出品者サイドの落札価格最適化を図るネットオークションモデルの提案・検証
8
0
0
全文
(2) れているため、出品者がそれを設定することは. 2.2.インターネットオークションの形態. できない。もし、出品者側でも入札単位を. インターネットオークションのオークシ. 設定できるならば、落札価格を最適化でき. ョン形態は、低い開始価格からはじまり、. るのではないかという点に注目した。そこ. その価格よりも高い金額を提示して競って. で、本研究では、マルチエージェントシス. いく英国型オークションと、入札金額を公. テムを用いて、インターネットオークショ. 開しないクローズドオークションタイプで. ンのモデル化を行い、商品の価格にかかわ. ある、一番高い入札金額を提示した人が二. らず一定の値に固定された入札単位を出品者. 番目の入札金額で落札できる第二入札価格. 自らが決定できる場合(Fixed bid unit)と、. （Vickrey）型オークションを掛け合わせ. Yahoo!オークションによる入札単位設定. たものである。それに自動入札方式(2.5.参. の場合(Yahoo!)の落札価格結果を、シミュレー. 照)を導入した形式をとっている。. ションにより比較し、検証を行う。 2.3.出品について. 2.インターネットオークション. オークションサイトに出品するには、オ. Yahoo!オークションのオークションシステムを もとに説明していく。. ークション参加料金 294 円（月々）と出品 システムを借りるための出品システム手数 料を 1 品につき 10.5 円支払う。そして、開. 2.1.インターネットオークションの構成要素. 始価格やオークション期間や終了時間を出. インターネット上でオークションを行う にあたり、オークションサイト・オークシ. 品者が設定し、すべての設定を終えた時点 でオークションが開始する。. ョン参加者（出品者・入札者）が存在する （図 1）。. 2.4.入札単位 入札単位とは、ほかの入札者と競って入 出品者. 出品者. 出品者. 札をするときに、現在価格に上乗せする最 小金額である。オークションサイトでは、 そのときの現在価格によって自動的に決め. 入札者. 商品. 入札者. オークション サイト 商品. られている（表 1）。出品者は設定ができず、 不具合である。. 商品 入札者. 入札者. 入札者 入札者. 入札者. 図1. 表1. Yahoo!オークションの入札単位. 現在の価格 1円∼1000円未満 1000円∼5000円未満 5000円∼1万円未満 1万円∼5万円未満 5万円∼. インターネットオークション. -2 2−42−. 入札単位 10円 100円 250円 500円 1000円.
(3) 3.1.1.エージェントモデルの入札行動のモデル化. 2.5.自動入札方式 入札金額範囲内で、できるだけ安く落札. エージェント Ai は図2で示すような形式で入札行. できるように、コンピュータが自動的に 1. 動を行う。オークション開催期間t がs ステップある. 入札単位金額ずつ現在価格に上乗せした金. 中、1 ステップにつき1 回のフィードバックを行い、. 額を代行入札して他の入札者と競ってくれ. 行動をとる。. る機能である。. １） 知覚 エージェントは、自分の欲しい商品のオークショ. 3.インターネットオークションのモデル化. ン開催期間中、常に出品状況を確認しているわけで. マルチエージェントモデルを用いてイン. はなく、時間が空いたときや必要性に応じてサイト. ターネットオークションのモデル化を行う。 を見て情報を得ている。そして、そのように欲しい なお、入札者をエージェントとし、エージ. 商品の情報を得ることを「知覚」とし、サイトを見. ェントモデルやインターネットオークショ. ているときにのみに発生する行為である。エージェ. ンモデルを構築する。. ント Ai はあらかじめ与えられた知覚確率sp i で商品 の現在価格や入札単位（第二章参照）を知覚する。. 3.1.エージェントモデル エージェント集合を Ai （i ＝1,2,…,N）とお く。また、時点t における、エージェント Ai の入札. sp i > r100 →知覚する sp i ≤ r100 →知覚しない （ r100 ：1 から 100 までの一様乱数）. 価格集合をbidpriceti とする。. なお、知覚確率sp i はエージェント Ai の行動特性 によって異なるが、オークション開始時に与えられ. 現在の商品情報. たsp i 値はオークション終了時まで変化することな サイトを見てい るかどうか. No. く一定である。 また、知覚しないと判断されたエージェント Ai の入. Yes 知覚 入札判断. 札価格はbidpriceti = 0 とする。 ２） 入札判断. No. ①. 入札可能判断とは、知覚して、現在の入札価格状. ②. 況を把握した上で、次の２つを判断することである。. Yes No Yes. ① 入札可否判断 現在価格nowpricet やそれに入札単位BU t を上. 入札価格決定 入札. 乗せした金額が、エージェント A i の持っている入札 上限金額my max pricei を超えていないかどうか. オークションサイト 入札システム. 判断する。. my max pricei ≥ nowpricet + BU t →Yes. 図 2 エージェントモデル. 入札できる. my max pricei < nowpricet + BU t →No. -3 3−43−. 入札できない.
