{"slides":[{"id":"wp-cover","kind":"cover","eyebrow":"WUSHEN · TECHNICAL WHITEPAPER · 技术白皮书","title":"从价格预测 到 收益决策闭环","accentTitle":"把酒店收益管理 当量化交易 来做","subtitle":"无生云枢 · 酒店 AI 收益决策云枢 · 旗舰技能 hotel-price-monitor","meta":["WHITEPAPER v6 · 模型代次 v7/v8 · 2026.06","案例 · 新棠酒店 434 天真实 PMS 回测"],"infoCards":[{"label":"FORECAST · 预测精度","value":"20.72%","sub":"出租率 MAPE · 从基线 34.51% 降下来"},{"label":"DECISION · 决策收益","value":"+5.26%","sub":"净 RevPAR · 434 天反事实回测"},{"label":"HONESTY · 诚实自证","value":"keep","sub":"挑战者跑输,系统拒绝上线它"}],"script":"欢迎您翻开这份技术白皮书。\n我先把这二十多分钟要讲清楚的事,说在前头——\n我们在讲一件别人很少这么讲的事:把酒店调价,当成量化交易来做。\n价格是我们下的单,出租率是持仓,扣完佣金和成本之后真正到手的净 RevPAR,是我们的盈亏。\n在这个视角下,预测准从来不是目的,把每天的期望利润做到最大,才是。\n这份白皮书最特别的地方是——\n凡是写进来的数字,全部是新棠酒店真实回测跑出来的,不是 PPT 上的理想值。\n出租率预测误差从三成四,压到两成,净 RevPAR 全局提升五点二六个百分点。\n更要紧的是最后那张卡片——\n当我们新训的挑战者模型其实没更好的时候,系统会诚实地告诉你,并且拒绝让它上线。\n这二十分钟,我们讲六件事:为什么换这个视角、数据怎么搭、模型怎么治理、新棠到底跑出了什么、以及它为什么是一个云枢,不是一个工具。"},{"id":"wp-quant","kind":"skill-contract","eyebrow":"THE PARADIGM · 范式跃迁","title":"酒店收益管理 ≡ 一套量化交易系统","subtitle":"这不是比喻 — 是逐项对应的工程现实,每一行都落到真实代码","fields":[{"key":"资产价格","label":"客房 BAR 价","sample":"recommendation.recommendedPrice"},{"key":"持仓 / 仓位","label":"当前出租率 / OTB","sample":"effectiveBaseOccupancy"},{"key":"盈亏 PnL","label":"净 RevPAR(扣佣金+变动成本)","sample":"optimizeRevenue 的目标函数"},{"key":"Alpha 因子","label":"25 个需求/竞品/库存特征","sample":"PIT 特征面板 25 列"},{"key":"市场行情 regime","label":"6 档市场状态","sample":"classifyMarketRegime"},{"key":"风控 / 约束","label":"调价护栏 + 8 条禁区","sample":"REGIME_PROFILES guardrails"},{"key":"策略回测","label":"Walk-forward PIT 回测","sample":"backtest.service.mjs"},{"key":"冠军 / 挑战者","label":"v7 / v8 模型","sample":"three-layer-promote-gate"},{"key":"滑点 / 手续费","label":"渠道佣金 + 清洁变动成本","sample":"channelFeePct=0.16 / varCost=30"}],"note":"颠覆性的目标函数:算法目标不是把价格/出租率预测得准,而是最大化期望净 RevPAR。一个预测极准、却建议你淡季死扛高价的系统,是有害的。","script":"这张表,是整份白皮书的地基,请您多看两眼。\n左边是炒股做量化交易的概念,中间是它在酒店收益里对应的东西,右边是我们系统里真实的代码。\n资产价格,对应客房的挂牌价。持仓,对应当前的出租率。\n量化交易里最神圣的那个词——盈亏 PnL,对应我们的净 RevPAR,也就是扣掉携程美团的佣金、扣掉每间房清洁布草的成本之后,真正到手的钱。\n量化里的 alpha 因子,对应我们的二十五个需求和竞品信号。市场行情,对应六档市场状态。风控,对应调价护栏和八条禁区。\n既然它在数学上就是一套量化交易系统,那量化这几十年踩坑踩出来的工程纪律——回测、不许用未来数据作弊、新策略先小仓位试跑——一条都不能少。\n于是我们得到一个会推翻很多同行假设的结论:\n算法的目标,从来不是把出租率预测得分毫不差,而是把期望利润做到最大。\n一个预测极准、却让你在淡季死扛高价、眼睁睁看着房空着的系统,再准也是有害的。"},{"id":"wp-why-hard","kind":"pain-points","eyebrow":"WHY IT IS HARD · 本质难点","title":"卖客房 比卖矿泉水难在四件事","subtitle":"这四点决定了客房天生需要动态定价 — 也决定了一维时间序列做不好它","cards":[{"icon":"⏳","tag":"预订提前期 lead-time","text":"同一间房,提前 60 天订和当天订,是两个完全不同的市场、两个价。