ACT, WAIT, or EXPERIMENT: A Causal Governance Framework for Retail Price Optimization Under Abstentions¶

作者: Pedro Cadahia
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2609.10615

一、领域脉络与小综述¶

这个方向是什么¶

本文所解决的子方向是在观测性零售面板数据中，为制造商（而非零售商）进行因果价格弹性估计与定价决策。其根本的统计/科学问题是：制造商设定批发价（list price），但消费者支付的是零售价（shelf price），而零售商（shopkeeper）的传导（pass-through）是异质且非线性的。因此，从批发价变化到销量变化的因果效应是一个复合体：消费者对零售价的弹性 × 零售商对批发价的传导率。更棘手的是，批发价变化往往与促销、竞品动作、市场摩擦等混淆因素同时发生，使得简单的回归估计严重有偏。当前该子方向的成熟度较低：大多数企业级定价系统（enterprise pricing systems）直接使用观测性价格-需求关系进行优化，而忽略了识别问题；学术界则主要关注结构需求估计或垂直传导的单独环节，但缺乏一个将“何时可以行动”作为一等输出的决策框架。

发展脉络（history）¶

本文的introduction将相关文献梳理为六条线索，外加一条企业部署文献。以下按奠基工作 → 主要进展 → 当前frontier → 本文位置的顺序串联：

结构需求估计（Structural Demand Estimation）：奠基工作如 Berry (1994)、Berry, Levinsohn & Pakes (1995)、Nevo (2001) 从市场总份额中识别替代模式与市场势力，但“targets the estimate itself and is agnostic about when a firm should act on it”（Section 2）。它们留下了“估计本身不是决策”的口子。
垂直传导（Vertical Pass-Through）：Villas-Boas (2007)、Nakamura & Zerom (2010) 等文献记录了零售商很少将批发价变化一对一地传导到零售价，这“motivates this paper’s treatment of pass-through as a process rather than a constant”（Section 2），但未解决制造商在缺乏交易级零售价数据时如何决定是否调价的问题。
非可交换保形推断（Non-Exchangeable Conformal Inference）：Gibbs & Candès (2021)、Barber et al. (2023) 提供了在非平稳、时间序列分割下进行保形预测的工具。本文将其作为“a tool the framework adopts, not a decision rule in itself”（Section 2），即它只提供不确定性量化，不提供决策规则。
选择性预测与学习-推迟（Selective Prediction & Learning-to-Defer）：El-Yaniv & Wiener (2010)、Mozannar & Sontag (2020) 形式化了系统可以拒绝回答而非给出错误答案的一般原则。本文的 ACT/WAIT 门是该原则的一个实例化，“the contribution here is the instantiation, the declared diagnostics that trigger abstention in this setting, not the general principle”（Section 2）。
多向面板聚类（Multiway Panel Clustering）：Chiang et al. (2022) 等文献为本文的重抽样和聚类选择提供了信息（Section 4.1），但本身不构成决策框架。
表演性预测（Performative Prediction）：Perdomo et al. (2020) 以及 Lucas (1976) 的卢卡斯批判、MacKenzie (2006) 的表演性批评，指出了在一个政策体制下估计的关系在新体制下可能不成立。本文将其视为“a governance problem this paper flags rather than solves”（Section 2）。
企业级定价系统部署（Enterprise Deployments）：Talluri & van Ryzin (2006)、Marn & Rosiello (1992)、Hormby et al. (2010)、Deng et al. (2023)、Llenas et al. (2026) 等报告了部署系统带来的收入或利润增长。但“none of them reports which of the system’s identifying assumptions were checked, whether the reported gain would survive an audit of confounding, or at what level of aggregation the underlying estimates were trustworthy”（Section 2）。这是本文最直接的对比对象和批评靶子。

本文的位置：作者声称，上述七条文献中，没有一条将“决策弃权”（abstention）作为一等对象，并为其配备自己的诊断、测量成本和逆转条件。本文填补的正是这个缺口。

