Статистический арбитраж между кампаниями CPA и рекламным инвентарём CPM

Сводка

В статье статистический арбитраж применяется к медийной рекламе в реальном времени, где показы со схожей ожидаемой эффективностью могут иметь разные цены на фрагментированных торговых площадках или при разных схемах ценообразования. Метод связывает кампании с оплатой за действие с инвентарём, оплачиваемым за тысячу показов. Мета-биддер оценивает каждый входящий запрос ставки на показ относительно портфеля кампаний, используя оценочные коэффициенты конверсии, распределения ставок и другие статистические данные, полученные из прошлых наблюдений, чтобы оценить затраты и потенциальную прибыль.

Система сочетает оптимизацию ставок, направленную на максимизацию ожидаемой чистой арбитражной прибыли, с управлением портфельным риском, перераспределяя объём ставок и бюджеты между кампаниями для баланса риска и доходности. Авторы совместно оптимизируют эти компоненты с помощью алгоритма максимизации ожидания (EM). Они сообщают о подтверждающих результатах офлайн-экспериментов на крупном наборе реальных данных и онлайн A/B-тестов на коммерческой платформе при различных настройках модели и рыночных условиях. В предоставленном описании нет численных результатов или подробностей внедрения, поэтому оно не позволяет оценить масштаб и устойчивость эффекта. Метод относится к рекламным аукционам, а не к рынкам финансовых ценных бумаг.

Ключевые идеи

• На фрагментированных рекламных площадках могут возникать различия в ценах показов со схожей ожидаемой эффективностью.
• Мета-биддер оценивает инвентарь CPM относительно портфеля кампаний CPA, используя исторические оценки.
• Метод сочетает оптимизацию ставок по ожидаемой прибыли с распределением бюджета и объёма на уровне кампаний.
• Алгоритм максимизации ожидания (EM) совместно оптимизирует ставки и управление рисками.
• Авторы сообщают об экспериментах на офлайн-данных и онлайн A/B-тестах, но в предоставленном тексте не приводят численных результатов.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.