Pesquisa em precificação dinâmica
Como aprender a precificar sob incerteza?
Meu TCC investiga Multi-Armed Bandits na precificação de imóveis de temporada, com dados e simulações reproduzíveis.
Aprender.
Decidir.
Formulação da pesquisa, análise de dados e comparação de estratégias de aprendizagem para decisões de preço.
Aprendizagem estatística e decisão sequencial: ε-Greedy, UCB e Thompson Sampling. O foco do trabalho é o comportamento dos algoritmos.
A pergunta de pesquisa
Como equilibrar a exploração de um preço pouco conhecido com o aproveitamento de uma alternativa que já parece funcionar? O trabalho investiga essa decisão no contexto de estúdios de aluguel por temporada no Rio de Janeiro.
Dados, modelos e cenários
A base publicada reúne 571 imóveis e 2.284 observações em quatro snapshots entre junho de 2024 e março de 2025. A preparação inclui análise de componentes principais e estimação de demanda por OLS, com comparações de modelos.
As simulações comparam ε-Greedy, UCB e Thompson Sampling em cenários estacionário e de múltiplas temporadas. O repositório disponibiliza notebook e resultados para inspeção.
O que os resultados mostram
Nos artefatos publicados, UCB apresenta a maior receita absoluta nos dois cenários. Thompson Sampling apresenta a menor queda relativa entre os cenários.
O OLS final tem R² próximo de 0,10, um limite relevante para interpretar a aproximação de demanda. As receitas exibidas são simuladas; não representam ganhos de uma propriedade em operação.
A ponte com a prática
O TCC e o Studio Harmonia compartilham o interesse por precificação e aprendizagem. O primeiro investiga estratégias em simulação; o segundo acrescenta canais, calendário, exceções e responsabilidades de uma operação real.
O cenário muda. A comparação também.
Receita acumulada simulada por algoritmo, nos artefatos públicos do TCC.
UCB apresenta a maior receita absoluta no cenário estacionário.
Fonte: resultados_reproducao_publica.json. Valores de simulação; não representam receita realizada. O notebook não foi reexecutado para este portfólio.
Ver os valores dos dois cenários
| Algoritmo | Estacionário | Múltiplas temporadas |
|---|---|---|
| ε-Greedy | 37.223,67 | 27.838,69 |
| UCB | 40.304,08 | 29.671,28 |
| Thompson Sampling | 35.321,06 | 27.159,07 |
Evidências &
próximo passo.
README e resultados_reproducao_publica.json do repositório público. Os valores do gráfico reproduzem esse artefato. O notebook não foi reexecutado para a montagem do portfólio.
Conteúdo organizado em outubro de 2026.