子线索聚类¶

这些被引文献大致落在以下三条子线索上：

线索A：因果识别与估计（Causal Identification & Estimation）：包括结构需求估计（Berry et al.）、DML（Chernozhukov et al. 2018）、部分线性模型（Robinson 1988）、Frisch-Waugh-Lovell 定理、工具变量（Hausman 1978）、部分线性工具变量（PLIV）等。这一簇在做的是：在给定假设下，从观测数据中恢复因果参数。
线索B：不确定性量化与决策（Uncertainty Quantification & Decision）：包括保形推断（Gibbs & Candès 2021, Barber et al. 2023, Romano et al. 2019）、选择性预测（El-Yaniv & Wiener 2010）、学习-推迟（Mozannar & Sontag 2020）、移动块自助法（Künsch 1989）、多向聚类（Chiang et al. 2022）等。这一簇在做的是：量化估计的不确定性，并决定何时可以基于该不确定性做出决策。
线索C：零售渠道经济学（Retail Channel Economics）：包括垂直传导（Villas-Boas 2007, Nakamura & Zerom 2010, Besanko et al. 2005）、心理价格点（Levy et al. 2011）、库存管理（Hendel & Nevo 2006）、销售激励（Oyer 1998, Larkin 2014）、卢卡斯批判（Lucas 1976）等。这一簇在做的是：描述零售渠道中价格传导、库存、激励等结构性特征。

这个方向在追问的核心问题¶

识别问题：在批发价变化与促销、竞品动作高度混淆的观测数据中，如何可靠地识别出消费者对批发价的因果弹性？
传导问题：如何将估计出的“批发价-销量”弹性分解为消费者弹性与零售商传导率？传导率是常数还是过程？
决策问题：当估计不精确或识别假设可能被违反时，系统应该给出一个点估计，还是应该主动弃权（WAIT）？弃权后应该做什么？
聚合问题：当单个产品（presentation）层面的证据不足以支持决策时，聚合到品牌或品类层面是否可行？聚合到什么程度？

当前主流方法与已知瓶颈：主流方法是使用 DML 等因果推断方法进行点估计，然后直接输入优化器。已知瓶颈包括：(i) 点估计的精度在薄面板上不足；(ii) 识别假设（如无未观测混淆、工具变量排他性）很少被检验；(iii) 系统从不报告“何时不应行动”；(iv) 聚合层级通常由业务习惯决定，而非由证据强度决定。

⚠️ 作者的 framing¶

作者将缺口 frame 成三个具体问题（Section 1），并声称这三个问题构成了论文的三个贡献： 1. ACT/WAIT 框架：何时可以基于估计执行价格变动，何时应弃权？ 2. 隐性假设审计：哪些条件必须被显式检查，才能信任 ACT 判决？ 3. 合法聚合：当证据在 presentation 层面不足时，在品牌或品类层面决策是否合法？

被淡化或回避的竞争路线： - 作者淡化了“更好的估计方法”这条路线。论文明确说“the value lies in measuring which of the system’s own claims hold, and in publishing the measurement”（Section 8.2），而不是在估计器本身。这意味着作者认为，在薄面板和强混淆环境下，估计精度的提升是次要的，诊断和弃权才是关键。 - 作者回避了“实验设计”作为主要解决方案。虽然论文提出了实验层（experimental layer），但将其定位为“companion work”（Delgado, 2026）的内容，本文只建立实验的必要性，不设计实验。

什么明显该被引/该存在、却没出现在 intro 里？ - 弱工具变量文献：论文使用了成本冲击作为工具变量，并讨论了弱工具问题（Guard 4），但 intro 中未引用弱工具变量的经典文献（如 Staiger & Stock 1997, Stock & Yogo 2005）。这可能是作者认为该文献太基础，但作为一个方法论论文，明确引用会更严谨。 - 敏感性分析文献：论文使用了 Cinelli-Hazlett 稳健性值（Guard 2），但未引用更广泛的敏感性分析文献（如 VanderWeele & Ding 2017, Rosenbaum 2002）。这可能是因为 Cinelli-Hazlett 方法本身已足够，但引用更广泛的文献可以定位该方法的适用边界。 - 聚合与 Simpson 悖论：论文的核心贡献之一是聚合（Section 6.4），但未引用 Simpson 悖论或生态学谬误的经典文献。这可能是因为作者认为其聚合机制（设计方差平均化）是新颖的，而非简单的聚合。