普通商品没这毛病"},{"icon":"🧊","tag":"易逝性 perishability","text":"今晚没卖出去,这份收入永远消失。矿泉水能囤到明天,客房一旦过夜就归零"},{"icon":"📈","tag":"Pickup 累积曲线","text":"你得猜接下来还会订进来多少。看懂这条曲线,才能在对的时间、用对的价、卖对的房量"},{"icon":"💸","tag":"净 RevPAR 盲点","text":"渠道抽 16% 佣金、每间房 30 元变动成本。一笔靠大促拉来的订单,流水好看、净利可能为负"}],"note":"前三点 Cloudbeds 白皮书已精准刻画,我们完全继承。分歧从第四点——以及\"该拿它怎么办\"——开始。","script":"卖一间客房,为什么比卖一瓶矿泉水难?难在四件事。\n第一,预订提前期。同一间房,提前两个月订、和今晚临时订,根本是两个市场、两个价。矿泉水今天买明天买都一个价,客房不是,它天生需要动态定价。\n第二,易逝性。今晚这间房没卖出去,这笔钱就永远没了,不像矿泉水今天没卖明天还能卖。\n第三,订单累积曲线,行话叫 pickup。你得一直猜,离入住还有几天,接下来还会订进来多少。看懂这条曲线,才能在正确的时间、用正确的价、卖出正确数量的房。\n前面这三点,是国际同行 Cloudbeds 讲得很到位的,我们完全认同、全部继承。\n分歧从第四点开始——净 RevPAR 盲点。携程美团要抽一成六的佣金,每卖一间房还有三十块清洁布草成本。一笔靠大促拉来的订单,流水看着很漂亮,扣完佣金和成本,净利润很可能是负的。\n光看流水的系统,会鼓励你不计成本地冲量;只有盯着净利润的系统,才会替你真正赚到钱。"},{"id":"wp-hub","kind":"old-vs-new","eyebrow":"ENGINE → HUB · 第二级跃迁","title":"我们交付的 不是一个更准的数字","subtitle":"别人给你\"明天大概住七成\",剩下全靠你 — 我们给你一张能直接执行的决策卡","columns":[{"title":"预测引擎 · 交付一个数字","accent":"muted","items":[{"tag":"只有一个数","text":"\"明天大概住七成\" — 准不准是它的全部价值,剩下怎么办全靠你"},{"tag":"黑箱","text":"为什么是七成?调到多少钱?风险多大?要不要听它的?它不告诉你"},{"tag":"无复盘","text":"调完到底对没对、赚没赚,没人回头算一笔账"}]},{"title":"决策云枢 · 交付被治理的决策","accent":"highlight","items":[{"tag":"可执行","text":"把 5/26 的 BAR 价从 ¥243.94 调到 ¥232.05,动作=促销 — 精确到价、到动作"},{"tag":"可解释","text":"每条建议附原因码 + 候选价排名 + 透明评分公式,你看得到它为什么这么建议"},{"tag":"有护栏","text":"被市场状态护栏和 8 条禁区约束,永远不会把价砍到地板或抬到天花板"},{"tag":"可审计 · 可复盘","text":"每个决策写入不可变审计;7~14 天后自动回填真实结果,验证这次对不对"}]}],"note":"预测精度,只是\"可解释\"这一项里的一个输入。把预测准当终点,就像把\"看得清路\"当成\"会开车\"——必要,但远远不够。","script":"这是白皮书的第二个核心论点,也是\"引擎\"和\"云枢\"的分水岭。\n一个预测引擎,交付给你的是一个数字:明天大概住七成。准不准,就是它的全部价值。剩下的——那我该调到多少钱、风险多大、要不要听它、调完到底有没有用——全靠你自己。\n一个决策云枢,交付给你的是一张能直接执行的决策卡,它必须同时满足五件事。\n可执行——不是\"住七成\",而是\"把五月二十六号的价从二百四十三块九毛四,调到二百三十二块零五,动作是促销\"。\n可解释——每条建议都带原因码、候选价排名、一个透明的评分公式,你能看到它为什么这么建议,不是黑箱。\n有护栏——任何建议都被市场状态和八条禁区约束,系统永远不会因为模型抽风,把价砍到地板或抬到天花板。\n还有可审计、可复盘——每个决策都留痕,七到十四天后自动回填真实结果,告诉你这次调对了没有。\n你看,预测精度,只是这五件事里\"可解释\"那一项的一个输入而已。把预测准当成终点,就像把\"看得清路\"当成\"会开车\"——必要,但远远不够。"