Last Look 那篇聚焦于拍卖中的一桩具体不公平——处在竞价链路最后一棒的交易所，先偷看其他渠道已报出的竞胜价，再让自家需求「恰好高一点」地反超；也顺带交代了行业为何从二价集体转向一价。但那篇默认读者已经清楚「一次拍卖究竟是怎么运转的」。本文正是要补上这一前提：一次程序化拍卖，从收齐出价到定出成交价，中间到底发生了什么。
在此基础上，本文再落到一价时代最关键、也最考验工程能力的一环——Bid Shading（出价缩水）。一价拍卖有一个反直觉的陷阱：按你心中的真实价值出价，一旦胜出，几乎必然超付。 买方因此必须学会「主动压低一点、却又不至于输掉」。下文将依次讲清：这个陷阱从何而来、如何用数据估出「恰好赢下」的价位，以及为何「由谁来做 shading」本身就是一场利益博弈。
范围划界：本文讲拍卖机制本身（漏斗 / 底价 / 结算 / shading）。谁在主持拍卖、DSP/SSP 的角色见生态全景；二价→一价的历史与 last look 见专文；结算价通过什么字段回传（
at/${AUCTION_PRICE}）见 OpenRTB 协议精讲。这里只在需要处引用。
TL;DR
- 一次拍卖是一条漏斗，不是一次比大小：候选出价要依次过资格过滤（品牌安全、尺寸、创意审核、
bcat/badv）、底价筛选、再进入排序结算。价高不等于能赢——先得活着走到最后一层。 - 底价有三种：hard floor（硬底价） 出价低于它直接出局；soft floor（软底价） 是历史上二价的产物，低于它仍可能赢、但结算规则变化；一价普及后，重点转向动态底价（dynamic floor）——交易所按流量特征实时算一个能最大化自己收益的底价。
- 一价 vs 二价的结算差异是一切的起点：二价下成交价由别人决定（第二名 + 增量），所以照实出价是最优策略；一价下成交价 = 你自己的出价，照实出价 = 把本可留下的差价（surplus）全额让渡给卖方。
- Winner’s curse（赢家诅咒）：一价里，你赢，恰恰说明你出得比所有人都高——很可能远高于「本来赢下所需」。赢得越干脆，往往亏得越多。
- Bid Shading 就是解药：不出真实价值 (v)，而是出一个 shaded bid (b < v)，让它刚好高过预期清算价。目标不是赢率最大，而是 期望剩余（surplus）× 赢率 最大——在 price–win rate 曲线上找那个甜点。
- 它本质是个预测问题：用历史清算价 / bid landscape 按（域名、格式、尺寸、地区、时段、deal）分桶建模，预测「这次要赢，大概需要多少钱」，再在其上留一点安全边际。
- 谁做 shading 是利益问题：买方侧 shading（DSP / 中立第三方）目标是替广告主省钱；卖方侧 shading（SSP 提供）帮买方压价、却由抬价方来做——这就是又一次「裁判兼运动员」，和 last look 同源的透明度隐忧。
- 工程落点：shading 模型吃的是成交价回执（
${AUCTION_PRICE}）与输赢信号（lurl/${AUCTION_LOSS}）；难点是反馈延迟、数据稀疏、以及市场会随你的 shading 而变（别人也在 shade，清算价分布是动态的）。
Table of contents
Open Table of contents
1. 一次拍卖是一条漏斗
新人最容易把拍卖想成「收齐所有出价，价高者得」。真实的交易所拍卖是一条多级漏斗——价格只是最后一关，前面还有一串「你有没有资格参与」的筛子。
把「拍卖」拆成漏斗后，很多线上疑惑就有了答案：「我明明出价最高却没拿到量」，往往不是排序输了，而是在资格过滤（创意没过审、尺寸不符、撞了 badv）或底价那一层就被刷掉了。价格竞争只是最后一关。
四层逐个看：
- ① 资格过滤：这次出价的创意，尺寸 / 格式对不对得上
imp？创意过没过交易所审核？落地域名adomain有没有撞媒体的badv（屏蔽广告主）、品类cat有没有落进bcat（屏蔽品类）？出价方席位在不在wseat/bseat名单里？任何一条不满足，这个出价根本进不了价格竞争。 - ② 底价筛选：活下来的出价，还得 ≥ 底价（见 §2）。公开竞价比