张力¶

未见明显对立引用。各条文献线索之间是互补而非矛盾的关系：结构需求估计提供识别框架，保形推断提供不确定性量化，选择性预测提供弃权原则，企业部署提供实践背景。作者将它们整合到一个统一的决策框架中。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
\( Y_{rt} = \log(\text{sell-out volume})_{rt} \)：产品 \( r \) 在周 \( t \) 的对数销量（可观测）。
\( T_{rt} = \log(\text{list price})_{rt} \)：产品 \( r \) 在周 \( t \) 的对数批发价（可观测，是制造商的操作杠杆）。
\( P^{so}_{rt} = \log(\text{shelf price})_{rt} \)：产品 \( r \) 在周 \( t \) 的对数零售价（可观测，通过审计获得）。
\( W_{rt} \)：混淆向量，包含促销标志、促销强度、竞品价格、天气、节假日、工作日数、周内年份、对数通胀等（可观测）。
\( \theta \)：目标 estimand，即“批发价-销量”弹性，是消费者弹性 \( \varepsilon \) 与零售商传导率 \( \rho \) 的乘积：\( \theta = \varepsilon \cdot \rho \)。
\( \varepsilon \)：消费者弹性，即消费者对零售价的反应：\( \varepsilon = \partial \log Q / \partial \log P^{so} \)。
\( \rho \)：零售商传导率，即零售商对批发价的反应：\( \rho = \partial \log P^{so} / \partial \log T \)。
\( Z_{rt} = \log(\text{variable cost})_{rt} \)：工具变量，即对数可变成本（可观测）。
\( \hat{\theta} \)：DML 估计量。
\( \hat{\theta}_{IV} \)：PLIV 估计量。
\( \hat{\tau}^2 \)：Paule-Mandel 估计的展示间异质性（between-presentation heterogeneity）。
\( s^2 \)：自助法估计的展示内方差（within-presentation variance）。
\( \text{ACT}, \text{WAIT} \)：决策层的四个判决（ACT, wait-contamination, wait-transient, wait-identification）。
模型：
部分线性模型（Partially Linear Model）：
\[Y = \theta T + g(W) + \varepsilon, \quad T = m(W) + \eta,\]
其中 \( g(\cdot) \) 和 \( m(\cdot) \) 是未知的 nuisance 函数，用梯度提升树估计。\( \varepsilon \) 和 \( \eta \) 是均值为零的误差项，满足 \( \mathbb{E}[\varepsilon | W, \eta] = 0 \) 和 \( \mathbb{E}[\eta | W] = 0 \)。
传导模型：\( \log P^{so} = \rho \log T + h(W') + \nu \)，其中 \( W' \) 是缩减的混淆集（不含竞品价格和通胀指数）。
分层池化模型：正态-正态共轭更新，先验来自品牌/品类层级或上一周期。
可观测数据：
可观测：\( Y_{rt}, T_{rt}, P^{so}_{rt}, W_{rt}, Z_{rt} \) 构成一个周度面板，时间跨度 \( W = 120 \) 周，跨 6 个区域和 6 个产品展示（presentation）。
想要但观测不到：
- 消费者弹性 \( \varepsilon \) 和传导率 \( \rho \) 的分离：只能观测到它们的乘积 \( \theta \)。
- 设计方差（design variance）：即如果观测到的是另一组价格变动，估计值会如何变化。自助法只能捕捉给定设计内的方差，无法捕捉设计间的方差。
- 未观测混淆变量：Cinelli-Hazlett 稳健性值量化了需要多强的未观测混淆才能推翻估计。

