Arbitragem estatística entre campanhas de CPA e inventário de anúncios CPM

Resumo

O artigo adapta a arbitragem estatística à publicidade gráfica em tempo real, na qual impressões com eficácia esperada semelhante podem ter preços diferentes em mercados ou estruturas de preços fragmentados. O método conecta campanhas de custo por ação a inventário de impressões com custo por mil. Um meta-licitante avalia cada solicitação de lance recebida para uma impressão em relação a uma carteira de campanhas, usando taxas de conversão estimadas, curvas de lances e outras estatísticas aprendidas com dados anteriores para estimar custos e lucro potencial.

O sistema combina a otimização de lances, voltada a maximizar o lucro líquido esperado da arbitragem, com a gestão de risco da carteira, que realoca o volume de lances e os orçamentos entre campanhas para equilibrar risco e retorno. Os autores otimizam esses componentes em conjunto usando uma abordagem de expectativa-maximização. Eles relatam evidências de experimentos offline em um grande conjunto de dados do mundo real e de testes A/B online em uma plataforma comercial; tanto os experimentos quanto os testes abrangem várias configurações de modelo e ambientes de mercado. A descrição fornecida não apresenta resultados numéricos nem detalhes da implantação e, portanto, não demonstra a dimensão ou a durabilidade dos ganhos. O método trata de leilões de publicidade, não de mercados de títulos financeiros.

Ideias principais

• Mercados de anúncios fragmentados podem gerar diferenças de preço para impressões com eficácia esperada comparável.
• O meta-licitante avalia o inventário de CPM em relação a uma carteira de campanhas de CPA, usando estimativas históricas.
• O método combina otimização de lances pelo lucro esperado com alocação de orçamento e volume por campanha.
• Um processo de expectativa-maximização otimiza conjuntamente os lances e a gestão de risco.
• Os autores relatam experimentos offline com conjuntos de dados e testes A/B online, sem apresentar resultados numéricos no texto fornecido.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.