imp.bidfloor，deal 比deal.bidfloor。 - ③ 排序：把合格出价按净价 / eCPM（有时要扣掉交易所抽成后的净值）排序；保量单和 deal 在这里还享有结构性优先权（哪怕出价不是绝对最高）。
- ④ 结算：选出胜者，并按
at定成交价（见 §3）。
记住这条漏斗，本文后面所有关于「出多少」的讨论，才有正确的语境：你优化的是第 ④ 层的价格，但能不能走到第 ④ 层，是前三层决定的。
2. 底价：hard floor / soft floor / 动态底价
底价（floor price）是卖方给库存设的成交底线，也是买方出价时第一个撞上的硬约束。它有三种形态，混淆它们是新人常犯的错：
| 类型 | 含义 | 出价低于它会怎样 |
|---|---|---|
| hard floor | 硬底价 | 直接出局，连排序都进不去 |
| soft floor | 软底价（二价时代产物） | 仍可能赢，但结算规则在软硬之间切换 |
| dynamic floor | 动态底价：按流量特征实时算出的最优底价 | 取决于当次算出的值，等价于动态 hard |
soft floor 是个历史包袱：在二价拍卖里，如果最高价没超过 soft floor，成交价按 soft floor 之类的规则来定，制造了一段模糊地带——它也是 last look 那类套利的温床之一。一价普及后，soft floor 基本失去意义（成交价就是你的出价，没有「第二名」可依），行业重心转向 dynamic floor。
动态底价才是今天真正的博弈焦点：交易所不再对所有流量设一个固定底价，而是按域名、格式、时段、这个买家的历史出价实时算一个底价，目标是最大化自己的收益期望。这直接把买方推向了下一节的困境——因为买方永远不完全知道这次的底价是多少，只能靠历史去猜。
一个必须建立的直觉：在一价 + 动态底价的世界里，买卖双方都在用历史数据互相预测。卖方预测「这个买家愿意出多少」来抬底价；买方预测「这次要赢需要多少」来压出价。Bid Shading 就是买方这一侧的预测武器。
3. 一价 vs 二价：成交价由谁决定，决定了一切
这一节是理解 shading 的钥匙。两种拍卖的差别，一句话：成交价由谁决定。
- 二价（Second Price）：赢家付的是第二名的价 + 一个最小增量。换言之，成交价由他人的出价决定，与你出多高无关（只要你是最高）。
- 推论：照实出价是占优策略（truthful bidding）。你出真实价值 (v)，即便赢了也只按第二名的价成交，不会吃亏；出得更低反而可能把本该赢的曝光丢掉。这正是 Vickrey（二价密封）拍卖被反复证明的经典性质——说真话对每个参与者都最优。
- 一价（First Price）：赢家付的是自己出的价，即成交价 = 你的出价。
- 推论：照实出价是灾难。你出 (v) 且赢了，就把「(v) 减去本来赢下所需的价」这段差价（surplus）全额让渡给了卖方。
看个数：一次曝光，你的真实价值 (v = $5.0)，而实际上出价第二高的人只出到 $3.0。
- 二价下：你出 $5.0，赢，付 $3.01。省下 $1.99 是你的。
- 一价下：你出 $5.0，赢，付 $5.0。那 $1.99 全没了。
- 一价下（聪明做法）：你出 $3.1，仍然赢，付 $3.1。省下 $1.9。
第三种做法就是 Bid Shading——把出价从 (v) 压到「刚好赢」的位置。问题只剩一个：你怎么知道 $3.1 就够了？ 你并不知道第二名出多少。这就把定价变成了一个预测问题。
4. Bid Shading：把「恰好赢下的价」估出来
4.1 Winner’s curse：赢，本身就是坏消息
要理解为何 shading 不可回避，得先认识一价拍卖里那个绕不开的现象——winner’s curse（赢家诅咒）：
在众人对同一次曝光各自密封出价的一价拍卖里，你之所以能赢，恰恰是因为你出得比所有人都高。 而「比所有人都高」往往意味着你的估值偏乐观、或出价过猛——胜出的那一刻，你大概率已经超付。
换句话说，赢得越轻松（出价甩开第二名越多），被浪费的差价就越大。一个从不 shading、始终照实出价的买家会赢下很多曝光，但每一单都在悄悄失血。
4.2 shading 的目标不是赢率，而是 surplus × 赢率
一个常见的直觉是「出低点就能省钱」，但出得太低会赢不到量。因此 shading 真正要优化的既不是赢率、也不是单均节省，而是二者的乘积——期望净收益。