(4) 表2. 入札できないと判断されたエージェント Ai の入札 価格はbidpriceti = 0 とする ② 入札行動判断 入札が可能でも、必ずしも常に入札するわけでは なく、知覚のときと同様に、エージェント Ai に入札 のタイミングとして入札確率ip i を与え、その確率を 通して入札行動をとる。. ipi > r100 →Yes 入札する ipi ≤ r100 →No 入札しない r100 ：1 から100 までの一様乱数. エージェントの行動特性表. EarlyBidder オークション序盤 から入札行動を 開始し、各エー 行動特性 ジェントの上限金 額の範囲内で終 了時まで入札を 行う。. Sniper SniperByContinuation 安い価格に反応 オークション終了 オークション終了 し、特にオーク 間際にのみ入札 間際にのみ入札 ション序盤の価格 行動を行い、上限 行動を開始し、上 が低いとき頻繁に 金額範囲内で1回 限金額以内で小 上限金額以内で のみ高め目の価 刻みに入札を行 入札を行う。 格を入札する。 う。 CheepEarlyBidder. 入札開始. 序盤. 序盤. 終盤. 終盤. 知覚確率. 10∼20％. 10∼30％. 70∼80％. 50∼70％. 入札しないと判断されたエージェント Ai の入札価. 入札確率. 10∼20％. 10∼30％. 70∼80％. 30∼50％. 格はbidpriceti = 0 とする。. 入札上限金 [1/4p,3/4p,] 額分布（円） 入札上乗せ 25％以下 金額特性値. [1/5p,1/2p]. [1/2p,5/6p]. 1/2p,4/5p]. 20％以下. 100％以下. 50％以下. ３） 入札価格決定 入札価格bidpriceti は、現在価格nowpricet に エージェント Ai の行動特性に基づく入札上乗せ金 額 AU i を加算した価格であり、. 1)EarlyBidder オークション初心者によく見られる入札. bidpriceti = nowpricet + AU i と示す。また、入札上乗せ金額 AU i は以下のように. 行動パターンで、落札したい意欲は高いが. 示される。. 落札率が低い入札者のエージェントモデル. AU i = ((bid max pricei − nowpricet ) × aupi ) × r. である。. 但し、 AU i > BU t. 戦略が劣っており、うまく入札が行えず、. 2) CheepEarlyBidder. r ：0 から 1 までの一様乱数. 落札したい意欲は低く、その商品に対す. aupi ：エージェント Ai の持つ入札上乗せ. る価格の安さに価値をおいているため、価 格が高くなるにつれて、入札意欲も下がり、. 金額の特性値. 落札できないことの多い入札者のエージェ. ４） 入札 3)で決定した入札金額をオークションモ. ントモデルである。 3) Sniper. デルに入札する。. 日ごろからオークション経験が多く、落札 3.1.2.エージェントの行動特性. 意欲が高いため、オークション中盤以前の. 現実のインターネットオークションを参考. 無駄な行動は省き、オークション終了間際. に、入札者の行動パターンを分析した結果、. にのみ現れ、現在の価格を見て他の入札者. 大きく分けて４つの種類の行動特性が見受. に落札されないよう高めの金額を１回のみ. けられた（表 2）。. 入札するエージェントモデルである。 4) SniperByContinuation Sniper モデルと似ており、日ごろからオ. -4 4−44−.