第二步：讲最小内核¶

本文的最小内核是：在观测性面板数据中，当识别假设可能被违反时，系统应该弃权（WAIT）而非给出一个不可靠的估计，并且弃权本身应该是诊断性的，指明补救措施。

最简特例：考虑一个单一产品、单一区域、只有两个时间点（\( t=1,2 \)）的极端简化情形。

设定：在 \( t=1 \) 时，批发价 \( T_1 = 0 \)（对数），销量 \( Y_1 = 0 \)。在 \( t=2 \) 时，批发价变为 \( T_2 = 0.1 \)（即上涨约 10.5%），销量变为 \( Y_2 = -0.15 \)（即下降约 14%）。没有其他混淆变量（\( W \) 为空）。
可观测数据：\( (T_1, Y_1) = (0, 0) \)，\( (T_2, Y_2) = (0.1, -0.15) \)。
朴素估计：\( \hat{\theta}_{\text{naive}} = (Y_2 - Y_1) / (T_2 - T_1) = -0.15 / 0.1 = -1.5 \)。这是一个弹性为 -1.5 的估计。
问题：这个估计只有在“没有其他因素同时变化”时才可信。但在现实中，批发价上涨往往伴随着促销减少或竞品降价。假设在 \( t=2 \) 时，促销强度也下降了（即 \( W_2 \) 与 \( T_2 \) 相关）。如果促销强度是可观测的，DML 可以将其偏出。但如果促销强度是未观测的，那么 \( \hat{\theta}_{\text{naive}} = -1.5 \) 就是有偏的。
本文的核心思路：与其给出一个可能严重有偏的 -1.5，系统应该问：“我是否真的知道这个弹性？” 它通过以下方式回答：
检查识别假设：是否有足够的价格变化？是否有促销混淆？是否有竞品联动？在这个两时间点例子中，只有一个价格变化，无法进行任何诊断。系统会判定为“不可识别”（non-identifiable），并输出 WAIT-identification。
诊断弃权原因：WAIT-identification 意味着“需要独立分配的价格变化”，即需要设计一个实验。
这个特例揭示了论文的核心数学困难：在只有少量价格变化（如 2-3 次）的薄面板上，即使使用 DML，也无法可靠地估计弹性，因为：
自助法区间会非常宽，无法通过 admissibility gate。
无法进行结构性断点检验（Guard 5），因为观测太少。
无法估计设计方差，因为只有一个设计。
本文的关键想法：在这种情况下，不估计 比 估计一个不可靠的值 更好。系统应该主动弃权，并指明弃权的原因是“识别不足”，从而触发实验设计。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在中介零售渠道中，当观测性面板数据不足以可靠地估计价格弹性时，制造商应如何决定是执行价格变动（ACT）、弃权（WAIT）还是设计实验（EXPERIMENT）？
核心工具/方法：提出了一个因果治理框架，整合了双机器学习（DML）、成本冲击工具变量、分层池化、保形预测区间和一个包含八个守卫（guards）的决策层，将弃权原因分为三类（污染、瞬态、识别不足）。
主要结论：在合成数据上，该框架在可识别面板上的家族式假否决率（family-wise false-veto rate）为 0.053；聚合到品类级别可将 RMSE 从 0.571 降至 0.159；七个隐性假设被转化为可执行的诊断测试。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

DML 偏出估计（Section 4.1, Appendix A.2）：
使用 \( K=5 \) 个连续时间块进行交叉拟合（cross-fitting），而非前向链（forward-chaining）。这是一个关键设定：它依赖于平稳性和弱依赖性，而非 Neyman 正交性。
点估计是跨折中位数（median across folds），而非 DML2 的聚合估计。这在小样本下更稳健。
推断使用周度聚类的移动块自助法（moving-block bootstrap），块长 \( L = 7 \)（当 \( W=120 \) 时）。
保形层（Section 4.2, Appendix A.8）：
使用保形分位数回归（CQR），按区域进行 Mondrian 分层，采用严格的时间分割（50/30/20）。
由于时间分割破坏了可交换性，保形保证依赖于非平稳环境下的自适应保形论证（Gibbs & Candès 2021, Barber et al. 2023），并通过滚动起点验证。
决策层（Section 4.4, Definition 1）：
包含一个 admissibility gate（三个条件：至少一半区域通过变异诊断、部分 \( R^2 > 0.10 \)、自助法区间宽度 < 0.6）和八个守卫（Guards 1-8）。
十个弃权原因被分为三类：\( G_{ID} \)（识别不足，5 个原因）、\( G_{CONT} \)（污染，4 个原因）、\( G_{TRANS} \)（瞬态，1 个原因）。优先级：污染 > 瞬态 > 识别不足。
相比已有文献的放宽或强化：
- 放宽：不要求识别假设（如无未观测混淆、工具变量排他性）成立，而是将其转化为可检验的守卫。
- 强化：要求所有守卫同时通过才能 ACT，且弃权不是终点，而是诊断性的。
关键假设：
SUTVA 的 no-interference 假设：被 Guard 8（配额压力）和实验层的污染测试检验。
工具变量排他性：被 Guard 7（排他性审计）检验。
无未观测混淆：被 Guard 2（Cinelli-Hazlett 稳健性值）量化。
平稳性：被 Guard 5（结构性断点检验）检验，但该守卫被报告为“not operative”。

