가격 고정 환경에서 위험을 적응적으로 완화하는 동적 가격 학습

초록

본 논문은 가격 변동을 사전 지정된 시점에만 허용하는 소매 환경에서, 수요 모델의 불확실성과 고객 도착 패턴을 동시에 학습하는 Adaptive Risk Learning(ARL) 프레임워크를 제안한다. 데이터 기반 모호성 집합(DAS)을 이용해 초기에는 넓은 수요 파라미터 후보를 유지하고, 관측이 축적될수록 집합을 축소한다. 저자는 DAS가 진정한 수요 파라미터로 수렴함을 확률적으로 증명하고, 가격 조정 제한이 있는 경우 도착 패턴에 의존하는 새로운 regret 상한을 도출한다. 제한을 완화하면 기존의 상수 regret과 일치한다. 실험 결과는 ARL이 위험 최소화와 regret 최소화를 동시에 달성하며, 기존 FTL·NRM 대비 평균 매출과 VaR 측면에서 우수함을 보여준다.

상세 분석

이 연구는 전통적인 “follow‑the‑leader”(FTL) 방식이 가격을 고객 단위로 자유롭게 조정할 수 있다는 전제하에 설계된 점을 비판한다. 실제 소매에서는 가격 변경이 사전 정의된 몇 차례에만 허용돼, 잘못된 수요 추정에 기반한 가격이 다수 고객에게 적용될 위험이 커진다. 저자는 이러한 상황을 “가격 고정” 제약이라고 정의하고, 두 가지 불확실성—수요 파라미터 모호성 및 고객 도착 패턴—을 동시에 고려한다. 핵심 아이디어는 데이터‑드리븐 모호성 집합(DAS)이다. 초기에는 모든 후보 파라미터를 포함해 위험을 크게 잡고, 매 시점 관측된 매출 데이터를 통해 통계적 검정(예: likelihood ratio)으로 집합을 축소한다. 이 과정은 도착 패턴에 따라 수렴 속도가 달라지며, 저자는 DAS가 진정 파라미터를 포함할 확률이 1‑δ로 수렴함을 정리 1에서 증명한다.

ARL 정책은 현재 DAS에 대해 위험‑조정 매출 함수를 최대화한다. 위험 측정은 VaR·CVaR 등 보수적 지표를 적용할 수 있으며, DAS가 넓을 때는 보수적인 가격을, 집합이 좁아질수록 최적에 가까운 가격을 선택한다. 이 적응 메커니즘 덕분에 ARL은 초기 위험을 억제하면서도 학습이 진행되면 regret을 최소화한다. 저자는 정리 2에서 가격 고정 제약 하에서의 regret 상한을 도출했는데, 이는 고객 도착 패턴 함수 g(T)·(1‑α) 형태로, 도착이 집중되는 “early‑hit” 패턴에서는 상한이 작아지고, 평탄하거나 늦게 몰리는 “flop” 패턴에서는 크게 된다. 반면 가격 변경을 자유롭게 하면 기존 FTL과 동일한 상수 regret을 회복한다.

비교 분석에서는 비적응 위험 최소화(NRM)와 전통 FTL을 대조한다. NRM은 전체 DAS에 대해 위험‑조정 매출을 최적화해 보수적이지만, 학습 효과를 활용하지 못해 평균 매출이 낮다. FTL는 평균 매출은 높지만 초기 위험이 크다. ARL은 두 정책의 장점을 결합해, 위험이 높은 구간에서는 NRM에 근접하고, 위험이 낮아지면 FTL에 근접한다. 실험에서는 다양한 도착 패턴과 파라미터 집합을 시뮬레이션했으며, ARL이 평균 매출 5‑12% 향상, VaR 감소 20‑35%를 달성했다.

이 논문은 가격 고정이라는 실무적 제약을 이론적으로 정형화하고, 모호성 집합을 통한 적응형 위험 관리라는 새로운 방법론을 제시한다는 점에서 의미가 크다. 특히 도착 패턴에 의존하는 regret 분석은 기존 “arrival‑agnostic” 문헌과 차별화되며, 실무 적용 가능성을 높인다.