},{"id":"wp-surface","kind":"signals-grid","eyebrow":"DATA CUBE · 两个时间维度","title":"一条订单 带两个日期 · 住哪天 + 哪天看到的","subtitle":"Cloudbeds 把压扁的\"地形图\"还原成时间曲面 — 我们在上面盖了一座更厚的数据立方","columns":[{"title":"多渠道维度","items":["携程 / 美团 / 飞猪 各算一份独立曲面","每渠道独立价格、库存、取消行为","携程取消中位 14.5 小时(比价后很快改主意)","飞猪取消中位 ≈ 2909 小时 ≈ 121 天(临近才退)","渠道级取消差异直接喂给取消概率模型"]},{"title":"25 个 Alpha 因子","items":["从原始曲面工程化出 25 个特征因子","需求强弱 / 竞品相对位置 / 库存压力","季节与事件 / 点评动量 …","量化交易里它们叫 alpha","既是模型输入,也是归因分析的对象"]},{"title":"三张 PIT 经验表","items":["本店历史经验表 · 79 列 · 12 大类指标","订单累积曲线表 · 60 列 · 怎么一点点订满","库存压力表 · 30 列 · 还剩多少、清仓压力多大","库存压力读数:−0.45=稀缺该涨 / +0.97=清仓该降","把老收益经理脑子里那本\"经验账本\"全量化"]}],"note":"行业熟悉的在册房量图、SPIT 图、Pickup 曲线,其实都只是同一张曲面的一维切片。只盯一张图建模,就丢掉了另一个维度——这正是一维时间序列方法的天花板。","script":"讲数据。\n一条订单数据,其实带着两个日期:客人住哪天,和你哪天看到这条订单。大多数系统只用了其中一个,等于把一张立体的地形图,压成了一条线。\n国际同行 Cloudbeds 做了件对的事,把这张地形图还原了出来,叫时间曲面。我们完全认同,并且在它上面盖了一座更厚的楼,我们叫它数据立方。\n第一层,多渠道。中国的房同时挂在携程、美团、飞猪,每个渠道单独算一张曲面。这里有个真实发现很有意思:携程订单取消的中位时长是十四个半小时,比完价很快就改主意;飞猪呢,中位时长长达约两千九百小时,差不多一百二十一天,都是临到入住才退。这种差异,直接喂给了我们的取消概率模型。\n第二层,二十五个 alpha 因子,覆盖需求、竞品、库存、季节、点评动量。\n第三层,也是最见功力的——三张经验表。本店历史经验七十九列、订单累积曲线六十列、库存压力三十列。一个真实读数:库存压力分负零点四五,是稀缺,该涨价;正零点九七,是清仓压力大,该降价。\n这三张表合起来,等于把一个老练收益经理脑子里那本经验账本,全部量化成了机器能读的数字。"},{"id":"wp-pit","kind":"skill-contract","eyebrow":"POINT-IN-TIME · 不许偷看答案","title":"PIT 铁律 · 四层数据 绝不一锅乱炖","subtitle":"回测时若用了\"未来才知道的数据\",成绩会好得不真实 — 就像考试前偷看了答案","fields":[{"key":"训练层","label":"只用 as_of_date ≤ cutoff 的数据(默认=昨天)","sample":"夜间重训 + 所有 train_*.py"},{"key":"市场层","label":"today 当天能看到的竞品 / EWI / regime 信号","sample":"实时推理"},{"key":"决策层","label":"today + 未来入住日的 OTB / 库存 / 竞品价","sample":"实时优化器"},{"key":"验证层","label":"业务已收口的 stay_date < today","sample":"回放 + 收益审计"}],"note":"由 training-cutoff 模块强制(cutoff ≥ today 直接硬报错),ops:training-cutoff-check 每天扫所有面板。首次运行就抓到过真实污染:夜间任务曾把\"今天+30天\"的未来日期写进快照。","script":"这一页讲整套系统最容易翻车、也最见功力的地方——防止用未来预测过去。\n打个比方:回测的时候,如果不小心用了\"未来才知道的数据\"去训练模型,跑出来的成绩会好得不真实,就像你考试前偷看了答案。在量化交易里,这种回测会给你一条完美但虚假的收益曲线,然后让你在真实市场上亏光。\n我们把\"绝不偷看答案\"做成了一条铁律,把四层数据严格分开,绝不一锅乱炖。\n训练层,只能用昨天以前、也就是当时真看得到的数据。\n市场层,只看今天当天能看到的竞品和行情信号。\n决策层,可以看今天加上未来入住日的库存和竞品价。\n验证层,只用已经收口、板上钉钉的过去结果。\n这条铁律由一个共享模块强制执行,你要是敢把截止日设成今天甚至未来,它直接硬报错。还有一个巡检命令,每天扫描所有训练面板。\n这套巡检第一次运行,就真的抓到过一次数据污染:夜间任务曾经把\"今天加三十天\"的未来日期,写进了特征快照。抓出来重新导出,才修好。这就是较真的价值。"},{"id":"wp-models","kind":"signals-grid","eyebrow":"MODEL POOL · 治理下的模型池","title":"不是一个模型 · 是三套各司其职的模型","subtitle":"跟量化基金同时跑\"主策略 + 在研策略 + 风控执行\",是一个道理","columns":[{"title":"核心层 / Core · 当前 v7","items":["生产主力,追求稳健与一致","契约禁止用竞品/ARI/EWI 等高方差因子","只用扎实的本店与需求信号","它就是当前的\"冠军\"","出租率 MAPE 20.72%(见实证页)"]},{"title":"挑战者层 / Challenger · 当前 v8","items":["在研模型,允许 25 因子全开","权重被限制(cap 0.3)","只在影子模式运行","输出预测、写对比记录","不接管真实决策 — 直到回测证明它更好"]},{"title":"决策适配器 / Adapter · P7","items":["一个纯函数层:把预测翻译成动作","清仓压力 ≥ +0.5 → 降幅封顶 30%","稀缺 ≤ −0.5 → 涨幅封顶 35%","竞品价超 6 小时未更新 → 强制收紧 ±5%","对标 Marriott:14 天观察 + 每 7 天放 25% 权重"]}],"note":"三层各有明确契约(model_role_registry)。