power-market-trading-docs/primers/technical_newsvendor_zh.md

报童问题：面向电力市场的精简入门

1. 一段话讲清模型

一位报贩必须在得知当天需求 D（一个服从分布 F 的随机变量）之前，决定进货多少份报纸 q。每一单位未被满足的需求带来成本 c_u（ 缺货成本（underage cost） ：损失的边际利润、罚款，或以更高价格进行的补货）；每一单位卖不出去的库存带来成本 c_o（ 过量成本（overage cost） ：进货价减去残值）。报贩要最小化期望成本：

minimize over q :   E[ c_u · (D − q)⁺ + c_o · (q − D)⁺ ]

这是最小却依然有趣的随机优化问题：一个决策、一个随机变量、一个周期，而且——至关重要的是——它有一个闭式解，承载着整个领域的核心教益。

2. 临界比：为什么答案是分位数，而非点预测

对期望成本关于 q 求导（或者从边际角度论证：最后进的那一单位是否值得，取决于它所避免的期望缺货是否超过它所冒的期望过量风险）。在最优点处，边际收益 c_u · P(D > q) 等于边际成本 c_o · P(D ≤ q)，由此得到 临界比（critical ratio） （也称 临界分位数（critical fractile） ）：

F(q*) = c_u / (c_u + c_o)        ⟹        q* = F⁻¹( c_u / (c_u + c_o) )

有三点值得注意。第一，最优决策是需求分布的一个 分位数（quantile） ——均值根本不出现在其中。如果缺货的痛苦是过量的三倍，就在第 75 百分位处进货；如果过量占主导，就在中位数以下进货。第二，"按点预测来规划"这一确定性习惯只有在 c_u = c_o 并且 分布对称这一临界特例下才是最优的——成本不对称或分布有偏，都会使点预测系统性地成为错误答案。第三，解需要的是整个分布（或至少是其中正确的那个分位数），而非一个点估计：这正是不确定性量化具有决策价值的确切含义。

最优点处的期望成本还有一个清晰的解释：它随 D 在所选分位数附近的 离散程度（spread）增大而增大。预测改进（方差缩减）与决策改进（选对分位数）是互补但相互独立的两个杠杆——组织在实践中常常把二者混为一谈。

3. 电力中的报童问题，通常并未被点名

电力市场充满了"在不确定性揭晓之前做出、事后以不对称方式结算"的一次性数量决策。一旦你识别出 q、D、c_u 和 c_o，每一个都是一个报童问题。

可再生能源的日前报量。 一家风电或光伏生产商以价格 π_DA 向日前市场（DA）报出数量 q，随后按不平衡价格（imbalance price）对实际发电量 D 与报量之间的偏差进行结算。在双价平衡市场中，欠交付部分要以高于 π_DA 的价格回购（单位缺货成本 c_u = 回购溢价），超交付部分要以低于 π_DA 的价格卖出（c_o = 折价出售）。最优报量恰好是发电量分布的临界比分位数——面临严厉短缺罚款的生产商应保守报量（一个较低的分位数），反之亦然。这一结论源自 2000 年代的交易文献（Bremnes；Pinson、Chevallier 和 Kariniotakis），正是它说明了为什么对可再生能源交易员而言，真正重要的交付物是分位数预测而非点预测；它也是随机优化入门中更丰富的多市场报量模型的切入点。

备用容量定容。 系统应持有多少 MW 的运行备用（operating reserve）以应对净负荷预测误差和机组故障？持有一 MW 未被动用的备用，成本是备用采购价格（过量）；短缺一 MW，成本则是按失负荷价值（VOLL）计的期望切负荷，或昂贵的紧急操作（缺货）。当 c_u 高达数千美元/MWh（VOLL）而 c_o 只有几十美元时，临界比就落在右尾深处——这恰恰解释了为什么备用需求对应于净负荷误差分布的高分位数（例如第 95 至 99.9 百分位）。现代 ISO 中的概率化备用方法和爬坡产品需求曲线，都是被制度化了的报童逻辑。

运行备用需求曲线（ORDC）。 把这套逻辑反过来跑：不去固定一个数量，而是给每一增量的备用按其期望边际价值定价，VOLL × LOLP(r)——失负荷价值乘以在备用水平 r 下的失负荷概率（LOLP）。ERCOT 的 ORDC 是这一做法的典范实现。这条需求曲线 就是 报童问题的一阶条件在数量维度上逐点描出的轨迹。

