مدل قیمت گذاری اصل بیشینه (Maximum Principle Pricing Model)، در ریاضیات (Mathematics)

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

مدل قیمت گذاری اصل بیشینه (Maximum Principle Pricing Model) :

اصل بیشینه (Maximum Principle) که با نام اصل ماکزیمم پونتریاگین (Pontryagin's Maximum Principle) شناخته می شود، یکی از مهم ترین ابزارهای ریاضی در نظریه کنترل بهینه و حساب تغییرات است. این اصل شرایط لازم برای بهینگی در مسائل کنترل بهینه با هدف حداکثر کردن یک تابع هدف را فراهم می کند. در قیمت گذاری، از این اصل برای تعیین مسیر بهینه قیمت در طول زمان با هدف حداکثر کردن سود یا درآمد استفاده می شود.

فرمول کلی اصل بیشینه:

برای مسئله کنترل بهینه با هدف حداکثرسازی:

\[ \max_{u} J = \int_0^T F(t, x, u) dt + S(x(T)) \]

با معادله حالت

\[ \dot{x} = f(t, x, u) \]

و

\[ x(0)=x_0 \]

، هامیلتونی به صورت زیر تعریف می شود:

\[ H(t, x, u, \lambda) = F(t, x, u) + \lambda(t) f(t, x, u) \]

اصل بیشینه بیان می کند که اگر

\[ u^*(t) \]

و

\[ x^*(t) \]

مسیر بهینه باشند، آن گاه یک تابع

\[ \lambda(t) \]

(متغیر الحاقی) وجود دارد به طوری که:

برای هر t،

\[ u^*(t) \]

هامیلتونی را ماکزیمم می کند:

\[ H(t, x^*, u^*, \lambda) \geq H(t, x^*, u, \lambda) \]

برای همه u.

معادله الحاقی:

\[ \dot{\lambda} = -\frac{\partial H}{\partial x} \]

شرط عرضی:

\[ \lambda(T) = \frac{\partial S}{\partial x(T)} \]

🔑 تفسیر اقتصادی:

\[ \lambda(t) \]

قیمت سایه ای متغیر حالت است، یعنی ارزش یک واحد اضافی از حالت در زمان t.

هامیلتونی مجموع سود لحظه ای و ارزش تغییر حالت است.

شرط ماکزیمم می گوید که در هر لحظه، کنترل باید به گونه ای انتخاب شود که مجموع سود جاری و ارزش آینده (از طریق تغییر حالت) بیشینه شود.

مراحل حل یک مسئله قیمت گذاری با اصل بیشینه:

گام ۱: تعریف متغیر حالت (مثلا موجودی، سهم بازار) و کنترل (قیمت)

گام ۲: تعیین تابع سود لحظه ای F (معمولا درآمد یا سود) و معادله حالت

گام ۳: تشکیل هامیلتونی

گام ۴: اعمال شرط ماکزیمم:

\[ \frac{\partial H}{\partial u} = 0 \]

(اگر جواب داخلی باشد) یا بررسی نقاط مرزی

گام ۵: حل معادله الحاقی و معادله حالت با شرایط مرزی

گام ۶: به دست آوردن مسیر بهینه قیمت u(t) و مسیر حالت x(t)

مثال: قیمت گذاری بهینه با موجودی و تقاضای وابسته به قیمت:

📘 مثال:

موجودی اولیه

\[ I_0 = 200 \]

واحد. تقاضا تابعی از قیمت:

\[ D(P) = 100 - 2P \]

. هدف حداکثر کردن درآمد کل تا زمان T=10 که محصول باید به فروش برسد. معادله حالت:

\[ \dot{I} = - (100 - 2P) \]

. تابع سود لحظه ای:

\[ P \times (100 - 2P) \]

.

هامیلتونی:

\[ H = P(100-2P) + \lambda (-(100-2P)) = (100-2P)(P - \lambda) \]

شرط

\[ \frac{\partial H}{\partial P} = 0 \]

:

\[ -2(P - \lambda) + (100-2P) = 0 \]

→

\[ -2P + 2\lambda + 100 - 2P = 0 \]

→

\[ 100 + 2\lambda - 4P = 0 \]

→

\[ P = \frac{100 + 2\lambda}{4} \]

معادله الحاقی:

\[ \dot{\lambda} = -\frac{\partial H}{\partial I} = 0 \]

→ λ ثابت است.

شرط عرضی:

\[ \lambda(T) = 0 \]

(چون موجودی نهایی ارزش ندارد) → λ=0 برای همه t.

پس

\[ P = \frac{100}{4} = 25 \]

ثابت.

مثال: قیمت گذاری با اثر یادگیری (Learning Curve):

هزینه تولید با تجربه انباشته کاهش می یابد. متغیر حالت Q(t) تولید انباشته، کنترل P(t) قیمت. تقاضا تابعی از قیمت:

\[ D(P) \]

. معادله حالت:

\[ \dot{Q} = D(P) \]

. هزینه واحد:

\[ c(Q) = c_0 e^{-\alpha Q} \]

. تابع سود لحظه ای:

\[ (P - c(Q)) D(P) \]

. هامیلتونی تشکیل شده و حل می شود. معمولا قیمت در ابتدا پایین تر است تا با فروش بیشتر، هزینه کاهش یابد و سپس قیمت افزایش می یابد.

مزایای اصل بیشینه:

ارائه شرایط لازم برای بهینگی در مسائل زمان پیوسته

قابلیت تحلیل کیفی و شهودی

مناسب برای مسائل با افق زمانی بلندمدت

تفسیر اقتصادی روشن (متغیر الحاقی به عنوان ارزش سایه ای)

معایب و محدودیت ها:

نیاز به دانش ریاضی پیشرفته (معادلات دیفرانسیل)

حل مسائل غیرخطی و با ابعاد بالا دشوار است

فرض پیوستگی و مشتق پذیری توابع

عدم قطعیت به راحتی وارد مدل نمی شود

کاربردها در قیمت گذاری:

تعیین مسیر بهینه قیمت برای محصولات جدید (استراتژی اسکیمینگ یا نفوذ)

قیمت گذاری منابع طبیعی با توجه به نرخ استخراج بهینه

مدل سازی سرمایه گذاری در تبلیغات و قیمت گذاری هم زمان

قیمت گذاری پویا با در نظر گرفتن اثرات جانبی شبکه (Network Effects)

تعیین سیاست بهینه قیمت در بازارهای انحصاری در طول زمان