这套\"渐进放权\"的纪律,对标的是 Marriott 2023 投资者日披露的模型上线节奏——约 35 天才升到最大权重。","script":"我们不是训一个最强的模型,然后从头信到尾。我们养了三套各司其职的模型,就像一家量化基金,同时跑主策略、在研策略和风控执行。\n第一套,核心层,现在是 v7,是生产主力,追求稳健。它有个反直觉的规矩:契约上禁止它使用竞品、EWI 这种高方差、容易漂移的市场情绪因子,只让它用扎实的本店和需求信号。它就是当前的冠军。\n第二套,挑战者层,现在是 v8,是在研选手,允许它把二十五个因子全开、用更激进的打法。但它的权重被死死限制,而且只在影子模式里跑——它每天输出预测、写进对比记录,但不接管任何真实决策,直到它在回测里证明自己真的更好。\n第三套,决策适配器,是一个纯函数层,负责把预测翻译成动作,还要实时上保险:清仓压力大的时候,降价幅度封顶三成;库存稀缺的时候,涨价封顶三成五;竞品价超过六小时没更新,强制收紧到正负五个点。\n这套渐进放权的纪律,对标的是万豪二三年投资者日披露的上线节奏:新模型先观察十四天,之后每七天放开四分之一权重,大概三十五天才升到满权重。"},{"id":"wp-multihead","kind":"skill-contract","eyebrow":"MULTI-HEAD · 一次预测六件事","title":"一个好的收益经理 脑子里同时算好几件事","subtitle":"我们的模型也一样 — 一次前向同时输出六个业务目标,不只盯出租率一个数","fields":[{"key":"occ","label":"出租率","sample":"MAPE 20.72%(v7)"},{"key":"adr","label":"平均房价","sample":"接入净 RevPAR 计算"},{"key":"revpar","label":"每可售房收入","sample":"方向命中 88%(v7)"},{"key":"ctrip_share","label":"携程渠道占比","sample":"渠道结构预测"},{"key":"cancel","label":"取消概率 ★","sample":"ROC-AUC 0.821 / Brier 0.151 · 9144 单 / 16% 取消"},{"key":"sellout","label":"卖空概率 ★","sample":"ROC-AUC 0.830 / Brier 0.095 · PR-AUC 较基线 2.9 倍"}],"note":"后两个头——取消概率和卖空概率——是大多数预测系统完全没有的。一个有 30% 取消概率的\"满房\"其实没满;一个卖空概率高的日子,该提前涨价而不是促销。","script":"一个好的收益经理,脑子里从来不是只算一件事。他同时在想:明天大概住几成?均价能撑多少?这单会不会被取消?会不会突然就卖空了?\n我们的模型也一样,它是一个多头模型,一次抬头,同时预测六个目标。\n出租率、平均房价、每可售房收入、携程渠道占比,这是前四个。\n真正值钱的是后两个,大多数预测系统根本没有。\n一个是取消概率。它的判别能力 ROC-AUC 是零点八二一,在九千一百多单、一成六取消率的真实数据上训练出来。一个有三成取消概率的满房,其实根本没满。\n另一个是卖空概率,ROC-AUC 零点八三,比基线改善了快三倍。一个卖空概率很高的日子,你应该提前涨价,而不是傻乎乎地促销。\n把这两件事做成独立的、经过严格时序切分训练的概率模型,是我们决策质量的一个关键来源。"},{"id":"wp-regime","kind":"regime-strip","eyebrow":"MARKET REGIME · 六档市场状态","title":"六种市场天气 · 六套定价护栏","subtitle":"一套规则打天下是错的 — 再有信心的策略,也要被仓位/回撤上限约束","regimes":[{"code":"distress","label":"极度低迷","tone":"cold","tactic":"追低价抢出租;不低于 max(竞品最低×0.78, 均价×0.72)"},{"code":"slack","label":"低迷","tone":"cool","tactic":"紧贴最低同行;不低于 max(竞品最低×0.92, 均价×0.85)"},{"code":"normal","label":"正常","tone":"neutral","tactic":"同行均价做锚,精修个位数"},{"code":"tight","label":"偏紧","tone":"warm","tactic":"比同行稍高,小赚利润"},{"code":"surge","label":"旺","tone":"hot","tactic":"提前涨价 8%–15% 锁高位"},{"code":"extreme-surge","label":"极端旺季","tone":"extreme","tactic":"稀缺定价,试探价格上沿"}],"note":"分类器综合起售价售罄占比、点评动量、天气信号、价格分布判定。