零售与燃料采购。 一家为不确定客户负荷远期签约购电的零售商，在短缺部分面临现货价格敞口，在盈余部分面临转售亏损；一家燃气机组按不确定的调度出力提前一天申报管道运力，则两个方向都面临不平衡罚款。二者都可归结为负荷或调度分布的临界分位数问题，而在实践中又因数量与价格之间的相关性而复杂化（你往往恰好在价格高企时处于短缺），这会移动有效分位数——这也让人初尝为什么联合分布至关重要。

4. 与预测的联系：弹球损失就是报童损失

这个决策问题与现代概率预测之间的联系是精确的，而非仅仅类比。用于训练和评估分位数预测的 弹球（分位数）损失（pinball (quantile) loss） ，

L_τ(q, d) = τ·(d − q)⁺ + (1 − τ)·(q − d)⁺ ,

正是取 c_u = τ、c_o = 1 − τ 的报童成本函数；最小化其期望即得到 τ-分位数。因此，一位在 τ = c_u/(c_u + c_o) 处最小化弹球损失的预测者，就是在 直接 求解交易员或调度员的决策问题——预测与优化坍缩为同一个步骤。这一观察支撑着当前"面向决策"（decision-focused）或"先预测后优化"（predict-then-optimize）的研究议程：与其先拟合一个分布再针对它优化，不如直接用决策实际承担的损失来训练预测。报童问题正是这一纲领拥有完整闭式答案的那个特例。

5. 风险厌恶及其他扩展

经典模型是风险中性（risk-neutral）的。真实的参与者在意尾部风险，标准的做法是用 条件风险价值（CVaR） 或均值–CVaR 目标来替代期望成本。优雅之处在于：对报童问题而言，CVaR 优化再次给出一个分位数决策，只不过是在一个 平移过的 临界比处——风险厌恶会把报量向尾部更差的那一侧倾斜。在 Rockafellar–Uryasev 表述下，给定情景后该问题仍是一个小型 LP，这预示了风险如何在随机优化入门的更大模型中引入而不破坏可解性。

其他标准扩展各自只增加一味"配料"，并指向一片更大的文献：价格相关需求（价格设定型报童，price-setting newsvendor）指向联合定价/数量决策；数量–价格相关性 指向组合与套保模型；带结转的多周期库存 指向基准库存策略（base-stock policy），在电力中则指向储能套利（storage arbitrage）（电池针对不确定的未来价格所做的充电决策，就是一个沿时间链接起来的报童问题）；未知分布 指向分布鲁棒（distributionally robust）报童问题——Scarf 1958 年针对"匹配给定均值和方差的最坏分布"给出的闭式解，是最早的 DRO 结果之一，至今仍是一块试金石。

6. 通往两阶段随机规划的桥梁

从形式上讲，报童问题 就是 一个两阶段随机规划（two-stage stochastic program）：q 是此时此地（here-and-now）的决策，而补偿（recourse）问题是平凡的——以 c_u 买入短缺，或以 c_o 处置盈余，其补偿成本 Q(q, D) = c_u(D − q)⁺ + c_o(q − D)⁺ 有闭式表达。完整随机优化工具箱里的一切，都是这一结构去掉了那些平凡之处的产物：把标量 q 换成机组组合（unit commitment）的向量，把闭式补偿换成每个情景一个的调度 LP，闭式分位数解就消失了——但其 经济学 完好无损。随机机组组合（stochastic unit commitment）本质上就是系统调度员在成千上万个相互耦合的维度上追问报童问题：面对净负荷分布，在"过量持有"（启动成本和空载成本被浪费）与"短缺"（调峰机组、稀缺价格、切负荷）这两侧的不对称成本之间，现在应当承诺多少慢速、廉价的容量。每当一个随机模型的输出显得晦涩难懂时，报童问题就是正确的健全性检验：识别出隐含的 c_u/c_o 比值，然后追问模型是否在选择一个合理的分位数。

7. 推荐阅读

该模型可追溯至 Edgeworth 1888 年的银行准备金分析，其现代形式则见于 Arrow、Harris 和 Marschak（1951）；Porteus 的 Foundations of Stochastic Inventory Theory 以及 Qin 等人（2011）的综述涵盖了经典理论及其扩展。Scarf（1958）是无分布（distribution-free）方法的源头。电力方面：Bremnes（2004）与 Pinson、Chevallier 和 Kariniotakis（2007）确立了风电的分位数报量结论；Morales、Conejo、Madsen、Pinson 和 Zugno 合著的 Integrating Renewables in Electricity Markets 第 7 章给出了完整的交易处理；Hogan 关于 ORDC 的论文发展出稀缺定价这一化身；Rockafellar 和 Uryasev（2000）提供了贯穿全文反复使用的 CVaR 机制。