主要结果¶

结果 1：弹性恢复（Section 6.1, Table D.3）：
在“干净”体制下，DML 估计的偏差为 0.143（向零偏），覆盖率为 0.484（名义 0.95）。在“混淆”、“弱”、“共线性”体制下，估计严重有偏甚至符号错误。
关键发现：当识别失败时，估计器不会优雅退化，而是产生看似合理但错误的值（如小弹性）。
结果 2：自助法区间不足（Section 6.2, Table D.8）：
块自助法区间在给定设计内是保守的（条件覆盖率为 0.881），但相对于总方差（设计间+设计内）是乐观的（总覆盖率为 0.484）。
技术难点：自助法无法捕捉设计方差，即如果观测到的是另一组价格变动，估计值会如何变化。
结果 3：设计方差与分层方差成分（Section 6.3, Table D.9）：
使用 Paule-Mandel 估计的展示间异质性 \( \hat{\tau}^2 \) 构建的后验预测区间，在均匀场景下覆盖率达到 0.914，在异质场景下达到 0.92，远优于自助法的 0.484。
关键发现：缺失的方差确实是设计方差，且可以通过分层方差成分来弥补。
结果 4：聚合改善估计（Section 6.4, Table D.5）：
聚合到品牌（4 个展示）和品类（8 个展示）后，估计的标准差分别下降 2.03 倍和 2.94 倍，接近平方根定律预测的 2.00 和 2.83。
品类级别的 RMSE 为 0.159（真实弹性幅度 1.1），而展示级别为 0.571。
关键发现：设计方差在独立设计的展示间平均化，聚合是合法的补救措施。
结果 5：假否决率（Section 6.8）：
在可识别面板上（19 次重复），整个决策层的家族式假否决率为 0.053（19 次中只有 1 次否决）。
唯一的假否决来源是 Guard 1a（排除异常周后的弹性变化）。
结果 6：守卫的校准性（Section 6.7, Table D.10）：
当将校准好的阈值迁移到另一个数据生成配置时，admissibility gate 的精确度从接近完美下降到 0.000。
关键发现：阈值是校准的，而非通用的。需要发布精确度曲面而非单一阈值。

证明路线与技术技巧¶

整体路线（以“设计方差”的论证为例）：

步骤 1：发现问题（Section 6.2）：在合成数据上，块自助法区间的经验覆盖率远低于名义水平（0.484 vs 0.95）。
步骤 2：诊断原因（Section 6.2）：通过一个分解实验，固定数据生成过程，但重新抽取哪些周携带哪些价格变动（即改变“设计”）。发现自助法区间在给定设计内是保守的（条件覆盖率 0.881），但相对于总方差（设计间+设计内）是乐观的。因此，缺失的是设计方差。
步骤 3：提出解决方案（Section 6.3）：使用 Paule-Mandel 估计的展示间异质性 \( \hat{\tau}^2 \) 来量化设计方差。构建一个后验预测区间 \( \hat{\theta} \pm 1.96 \sqrt{s^2 + \hat{\tau}^2} \)。
步骤 4：验证解决方案（Section 6.3, Table D.9）：在合成数据上，该后验预测区间在均匀和异质场景下分别达到 0.914 和 0.92 的覆盖率，验证了设计方差确实是缺失的成分。
步骤 5：利用解决方案（Section 6.4）：由于设计方差在独立设计的展示间平均化，聚合到品牌或品类可以降低方差。验证了平方根定律。

关键跳跃点： - 从“自助法区间不足”到“设计方差”：这个跳跃依赖于分解实验（Section 6.2），该实验通过固定 DGP 但重抽设计，将总方差分解为设计内方差和设计间方差。这是论文最核心的实证发现。 - 从“设计方差”到“分层方差成分”：这个跳跃依赖于 Paule-Mandel 估计量，它原本用于元分析中的异质性估计。作者将其应用于展示间异质性，并证明它可以捕捉设计方差。