八条自动调价禁区是绝对的\"不许做\"——比如满房禁止降价、竞品数据失效禁止激进调价。","script":"我不相信一套规则能打天下。市场每小时在变,策略也要每小时换。\n我们把市场分成六种天气。\n最冷,极度低迷。这种天我们抢的不是利润,是出租率,降价线放得最宽,但也不是没底——不能低于竞品最低价的七成八。\n稍暖一点,低迷,紧贴对手最低价。\n然后是正常,以同行均价做锚,精修个位数。\n再上去,偏紧,比同行稍高,小赚一点。\n再热,旺季,提前涨价八到十五个点,锁住高位别让对手先涨。\n最热,极端旺季,稀缺定价,允许去试探价格的上沿。\n六种天气、六套护栏,每一档都是从真实数据里学出来的,不是我们拍脑袋定的。\n这就是量化交易里的风控层,搬到定价场景:再有信心的策略,也得被仓位和回撤上限约束住。另外还有八条绝对禁区,无论模型怎么建议都会被拦下,比如满房的时候,绝对不许降价。"},{"id":"wp-loop","kind":"self-evolve","eyebrow":"GOVERNANCE LOOP · 治理闭环","title":"每天自动跑一遍的 11 步闭环","subtitle":"像基金公司管策略一样管模型:回测 → 跑赢冠军才有资格 → 影子试跑 → 确认更好才换人","timeline":[{"time":"①","step":"粘贴/同步当日经营数据(PMS)"},{"time":"②","step":"同步携程/美团/飞猪三个 OTA 的价格与订单"},{"time":"③","step":"回填上一轮决策的真实收益(reward backfill)"},{"time":"④","step":"物化已实现指标(realized metrics)"},{"time":"⑤","step":"重建 PIT 特征面板"},{"time":"⑥","step":"训练核心 v7"},{"time":"⑦","step":"训练挑战者 v8(影子)"},{"time":"⑧","step":"Walk-forward 回测四路对比"},{"time":"⑨","step":"三层晋升门判定(MAPE/方向/覆盖率/竞品新鲜度 四关)"},{"time":"⑩","step":"OPE 离线策略评估(SWITCH 等估计器)"},{"time":"⑪","step":"生成次日决策卡 + 写审计"}],"note":"晋升门四关:① MAPE 不差超 1pp;② 方向命中回退不超 5pp;③ 区间覆盖率 ≥ 70%;④ 竞品数据新鲜 < 6 小时。任何一关不过 → keep_champion。由 ops:daily-iteration-status 巡检,11 步全绿才健康。","script":"把前面所有环节串起来,就是这套系统每天自动跑一遍的十一步闭环。这也是无生云枢跟普通预测系统最不一样的地方:普通系统训完模型就上线了,我们像基金公司管策略一样管模型。\n第一到第五步,是数据准备:同步当天经营数据,同步三个 OTA 的价格订单,回填上一轮决策的真实收益,物化指标,重建特征面板。\n第六、第七步,训练:核心 v7 和挑战者 v8 一起练。\n第八步,走一遍前向滚动回测,四个模型同台对比。\n第九步,最关键的晋升门。挑战者想上岗,得连过四关:预测误差不能比冠军差超过一个百分点、方向命中不能回退超过五个点、区间覆盖率要到七成、竞品数据新鲜度要在六小时内。四关只要有一关不过,系统就判定保持冠军,挑战者继续在旁边影子跑。\n第十步,离线策略评估,等会儿专门讲。第十一步,生成第二天的决策卡,写进审计。\n这十一步,有专门的巡检盯着,全绿才算健康。它就是这套系统活着的心跳。"},{"id":"wp-honest","kind":"old-vs-new","eyebrow":"HONEST SELF-PROOF · 诚实自证","title":"我们最想让你看到的 一节","subtitle":"花大力气训的\"更先进\"的 v8,在新棠真实回测里 — 跑输了更朴素的 v7。我们不藏。","columns":[{"title":"挑战者 v8 · 技术更先进","accent":"muted","items":[{"tag":"更先进","text":"启用 25 量化因子 + 多头 + CQR 分位回归校准"},{"tag":"却跑输","text":"出租率 MAPE 22.77% — 输给了 v7 的 20.72%"},{"tag":"净 RevPAR 方向","text":"83.3% — 也低于 v7 的 90%"},{"tag":"系统裁决","text":"自动判定 keep_champion,让 v8 继续影子运行,不接管决策"}]},{"title":"冠军 v7 · 更朴素却更好","accent":"highlight","items":[{"tag":"本店历史是主粮","text":"消融实验:本店历史贡献 71.29% 预测力,订单/库存 20.40%,合计 91.7%"},{"tag":"加特征是负 ROI","text":"小数据下,103 特征反而比 119/128 特征更好(round 3/4/5/6 四轮验证)"},{"tag":"维度诅咒","text":"花哨的竞品/数据中心因子,单独贡献都不到 0.5%"},{"tag":"这就是护城河","text":"敢自动说\"你的新模型没更好\"的系统,比\"实验室 99% 准确率\"更值得托付"}]}],"note":"透明度,是我们相对 Duetto、IDeaS 等顶级黑箱系统的真正反超点——我们的每个决策都带原因码、候选项、可解释评分,而它们不给。","script":"这一页,是我们最想让您看到的一节,也是这套系统的灵魂。