(5) ークション経験が多く、落札意欲が高いた. イトで管理され、エージェントに公表されることは. めオークション中盤以前の無駄な行動は省. ない。. き、オークション終了間際にのみ現れる。. ある任意の時点 t においての最高入札価格. 但し、入札方法は Sniper モデルとは異な. nowmaxpricet は、t 時点でエージェントにより、. り、終盤に集中して複数回入札を行い、こ. 行われた入札価格bidprice ti とnowmax pricet −1. まめに入札金額を更新していくエージェン. を比較した中で、一番高い価格とする。. トモデルである。 3.2.2. 現在価格決定. 3.2.インターネットオークションモデル. ある任意の時点 t においての現 在 価 格. オークションモデルを図 3 で示す。オークション. nowpricet は、t 時点でエージェントにより、行わ. モデルには複数のエージェントが存在する。オーク. れた入札価格bidprice ti とnowmax pricet −1 を比. ション期間がt ステップある中で、それぞれのエージ. 較した中で、最高入札価格nowmaxpricet の次に高. ェントの特性に基づき、オークションサイトに入札. い価格とする。エージェントには、この値の. される。. み公表されており、これをもとに入札を行 い、終了時の現在価格が落札価格となる。. エージェントモデル. 3.2.3.自動入札モデル ある任意の時点t において、時点(t − 1) での最高入 札価格 nowmaxpricet −1 が、時点 t の入札価格. ・・・・・ 知覚. 知覚. 知覚. 入札可能判断. 入札可能判断. 入札可能判断. bidprice ti （bidprice ti がすべて0 の場合を除く） 現在 の商品 情報. 現在 の商品 情報. 入札価格決定. 入札価格決定. 入札価格決定. 入札. 入札. 入札. オークションモデル. よりも上回っているときにのみ、自動入札方式 が適用される。自動入札後の最高入札価格 は変わらず. nowmaxpricet ＝ nowmaxpricet −1 となる。また、現在価格は bidprice ti の最高 値max( bidprice ti ) に現在の入札単位を上乗せし た価格の. オークションサイト入札システム. nowpricet ＝ bidprice ti + BU t. 最高入札価格決定. となる。. 現在価格決定. 4. 提案モデルの検証 図3. 入札単位が設定できる場合(Fixed bid unit)、自動. オークションモデル. 的に決められている場合(Yahoo!)の落札価格比較を 3.2.1. 最高入札価格決定. 行う。. 最高入札価格nowmaxpricet はオークションサ. -5 5−45−. Fixed bid unit とは、１回のオークションシミュレ.
