Stefan Minner教授首先向大家介绍了价格不确定的数据驱动的多期随机商品采购问题，包括远期和现货购买选择。现有研究方法基于参数价格模型，其不可避免地涉及价格模型的错误应用和泛化误差。为了解决这些问题，Minner教授提出了一种非参数的数据驱动方法（DDA），该方法与最优采购政策结构一致，但不需要先验规范和随机价格过程的估计。除利用历史价格外，DDA还能够利用实时特征数据（如经济指标）来解决问题。DDA方法为动态商品采购中的规范分析提供了一个框架，通过在成本最小化目标下的混合整数线性规划（MILP），直接从数据作为特征函数学习最优购买策略。因此，DDA侧重于最优决策而非最佳预测。此外，Minner教授将优化与机器学习（ML）的正则化结合起来，从噪声中提取决策相关数据。基于数值实验和经验数据，教授表明，当采购政策参数作为特征的功能被学习时，商品采购的特征数据具有重要价值。然而，过度拟合会降低数据驱动解决方案的性能，数据驱动解决方案需要ML扩展来改善样本外泛化。在实际应用中，与内部最佳训练基准相比，对于十年的回溯测试DDA平均每年可节省910万欧元并且在交付项目结果和DDA工具后的18个月内可能节省的770万欧元。最后，Minner教授提出DDA的一个实际好处是它可以生成简单但结构最优的决策规则，这些规则易于理解且易于操作。此外，DDA是可推广和适用的。
Minner教授做报告
讲座结束后，Stefan Minner教授热情详细地回答了到场的老师以及学生所提出的问题，并与大家进一步就具有价格不确定多期随机商品采购问题进行了广泛深入讨论。
现场提问
Stefan Minner教授目前是国际物流与供应链管理领域的顶级****，同时也是国际运筹学著名期刊International Journal of Production Economic的主编(Editor-in-Chief)，他是德国物流协会科学顾问委员会vice-chairman和欧洲物流协会研究委员会成员。在本领域顶级期刊Management Science, Operations Research,Manufacturing & Service Operations Management,and Production and Operations Management等发表了大量的研究成果。
责任编辑：杨慧娴