\n我们花了大力气,训了一个技术上更先进的挑战者模型 v8——它启用了全部二十五个量化因子、多头、还有更高级的分位回归校准。\n结果呢?在新棠的真实回测里,它跑输了。它的出租率预测误差是二成二七七,输给了更朴素的冠军 v7 的二成零七二;净 RevPAR 的方向命中,也低于 v7。\n绝大多数厂商,会把这种结果藏起来,只报喜不报忧。我们不但报,还让系统自动根据这个结果,拒绝上线 v8。\n我们做了诚实的归因,结论同样反直觉:本店自己的历史经验,贡献了七成一的预测力;那些花里胡哨的竞品因子,单独贡献都不到半个百分点。在一家店一年多这种小数据规模下,盲目加特征,常常是负回报——我们用四轮独立实验反复验证了\"一百零三个特征,反而比一百二十八个更好\"。\n一套能够、并且愿意自动告诉你\"你新训的模型其实没更好、别再盲目加特征了\"的系统,比任何实验室里九成九准确率的营销话术,都更值得托付。这份透明,就是我们相对那些黑箱旗舰系统的真正反超点。"},{"id":"wp-results","kind":"flagship-intro","eyebrow":"EVIDENCE · 新棠真实回测","title":"所有数字 来自新棠真实回测 一行没编","subtitle":"30 天滚动窗口 · 提前 7 天预测入住日 · n=30 · 2026-05-28 真实回测","rows":[{"metric":"20.72","unit":"% MAPE","desc":"冠军 v7 出租率预测误差 — 从朴素基线 34.51% 降下来,相对降幅约 40%"},{"metric":"90","unit":"% 方向命中","desc":"净 RevPAR 方向命中率(v7);偏差从 15.68pp 收窄到 4.35pp,缩小 3.6 倍"},{"metric":"17.6","unit":"% 空置风险","desc":"高估导致空置的风险 — 从 cascade 的 53.8% 压下来,直接对应少压货、少空房"}],"benchmark":["对标 · v6 起售价基线 MAPE 34.51%(朴素)","对标 · cascade 级联 MAPE 30.38%(中间方法)","对标 · v8 挑战者 MAPE 22.77%(影子,跑输)","对标 · Duetto / IDeaS / PriceLabs / STR 世界级基准","区间覆盖率 66.7% → 76.7%,带量化专用 pinball / WIS 指标"],"script":"这一页只看真实成绩单。所有数字,来自二零二六年五月二十八号的真实回测文件,一行没编。这是一个三十天的滚动窗口,提前七天预测入住日。\n第一个数,二十点七二,是冠军 v7 的出租率预测误差。它把误差从朴素基线的三成四五一,压到了两成零七二,相对降幅大概四成。更难得的是偏差,从十五点六八个百分点,收窄到四点三五,缩小了三点六倍。\n第二个数,九十,是净 RevPAR 的方向命中率。这意味着该涨还是该降这个大方向,系统十次能对九次。\n第三个数,十七点六,是\"高估导致空置的风险\"。这个数从级联方法的五成三八,一路压到不到两成。它直接对应到真金白银——少压货、少空房。\n中间这个仪表盘,转的是四百三十四,新棠真实 PMS 全量回测的天数。右边是我们的对照组:从最朴素的起售价基线,到级联,到跑输的挑战者 v8,再到世界级的 Duetto、IDeaS。我们不挑对手,全摆出来比。"},{"id":"wp-uplift","kind":"results-hero","eyebrow":"SCALED UPLIFT · 规模化验证","title":"434 天反事实回测 · 净 RevPAR 到底提升多少","subtitle":"把每天的真实定价替换成系统建议,重算净 RevPAR — 超额收益集中在市场两端","hero":[{"big":"+5.26","unit":"%","cap":"全局净 RevPAR 提升 · 434 天全量","trend":[30,38,44,52,50,62,70,82,92,100]},{"big":"+18.40","unit":"%","cap":"市场低迷 distress 档 · 主动追低价抢出租","trend":[20,28,35,45,52,60,75,88,95,100]},{"big":"+13.46","unit":"%","cap":"极端旺季 extreme-surge 档 · 提前涨价吃满需求","trend":[25,33,40,50,58,67,78,86,94,100]},{"big":"90","unit":"% 命中","cap":"净 RevPAR 方向命中率(v7 冠军)","trend":[62,66,70,74,78,82,85,87,89,90]}],"secondary":[{"kv":"0.821","label":"取消概率 ROC-AUC"},{"kv":"0.830","label":"卖空概率 ROC-AUC"},{"kv":"16%","label":"OTA 渠道佣金口径"},{"kv":"¥30","label":"每间已售房变动成本"}],"script":"单看一天不算数。