ریزی پویای تصادفی (Stochastic Dynamic Programming): ترکیب بهینه سازی پویا با عدم قطعیت.

بهینه سازی مقاوم (Robust Optimization): به دنبال جوابی است که در بدترین سناریو نیز عملکرد قابل قبولی داشته باشد.

شبیه سازی و بهینه سازی (Simulation-Based Optimization): مانند بهینه سازی با مونت کارلو.

فرمول کلی یک مسئله برنامه ریزی تصادفی دو مرحله ای:

\[ \min_{x} c^T x + E_{\xi}[Q(x, \xi)] \]

محدود به

\[ Ax \leq b \]

، و

\[ Q(x, \xi) \]

جواب مسئله مرحله دوم است:

\[ Q(x, \xi) = \min_{y} d(\xi)^T y \]

محدود به

\[ W(\xi) y \leq h(\xi) - T(\xi) x \]

که

\[ \xi \]

بردار پارامترهای تصادفی است.

🔑 منابع عدم قطعیت در قیمت گذاری:

تقاضای مشتریان (تصادفی و فصلی)

قیمت مواد اولیه و هزینه ها

اقدامات رقبا (تغییر قیمت، تخفیف)

شرایط اقتصادی (تورم، نرخ ارز)

رویدادهای غیرمنتظره (کرونا، تحریم)

مراحل حل یک مسئله قیمت گذاری تصادفی:

گام ۱: شناسایی منابع عدم قطعیت و تعیین توزیع احتمال آنها (با استفاده از داده های تاریخی یا نظر خبرگان)

گام ۲: تولید سناریوهای مختلف (با روش هایی مانند نمونه گیری یا درخت سناریو)

گام ۳: فرموله کردن مسئله به صورت برنامه ریزی تصادفی (معمولا دو مرحله ای)

گام ۴: حل مسئله معادل قطعی (با در نظر گرفتن همه سناریوها) با روش های بهینه سازی

گام ۵: تحلیل حساسیت و ارزیابی عملکرد جواب در سناریوهای مختلف

مثال ۱: قیمت گذاری با تقاضای تصادفی:

📘 مثال:

یک محصول با هزینه ۲۰ هزار تومان. تقاضا تصادفی است و می تواند با احتمال ۰.۳ برابر ۱۰۰، با احتمال ۰.۵ برابر ۱۵۰ و با احتمال ۰.۲ برابر ۲۰۰ واحد باشد. قیمت باید قبل از مشاهده تقاضا تعیین شود. هدف حداکثر کردن سود مورد انتظار.

تابع هدف:

\[ E[\pi(P)] = 0.3 \times (P-20) \times \min(100, D(P)) + ... \]

فرض می کنیم تقاضا مستقل از قیمت نیست. اگر رابطه تقاضا و قیمت هم تصادفی باشد، پیچیده تر می شود.

مثال ۲: قیمت گذاری با هزینه تصادفی:

قیمت نفت به عنوان ماده اولیه تصادفی است. شرکت باید قیمت فروش محصول نهایی را تعیین کند. اگر قیمت نفت بالا رود، سود کاهش می یابد. شرکت می تواند قراردادهای آتی خرید نفت ببندد. این یک مسئله برنامه ریزی تصادفی دو مرحله ای است: مرحله اول تعیین قیمت فروش، مرحله دوم تصمیم گیری در مورد خرید نفت پس از مشاهده قیمت.

مثال ۳: قیمت گذاری پویای تصادفی:

یک فروشگاه آنلاین با تقاضای تصادفی روزانه مواجه است. موجودی در ابتدا مشخص است. در هر روز، قیمت تعیین می شود و سپس تقاضای تصادفی محقق می شود. هدف حداکثر کردن سود مورد انتظار در افق زمانی. این مسئله با برنامه ریزی پویای تصادفی حل می شود.

روش های حل بهینه سازی تصادفی:

روش سناریو (Scenario-Based): تبدیل مسئله به یک مسئله قطعی بزرگ با تکرار سناریوها

روش L-shaped: برای برنامه ریزی تصادفی دو مرحله ای خطی

برنامه ریزی پویای تصادفی: با معادله بلمن و انتگرال گیری بر روی توزیع ها

روش های تقریبی: مانند بهینه سازی با شبیه سازی

مزایای بهینه سازی تصادفی:

در نظر گرفتن عدم قطعیت و ریسک

ارائه تصمیمات مقاوم و قابل اعتماد

بهبود عملکرد در شرایط واقعی نسبت به مدل های قطعی

معایب و محدودیت ها:

پیچیدگی محاسباتی بسیار بالا

نیاز به اطلاعات دقیق در مورد توزیع های احتمال

وابستگی به تعداد سناریوها (افزایش سناریوها باعث افزایش زمان حل می شود)

مشکل در تفسیر نتایج

کاربردها در قیمت گذاری:

قیمت گذاری قراردادهای اختیار معامله و مشتقات

مدیریت درآمد با تقاضای تصادفی

تعیین قیمت در بازار برق با نوسانات زیاد

قیمت گذاری اولیه سهام (IPO) در شرایط عدم قطعیت بازار

استراتژی های پوشش ریسک (Hedging) در کنار قیمت گذاری