Statistische Arbitrage zwischen CPA-Kampagnen und CPM-Werbeinventar

Zusammenfassung

Die Arbeit überträgt statistische Arbitrage auf Echtzeit-Displaywerbung, bei der Impressionen mit ähnlicher erwarteter Wirksamkeit auf fragmentierten Marktplätzen oder in unterschiedlichen Preismodellen verschieden viel kosten können. Die Methode verbindet Cost-per-Action-Kampagnen mit Cost-per-Mille-Impressionsinventar. Ein Meta-Bieter bewertet jede eingehende Gebotsanfrage für eine Impression im Verhältnis zu einem Portfolio aus Kampagnen. Mithilfe geschätzter Konversionsraten, Gebotslandschaften und weiterer aus historischen Daten gelernter Kennzahlen schätzt er Kosten und potenziellen Gewinn.

Das System verbindet die Gebotsoptimierung, die den erwarteten Nettogewinn aus Arbitrage maximieren soll, mit einem Portfoliorisikomanagement, das Gebotsvolumen und Budgets auf Kampagnen verteilt, um Risiko und Rendite auszubalancieren. Die Autoren optimieren diese Komponenten gemeinsam mit einem Erwartungs-Maximierungsverfahren. Sie berichten von Offline-Experimenten mit einem großen realen Datensatz und Online-A/B-Tests auf einer kommerziellen Plattform unter mehreren Modelleinstellungen und Marktbedingungen. Die vorliegende Beschreibung nennt weder numerische Ergebnisse noch Bereitstellungsdetails und belegt daher nicht, wie groß oder dauerhaft die Gewinne sind. Die Methode betrifft Werbeauktionen, nicht Finanzmärkte.

Kernaussagen

• Fragmentierte Werbemarktplätze können bei Impressionen mit vergleichbarer erwarteter Wirksamkeit Preisunterschiede erzeugen.
• Der Meta-Bieter bewertet CPM-Inventar anhand historischer Schätzungen im Verhältnis zu einem Portfolio aus CPA-Kampagnen.
• Die Methode verbindet eine Gebotsoptimierung auf Basis des erwarteten Gewinns mit der Verteilung von Budget und Volumen auf Kampagnen.
• Ein Erwartungs-Maximierungsverfahren optimiert Gebote und Risikomanagement gemeinsam.
• Die Autoren berichten von Experimenten mit einem Offline-Datensatz und Online-A/B-Tests, nennen im vorliegenden Text jedoch keine Zahlen.

Schlagwörter

# Statistical Arbitrage Mining for Display Advertising


# Statistical Arbitrage Mining for Display Advertising









We study and formulate arbitrage in display advertising. Real-Time Bidding (RTB) mimics stock spot exchanges and utilises computers to algorithmically buy display ads per impression via a real-time auction. Despite the new automation, the ad markets are still informationally inefficient due to the heavily fragmented marketplaces. Two display impressions with similar or identical effectiveness (e.g., measured by conversion or click-through rates for a targeted audience) may sell for quite different prices at different market segments or pricing schemes. In this paper, we propose a novel data mining paradigm called Statistical Arbitrage Mining (SAM) focusing on mining and exploiting price discrepancies between two pricing schemes. In essence, our SAMer is a meta-bidder that hedges advertisers' risk between CPA (cost per action)-based campaigns and CPM (cost per mille impressions)-based ad inventories; it statistically assesses the potential profit and cost for an incoming CPM bid request against a portfolio of CPA campaigns based on the estimated conversion rate, bid landscape and other statistics learned from historical data. In SAM, (i) functional optimisation is utilised to seek for optimal bidding to maximise the expected arbitrage net profit, and (ii) a portfolio-based risk management solution is leveraged to reallocate bid volume and budget across the set of campaigns to make a risk and return trade-off. We propose to jointly optimise both components in an EM fashion with high efficiency to help the meta-bidder successfully catch the transient statistical arbitrage opportunities in RTB. Both the offline experiments on a real-world large-scale dataset and online A/B tests on a commercial platform demonstrate the effectiveness of our proposed solution in exploiting arbitrage in various model settings and market environments.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.