我们把系统在四百三十四天里、每天都听它的会怎样,整体跑了一遍,和\"沿用历史定价\"对比,这叫反事实回测。\n全局,净 RevPAR 提升五点二六个百分点。\n但更有意思的是,这个提升不是平均撒在每天的,它高度集中在市场的两端。\n市场低迷的时候,提升高达十八点四个百分点——这种时候对手都在赔、都在死扛,我们主动追低价、抢出租率,抢的是市占。\n极端旺季的时候,提升十三点四六个百分点——这种时候我们提前涨价,吃满需求。\n正常档位的提升,反而很温和。这完全符合预期:收益管理的超额收益,本来就来自识别并利用极端行情,正像量化交易的 alpha,主要来自市场错定价的尾部。\n下面四个小数字也别错过:取消和卖空概率的判别力都在零点八二以上,佣金按一成六、每间房变动成本按三十块——这两个常数,就是我们和\"只看流水\"的系统的分水岭。\n最后诚实标一句:这是反事实回测的估计值,真正的最优定价,还要进一步隔离取消、no-show 等因素,这是我们后续的工作。"},{"id":"wp-case","kind":"decision-room","eyebrow":"CASE STUDY · 一个完整决策","title":"5/25 日报 进来 · 5/26 早上 一张决策卡","subtitle":"把整套系统,拉到一个具体的早晨 — 用的是新棠真实日报","mock":{"regime":"SLACK","regimeLabel":"低迷档 · SLACK · 库存压力为负","recommend":"−4.9%","recommendNote":"5/26 BAR 价 ¥243.94 → ¥232.05,动作类型 = 促销(promo);原因:月目标压力高 + 库存压力分 −16.2 + 当前出租率偏低,建议主动让价抢量","signals":[{"name":"5/25 真实 ADR","value":"¥243.94"},{"name":"已售 / 出租率","value":"20 间 / 30%"},{"name":"月累计 / 月目标","value":"29.1万 / 43.5万"},{"name":"当日取消 / 钟点房","value":"6 单 / 2 间"},{"name":"可售房","value":"50 / 53"},{"name":"库存压力分","value":"−16.2(清仓压力)"}]},"script":"把前面讲的所有东西,拉到一个具体的早晨。\n五月二十五号,新棠的真实日报进来了:这天已经卖了二十间,出租率三成,当天的平均房价是二百四十三块九毛四。月累计收入二十九万一,而月目标是四十三万五——月目标压力很明显。当天还取消了六单,有两间钟点房,可售房五十间。\n系统当晚算了一遍:先判断市场状态,结合库存压力表,发现这天清仓压力偏大,压力分是负十六点二;然后收益优化器做网格搜索,找期望净 RevPAR 最高的那个价;最后过一遍护栏和八条禁区。\n第二天早上,决策卡出来了:把价格从二百四十三块九毛四,下调到二百三十二块零五,下调百分之四点九,动作类型是促销。原因码写得清清楚楚:月目标压力高、库存压力为负、当前出租率偏低,建议主动让价抢量。\n你看这张卡——它可执行,精确到价;可解释,带原因码;有护栏,在低迷档下限之内;可审计,写进了决策日志;还可复盘,七天后会自动回填真实结果来验证。五个属性齐了,这就是决策云枢,和预测引擎的差别。"},{"id":"wp-platform","kind":"platform-grid","eyebrow":"PLATFORM · 为什么是\"云枢\"","title":"酒店收益 只是 装在云枢上的第一个 App","subtitle":"控制面 / 数据面分离 — 借鉴 Kubernetes、Kafka、Istio 过去十年云原生的共识","grid":[{"dot":"cyan","title":"控制面 = 无生云枢本体","desc":"多租户隔离、权限与数据范围、Agent 生命周期、工具白名单、审计、计量计费、合规视图"},{"dot":"blue","title":"数据面 = 实际执行引擎","desc":"当前为 OpenClaw:LLM 调用、工具选择、浏览器自动化、工作区 — 与控制面解耦"},{"dot":"purple","title":"多租户隔离 + 审计","desc":"所有读取强制带 tenant_id,PostgreSQL 行级安全 RLS 兜底;每个决策写入不可变审计"},{"dot":"pink","title":"四层权限交集","desc":"有效范围 = 租户技能 ∩ 员工范围 ∩ 智能体范围 ∩ 工具声明 — 任一层关闭就过不去"},{"dot":"orange","title":"跨引擎可移植(护城河)","desc":"今天 OpenClaw,明天可换 Anthropic / OpenAI / Coze / 国产引擎 — 不被单一厂商锁死"}],"script":"前面五章,讲的都是\"酒店收益决策\"这一个技能。但无生云枢本身,是一个更大的东西——它是一个 AI 技能的操作系统,酒店收益决策,只是装在上面的第一个、也是最成熟的一个 App。\n它的第一原则,借鉴了过去十年云原生基础设施的共识,比如 Kubernetes、Kafka、Istio——控制面和数据面分离。\n控制面,就是无生云枢本体,管的是多租户隔离、权限、Agent 生命周期、工具白名单、审计、计费、合规。\n数据面,是实际干活的 AI 引擎,现在是 OpenClaw,负责大模型调用、工具选择、浏览器自动化。