(6) ーション中、商品の価格変動にかかわらず、一定の 値に固定された入札単位金額のことを指し、出品者. 4.2.シミュレーション条件 入札者数が多いか少ないかによって、入札 単位が設定可能な場合(Fixed bid unit)と不可. 自らが設定できるものとする。. 能な場合(Yahoo!)とでは、どのような落札. 4.1.シミュレーション設定. 結果が得られるのかを検証することを目的. 商品の予想上限価格 p 、エージェント数 N、を設. とする。 p の値をどのシミュレーションにおいて. 定し、1 つの設定につき1000 回のシミュレーション. もすべて一定の100000 円とする。そのもとで、n を. を行う。1 回のオークションシミュレーション期間t. それぞれ3、4、5、6、7 人ずつ、合計12 人、16 人、. は500 ステップとする。エージェントは4 種類をそ. 20 人、24 人、28 人と変化させ、シミュレーションを. れぞれｎ人ずつ合計 N=4ｎ人用意する。また、入札. 行った。. 単位については、Fixed bid unit の入札単位は、100 円から10000円まで100円間隔で変化させて設定し、 4.3.シミュレーション結果 シミュレーションを行う。オークション開始時点で. 各エージェント数n=3,4,5,6,7 に変えたときの、固. の現在価格である開始価格はすべて100 円とする。. 定の入札単位値(Fixed bid unit)における平均落札. オークションシミュレーションの一例として、各. 価格と Yahoo!方式での平均落札価格の比較結果を図. エージェント5 人ずつ計20 人、予想上限価格 p を. 6 から図10 に示す。Yahoo! bid unit のラインよりも. 100000 円とし、Fixed bid unit での入札単位を3000. グラフが上に出ているところが Yahoo!方式よりも落. 円に固定した場合と yahoo!オークションの場合の 1. 札価格を上回る入札単位値である。また、入札単位. 回のシミュレーション結果を図4 と図5 に示す。. が設定可能な場合(Fixed bid unit)の最高平均落札価 格と不可能な場合(Yahoo!)の平均落札価格比較表を. このような形式で行われる 1 回のシミュレーショ ンにより落札価格を求め、1000 回分の平均落札価格. 表3、 Yahoo の平均落札価格を超えたときの固定入札 単位の範囲を表4 に示す。. を各種設定した場合の落札価格データとする。以上. 80000. 80000. 70000. 70000. 60000. 60000. Present price (yen). Present price (yen). を踏まえ、4.2.の条件の下、シミュレーションを行う。. 50000 40000 30000. 50000 40000 30000. 20000. 20000. 10000. 10000. 0. 0. 100. 200. 300. 400. 500. 0. 0. Time (step). 図4. 100. 200. 300. 400. Time (step). Auction simulation(Fixed bid unit 3000). 図5. -6 6−46−. Auction simulation(Yahoo！). 500.
(7) 69000. 56000. 68000. Average successful bid price (yen). Average successful bid price (yen). 57000. 55000 54000 53000 52000 51000. Fixed bid unit Yahoo bid unit. 50000 49000. 67000 66000 65000 64000 63000. Fixed bid unit Yahoo bid unit. 62000 61000. 0. 2000. 4000. 6000. 8000. 10000. 0. 2000. Bid unit (yen). 62000. 70000. Average successful bid price (yen). Average successful bid price (yen). 71000. 61000 60000 59000 58000 57000. Fixed bid unit Yahoo bid unit. 4000. 6000. 10000. 69000 68000 67000 66000 65000. Fixed bid unit Yahoo bid unit. 64000. 55000 2000. 8000. 図9 Average successful bid price comparison graph(n=6). 63000. 0. 6000. Bid unit (yen). 図6 Average successful bid price comparison graph(n=3). 56000. 4000. 8000. 63000. 10000. 0. 2000. 4000. 6000. 8000. 10000. Bid unit (yen). Bid unit (yen). 図7 Average successful bid price comparison graph(n=4). 図10 Average successful bid price comparison graph(n=7). 67000. 表3 The highest successful bid price of fixed bid unit. Average successful bid price (yen). 66000 65000 64000. n 3 4 5 6 7. 63000 62000 61000. Fixed bid unit Yahoo bid unit. 60000 59000 0. 2000. 4000. 6000. 8000. 10000. Bid unit (yen). 図8 Average successful bid price comparison graph(n=5). -7 7−47−. Fixed bid unit 56770円（bid unit=2800円） 62319円（bid unit=2400円） 65854円（bid unit=3100円） 67924円（bid unit=2300円） 69534円（bid unit=2800円）. Yahoo 53767円 60235円 64090円 66583円 68956円.