设真实价值 (v)，出价 (b)，赢的概率 (W(b))（出得越高越可能赢，是一条随 (b) 上升的曲线）。一价下，一旦赢，成交价就是 (b)，这一单的期望剩余是：
[ \text{ExpectedSurplus}(b) = (v - b)\cdot W(b) ]
- (b) 往上抬：(W(b))（赢率）升，但 ((v-b))（每单省下的）降。
- (b) 往下压：省得多，但赢率塌。
这条曲线中间有个峰——那就是最优 shaded bid (b^*)。shading 引擎干的就是：估出 (W(b)) 这条赢率曲线，再找 ((v-b)\cdot W(b)) 的极大值点。
左图：赢率 (W(b)) 随出价上升，但出到真实价值 (v) 时省下的差价归零。右图：期望剩余 ((v-b)\cdot W(b)) 是一条钟形曲线，峰值 (b^*) 才是该出的价——它通常远低于 (v)。注意 (b^*) 不是常数：当所有人都在 shade，清算价分布会整体下移，昨天的最优今天就偏了。
4.3 它本质是个预测问题：估清算价分布
要画出 (W(b)) 这条曲线，就得知道「在这类流量上，历史清算价（或第二高价）大致长什么分布」。工程上：
- 收集 bid landscape：把每次竞价的成交价回执（一价下就是
${AUCTION_PRICE}）和输赢信号（lurl+${AUCTION_LOSS}，尤其是「输给更高价 102」）攒下来。 - 分桶 / 特征化：清算价强烈依赖上下文——域名 / App、广告格式与尺寸、地区、时段、设备、是否走 deal。按这些维度分桶，或用模型把它们当特征。
- 建模预测：对每个 bid request，预测「要赢需要多少」的分布（或直接预测最优 (b^*) / shading factor）。简单的用分位数 / 直方图，复杂的用梯度提升、分位回归等。
- 留安全边际：在预测清算价上加一个小 margin——既对冲预测误差，也应对市场波动。
4.4 三个绕不开的工程坑
- 反馈延迟与稀疏：
burl/成交回执、转化信号都有延迟；长尾流量样本稀疏，分桶到最后可能每桶没几条数据，模型只能回退到更粗的桶。 - 市场是动态的、且会因你而变：这是 shading 和普通预测最不一样的地方——当所有买家都在 shade，清算价整体下移，你昨天学到的分布今天就偏了。它更像一个多方博弈的动态均衡，而不是一个静态分布，模型必须持续在线更新。
- 和 pacing / 出价模型耦合：shading 决定「这一单出多少」，但预算节奏（pacing）决定「现在该不该激进」。两者必须协同——预算烧不完时可以少 shade（多赢量），临近超支时多 shade（保效率）。
5. 谁来做 shading：又一次「裁判兼运动员」
技术上，shading 可以发生在两个位置，而位置本身就带着利益立场：
| 位置 | 谁做 | 为谁省钱 | 隐忧 |
|---|---|---|---|
| 买方侧 shading | DSP 自建 / 中立第三方 | 替广告主省钱 | 需要 DSP 有足够的 bid landscape 数据 |
| 卖方侧 shading | SSP 作为「服务」提供给买方 | 名义上帮买方压价 | 抬价方来替你压价——利益天然冲突 |
卖方侧 shading 是一价转型初期冒出来的产物：SSP 说「我帮你 shade，省得你自己建模型」。但这就像 last look 的翻版——靠成交额抽成、希望成交价越高越好的一方，反过来替你决定该出多低，动机天然相反。因此买方越来越倾向把 shading 收回到自己或中立第三方手里：让「出多少」这个决策，落在与自己利益一致的一侧，而不是交给抽价方去替你算。
6. 常见误解 ↔ 正解
| 常见误解 | 正解 |
|---|---|
| 拍卖就是价高者得 | 价格是最后一关；先得过资格过滤与底价，很多「最高价」死在前面 |
| hard floor 和 soft floor 差不多 | hard floor 低于即出局；soft floor 是二价遗产，一价下基本失效 |
| 一价和二价对出价策略没差别 | 天壤之别：二价照实出价最优，一价照实出价 = 白送 surplus |
