Causal RL Dynamic Pricing — 因果强化学习动态定价：可信赖的自适应价格策略
Skill-Causal-RL-Dynamic-Pricing · 17-价格优化
causalexperimentforecastingoptimizationpricing广告与投放供应链与补货定价与利润WF-A 智能补货WF-B 广告优化WF-F 动态定价WF-G Listing内容优化
年化 ROI¥20-60 万
实现难度⭐⭐⭐⭐☆
业务视角
适用角色定价负责人 / 运营负责人 · 选品负责人 · CEO
适用平台Amazon Buy Box 竞价策略 · 多市场价格协调 · Prime Day / Coupon 折扣优化
什么情况下用竞品突然降价，不知道该不该跟，跟了怕伤利润不跟怕丢 BSR；大促期间不知道折扣给多少，给多了利润没了
成功是什么样的实时监控竞品价格并自动触发调价，毛利率保持在目标区间，BSR 排名和利润同时兼顾
业务痛点
1. 解决的问题
纯RL定价因广告混淆错误学到促销期降价总是有效策略大促后无效降价继续损耗利润——因果强化学习DoubleML剔除广告混淆后才估计真实价格弹性，防止策略崩溃年化避免错误策略损失20-60万元
2. 核心算法逻辑
经典 RL 定价的问题：
3. 业务应用场景
业务问题：黑五期间广告花费翻 3 倍，同时价格降低 20%，销量大幅增长。事后无法判断：是降价带来了销量？还是广告带来了销量？下一次应该多花广告还是继续降价？纯 RL 模型在这种混淆下会学到错误策略。
数据要求： - 历史价格×广告花费×销量数据（日粒度，至少 6 个月） - 价格随机化实验数据（最好有历史 A/B 测试） - 外生变量：竞品价格/季节/BSR
预期产出： - 因果效应分解：价格对销量的真实弹性（剔除广告混淆后） - 因果 RL 策略：在不同竞品状态/季节下的最优定价动作 - 反事实分析："如果当时不降价但维持广告，销量会是多少？"
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：
- 防止错误策略（"低价万能"混淆学到）：避免大促后无效降价损失 ¥10-30 万
- 精准分离价格 vs 广告效应：预算分配决策准确，整体 ROI 提升 15-20%
- 因果 Bandit 探索效率更高：收敛速度比纯 RL 快 30-50%（减少试错成本）
- 年化综合 ROI：¥20-60 万
- 实施难度：⭐⭐⭐⭐☆（因果图建模需要业务领域知识；Double ML 有成熟实现（EconML）；完整因果 RL 约 6-8 周）
7. 代码模板
代码块数量：4 · 路径：未检测到
"""
Causal RL Dynamic Pricing
因果强化学习定价：消除混淆的自适应价格策略
"""
import numpy as np
from scipy.optimize import minimize_scalar
class DoubleMLPriceElasticity:
"""
Double/Debiased ML 因果效应估计
估计价格对销量的真实因果弹性（剔除广告混淆）
"""
def __init__(self):
self.theta = None # 因果弹性（价格→销量）
self.theta_se = None # 标准误
def fit(self, price: np.ndarray, sales: np.ndarray,
confounders: np.ndarray) -> None:
"""
Double ML 估计流程：
1. 残差化价格（剔除混淆变量对价格的影响）
2. 残差化销量（剔除混淆变量对销量的影响）
3. 残差×残差 → 因果效应
"""
n = len(price)
# 第一阶段：用混淆变量预测价格（留一法残差）
from numpy.linalg import lstsq
X = np.column_stack([confounders, np.ones(n)])
b_price = lstsq(X, price, rcond=None)[0]
price_resid = price - X @ b_price
# 第一阶段：用混淆变量预测销量
b_sales = lstsq(X, sales, rcond=None)[0]
sales_resid = sales - X @ b_sales
# 第二阶段：残差回归
X2 = price_resid.reshape(-1, 1)
b2 = lstsq(X2, sales_resid, rcond=None)[0]
self.theta = float(b2[0])
# 方差估计（异方差稳健）
fitted = X2 * self.theta
resid2 = sales_resid - fitted.flatten()
meat = float(np.sum((X2.flatten() * resid2) ** 2))
bread = float(np.sum(X2.flatten() ** 2))
self.theta_se = np.sqrt(meat / max(bread ** 2, 1e-10))
class CausalPriceBandit:
"""
因果 Bandit 价格探索
只在因果效应不确定时探索，避免混淆驱动的无效探索
"""
def __init__(self, price_grid: np.ndarray, cost: float,
exploration_bonus: float = 0.3):
self.prices = price_grid8. 论文来源
- 2512.18135