(8) 表4. The range of a fixed bid unit. ｎ 3 4 5 6 7. 固定した入札単位の範囲 700円∼6200円 500円∼5900円 400円∼6300円 300円∼5800円 1000円∼5200円. クションサイト自体でも、落札された場合には落札 手数料を出品者から得られるシステムがあり、 Yahoo!においては落札価格の3％、 ビッダーズにおい ては2.5％を徴収しているため、オークションサイト を運営している企業にとっても収益を上げる策の 1 つであるといえる。 本研究では、出品者サイドの落札価格最適化につ いて、入札単位設定の視点から追求していったが、. 5.考察. 考慮していない要素が残っている。今後の課題とし. ・Fixed bid unit の場合、入札単位を変化させるに応. て、実際のネットオークションをより正確に反映し. じて、平均落札価格が山なりに変化している。この. たモデルをつくり、出品者サイドだけでなく入札者. ことから、入札者が競りやすいように入札単位を低. やオークションサイトにも視点を置いて研究をして. く設定しても、落札価格は Yahoo!よりも高くするこ. いきたい。. とができない。また、6,000 円を越えるような高い設 定にしたとしても、落札価格が落ち込み、出品者に. 参考文献. とって最適なオークションが行われなくなっている。 1). 水田秀行： 「マルチエージェントシミュレーション. ・シミュレーション結果において、人数を増やすご. とダイナミックオンラインオークション」情報処理. とに入札単位が設定可能な場合(Fixed bid unit)の最. 学会研究報告,知能と複雑系,123-6(2001),pp31-36. 高平均落札価格と不可能な場合(Yahoo!)の平均落札. 2). 価格の差が縮まっていく様子が見られる。この結果. 大内東,山本雅人,川村秀憲： 「マルチエージェントシ ステムの基礎と応用」,コロナ社(2002). から、入札者の人数が多ければ Yahoo!による入札単. 3). 和泉潔： 「人工市場」,森北出版株式会社(2003). 位設定でも有効であるが、入札者が少ないならば、. 4). 小池良次： 「電子小売店経営戦略」株式会社インプ. 入札単位を設定可能にしたほうが落札価格を最適に することができる。 6.おわりに 以上のシミュレーション結果により、入札単位が設 定可能な場合、表 4 で示したような入札単位価格の 範囲では、現在のオークションサイトによる入札単 位設定よりも高い価格で落札できることが見受けら れた。つまり、入札単位が設定可能になれば、出品 者の落札価格を最適化することが可能となることが 言える。 落札価格が上がるということは、もちろん出品者 の利益も上げることができる。それに加えて、オー. -8 8- 」 −48−. レス(2000).
(9)
図
関連したドキュメント
In the previous section, we revisited the problem of the American put close to expiry and used an asymptotic expansion of the Black-Scholes-Merton PDE to find expressions for
The only thing left to observe that (−) ∨ is a functor from the ordinary category of cartesian (respectively, cocartesian) fibrations to the ordinary category of cocartesian
To deal with the complexity of analyzing a liquid sloshing dynamic effect in partially filled tank vehicles, the paper uses equivalent mechanical model to simulate liquid sloshing...
The inclusion of the cell shedding mechanism leads to modification of the boundary conditions employed in the model of Ward and King (199910) and it will be
Keywords: Convex order ; Fréchet distribution ; Median ; Mittag-Leffler distribution ; Mittag- Leffler function ; Stable distribution ; Stochastic order.. AMS MSC 2010: Primary 60E05
It is suggested by our method that most of the quadratic algebras for all St¨ ackel equivalence classes of 3D second order quantum superintegrable systems on conformally flat
In particular, we consider a reverse Lee decomposition for the deformation gra- dient and we choose an appropriate state space in which one of the variables, characterizing the
Inside this class, we identify a new subclass of Liouvillian integrable systems, under suitable conditions such Liouvillian integrable systems can have at most one limit cycle, and