技术技巧点名： - 移动块自助法（Moving-block bootstrap）：用于推断，块长由公式 \( L = \text{clip}(\text{round}(1.5 W^{1/3}), 2, \lfloor W/3 \rfloor) \) 确定。 - Paule-Mandel 估计量：用于估计展示间异质性 \( \hat{\tau}^2 \)，通过求解 \( Q(\tau^2) = k-1 \) 得到。 - 保形分位数回归（CQR）：用于构建销量预测区间，Mondrian 分层按区域，时间分割严格。 - Cinelli-Hazlett 稳健性值：用于量化未观测混淆的强度。 - OLS-CUSUM 与 Chow 检验：用于结构性断点检测，但被报告为“not operative”。 - 合成控制法：用于实验层的效果评估，使用凸单位权重（Abadie et al. 2010）和截距调整（Doudchenko & Imbens 2016）。

真实例子与应用¶

本文没有使用真实商业数据。所有结果均来自两个合成数据生成过程（DGP）： - 五体制生成器：模拟 120 周、6 个区域、6 个展示的面板，包含五个识别体制（干净、圆点、弱、混淆、共线性）和四个额外机制（传导、交叉价格、前向购买、退市）。 - 扩展生成器：模拟 8 个展示，传导率按区域抽取，弹性范围更广，旨在消除第一个生成器的人为清洁性。

这个例子想说明什么： - 验证 DML 在可识别体制下的恢复能力（偏差 0.143）。 - 证明自助法区间不足（覆盖率 0.484）。 - 验证分层方差成分可以弥补设计方差（覆盖率 0.914）。 - 验证聚合的平方根定律（RMSE 从 0.571 降至 0.159）。 - 测量假否决率（0.053）。 - 揭示守卫的校准依赖性（精确度从接近完美降至 0.000）。

🔎 结论是否比证明窄¶

结论：“The system is tested against synthetic data-generating processes with known ground truth under thirty pre-registered engineering rules (11 pass, 18 fail, 1 not applicable); it has not been run against a commercial panel, and no result reported here is an observation of a real product category.”（Abstract）
证明的窄化：论文的所有量化结论（如假否决率 0.053、RMSE 0.159、聚合的平方根定律）都是在特定合成 DGP 上得到的。作者明确承认“the gate is calibrated, not general”（Section 8.4），且“the system has not been run on a commercial panel”（Section 8.4）。因此，论文的结论严格限于其合成验证环境，不能直接推广到真实商业面板。
被泛化的 claim：论文声称“The methodological claim the paper defends is broader than pricing”（Section 1），即其“将隐性假设转化为诊断”的模式可以推广。但这个 claim 本身是概念性的，而非量化的，且未在定价之外的领域验证。

四、开放问题¶

设计方差的理论性质：论文展示了设计方差的存在和重要性，但“A full theoretical account of that construction’s of coverage properties is companion-paper material”（Section 6.3）。扎根点：Section 6.3 明确将分层方差成分的覆盖性质理论分析推迟到 companion work（Delgado, 2026）。这是一个开放的统计理论问题：在什么条件下，Paule-Mandel 估计量可以一致地估计设计方差？其覆盖率的渐近性质如何？
实验设计的最优化：论文将 WAIT-identification 定义为实验候选，但“What this paper does not do is design that experiment. It establishes the epistemic necessity of one... the optimization problem of acquiring that variation across a portfolio at least operational cost is a separate contribution and is left to companion work”（Section 9）。扎根点：Section 9 明确将实验设计问题推迟。这是一个开放的优化问题：在预算约束下，如何选择一组展示进行价格实验，以最小化整个组合的估计方差？
守卫的校准与迁移：论文发现“Precision is 0.000 once the frozen thresholds are evaluated on a configuration outside the one they were calibrated on”（Section 6.7）。扎根点：Section 6.7 和 Section 8.4 明确承认守卫是校准的而非通用的。这是一个开放的方法论问题：如何设计一个自适应校准程序，使得守卫阈值可以自动适应不同的数据生成配置？或者，如何发布一个“精确度曲面”而非单一阈值？
表演性（Performativity）的治理：论文指出“once the engine moves prices, future variation is the child of its own estimates. The defense is experimental, and it is instrumented rather than recommended”（Section 4.4）。扎根点：Section 4.4 和 Section B.12 讨论了表演性风险，但未提供解决方案。这是一个开放的治理问题：当定价系统开始影响其自身输入数据时，如何设计一个反馈循环来检测和纠正这种表演性偏差？

Maintained by 陈星宇 · Homepage · Source on GitHub