| 赢得越多说明策略越好 | 一价下赢得太干脆往往是超付（winner’s curse）——赢的姿势比赢的次数重要 |
| Bid Shading 就是一律压低出价 | 是找 ((v-b)\cdot W(b)) 的峰值，压过头会输掉量，是最优化不是砍价 |
| shading 是一次性算好的固定折扣 | 清算价分布随市场（大家都在 shade）动态变化，必须持续在线学习 |
| 让 SSP 帮我 shading 最省心 | 抬价方替你压价利益冲突，等于 last look 换个马甲——优先买方/中立侧 |
7. 一张速查表
| 概念 | 一句话 | 关联 |
|---|---|---|
| 拍卖漏斗 | 资格过滤 → 底价 → 排序 → 结算，价格是最后一关 | §1 |
| hard floor | 硬底价，低于即出局 | §2 |
| soft floor | 二价遗产，一价下基本失效 | §2 |
| dynamic floor | 交易所按流量特征实时算的最优底价 | §2 |
| 二价结算 | 成交价 = 第二名 + 增量 → 照实出价最优 | §3 |
| 一价结算 | 成交价 = 自己的出价 → 必须 shade | §3 / OpenRTB at |
| winner’s curse | 赢，本身说明你可能超付了 | §4.1 |
| shaded bid (b^*) | ((v-b)\cdot W(b)) 的峰值，通常远低于 (v) | §4.2 |
| bid landscape | 历史清算价分布，shading 模型的原料 | §4.3 / ${AUCTION_PRICE} |
| 买方 vs 卖方 shading | 谁做，就替谁的利益服务 | §5 |
一句话收尾：二价的世界里你只要诚实，一价的世界里你必须精明。 Bid Shading 就是把「精明」变成一个可以用历史数据训练、持续迭代的预测问题——而它最大的敌人，是一个所有人都在变聪明、因而不断移动的市场。
延伸阅读
- Last Look 深挖：二价→一价转型的历史与那桩最著名的不公平，本文的「前传」。
- OpenRTB 协议精讲：
at拍卖类型、${AUCTION_PRICE}成交价回执、lurl/${AUCTION_LOSS}输价信号——shading 模型的数据入口。 - 程序化交易模式：RTB / PMP / PD / PG：deal 与保量在排序层的结构性优先权。
- 预算与 Pacing：shading（出多少）与 pacing（现在该不该激进）如何协同。
- 程序化广告生态全景：谁在主持拍卖、ad tech tax 与 SPO 的大背景。
规范与资料：
- IAB Tech Lab. OpenRTB 2.6 Specification：
at、底价、notice 与成交价宏的权威定义。 - W. Vickrey. Counterspeculation, Auctions, and Competitive Sealed Tenders（1961）：二价拍卖「照实出价最优」性质的理论源头。
附录：术语表
- 拍卖漏斗：资格过滤 → 底价 → 排序 → 结算的多级筛选，价格竞争只在最后一层。
- hard floor / soft floor / dynamic floor：硬底价（低于即出局）/ 软底价（二价遗产）/ 动态底价（实时算出的最优底线）。
- 一价 / 二价（First / Second Price）：成交价 = 自己出价 / 第二名 + 增量。
- truthful bidding（照实出价）：出真实价值；二价下最优，一价下会白送 surplus。
- surplus（剩余）：真实价值与实际成交价之差，买方想最大化的净收益。
- winner’s curse（赢家诅咒）：一价里赢本身就暗示可能超付。
- Bid Shading（出价缩水）：把出价从真实价值压到「恰好赢下」的位置，最大化期望剩余。
- shaded bid (b^*)：使 ((v-b)\cdot W(b)) 最大的出价。
- bid landscape / clearing price distribution：历史清算价分布，shading 建模的原料。
- 买方侧 / 卖方侧 shading：由 DSP / 中立第三方做，还是由 SSP 做——立场相反。