\n因为站在这个平台上,酒店技能天然就拿到了企业级保障:所有数据读取强制带租户标识,由数据库行级安全兜底,A 集团永远看不到 B 的数据;每个决策都写进不可变审计;权限是四层交集,任何一层关掉就过不去。\n还有最关键的一条护城河:跨引擎可移植。今天用 OpenClaw,明天可以换成别的引擎,只要实现同样的契约。对企业客户来说,这种\"不被单一厂商锁死\"的灵活,是采购时最看重的卖点之一。"},{"id":"wp-conclusion","kind":"old-vs-new","eyebrow":"CONCLUSION · 范式三级跳","title":"预测准 只是入场券","subtitle":"把\"预测 → 决策 → 执行 → 复盘\"闭成一个有治理、能复利的环,才是收益管理的终局","columns":[{"title":"三级跃迁","accent":"highlight","items":[{"tag":"第一级","text":"从一维到二维 — 行业当一维时间序列,Cloudbeds 指出它是二维时间曲面。我们完全继承"},{"tag":"第二级","text":"从预测到决策 — 升级为治理决策云枢,补上被忽略的净 RevPAR,钉为目标函数"},{"tag":"第三级","text":"量化交易式治理 — PIT 回测、冠军挑战者门、影子部署、OPE,以及诚实自证文化"}]},{"title":"新棠印证这条路径","accent":"muted","items":[{"tag":"预测","text":"出租率 MAPE 从 34.51% 降到 20.72%"},{"tag":"决策","text":"净 RevPAR 方向命中 90% · 434 天反事实 +5.26%(低迷 +18.40% / 极端旺季 +13.46%)"},{"tag":"诚实","text":"当 v8 跑输 v7,系统诚实地维持了冠军 — 这种诚实,本身就是产品价值的一部分"}]}],"note":"一套契约,多个技能:同一套治理/计费/审计/隔离之上,正生长出银行流水对账、企业知识库、法务助手。你采购的不是一个工具,是一个能装下整个企业 AI 技能矩阵的操作系统的第一个应用。","script":"讲到这里,做个总结。这份白皮书论证的,是酒店收益管理的一次范式三级跳。\n第一级,从一维到二维。行业过去把订单当一维时间序列,Cloudbeds 正确地指出它其实是二维的时间曲面。这一步我们完全认同、完全继承。\n第二级,从预测到决策。我们把视角从预测引擎,升级为治理决策云枢,交付的不是一个更准的数字,而是一个可执行、可解释、有护栏、可审计、可复盘的决策;并且补上了几乎所有系统都忽略的、最重要的那个指标——净 RevPAR,把它钉死成目标函数。\n第三级,把量化交易几十年的工程纪律,整套搬进定价:防穿越的回测、冠军挑战者晋升门、影子部署、离线策略评估,以及最重要的——诚实自证的文化。\n新棠的真实成绩,印证了这条路径:预测误差从三成四降到两成,净 RevPAR 方向命中九成,四百三十四天反事实回测提升五点二六个百分点。而当挑战者跑输冠军时,系统诚实地维持了冠军。这种诚实,本身就是产品价值的一部分。\n预测准,只是入场券。把预测、决策、执行、复盘闭成一个有治理、能复利的环,才是收益管理的终局。"},{"id":"wp-contact","kind":"contact","eyebrow":"CONTACT · 联系与复核","title":"无生云枢 · 酒店 AI 收益决策云枢","subtitle":"欢迎技术评估、投资评估、以及懂行的酒店收益团队联系与现场复核","lines":["公司 · 无生云枢(常州)","官网 · https://wszn.czrgznxh.com/","本白皮书 · https://wszn.czrgznxh.com/whitepaper.html","可复核依据 · backtest-compare-xin-tang-2026-05-28.json(表 1/表 2 原始回测)","内部依据 · modules/hotel-price-monitor/CLAUDE.md · docs/constitution/platform/00-positioning.md"],"qrCaption":"扫码加微信 · 我们欢迎您的技术团队现场抽样、回放任意一个决策日","ctaText":"回首页看完整平台 →","script":"感谢您读完这份白皮书。\n如果您是技术评估方、投资评估方,或者一个懂行的酒店收益团队——\n这份白皮书里的每一个数字,我们都欢迎您现场复核。表一、表二的原始回测数据,在项目里有一个独立的 JSON 文件;算法目标、净 RevPAR 的两个常数、六档市场状态、四百三十四天的回测口径,在模块文档里写得清清楚楚。任意一个决策日、任意一项指标,我们都可以回放给您看。\n这是我们和那些\"实验室里九成九准确率\"的黑箱系统,最不一样的地方:我们的每一个数字,都可独立复核;我们的每一个决策,都带原因码、候选项、可解释评分。\n扫一下旁边的二维码,加我微信,我们一对一聊。\n我们是无生云枢,常州的小团队,做的事情其实很简单——\n把\"预测、决策、执行、复盘\"这件事,闭成一个有治理、能复利的环。\n这,就是无生云枢酒店 AI 收益决策云枢。我们下一站见。"}],"branding":{"company":"无生云枢","tagline":"酒店 AI 收益决策云枢 · 技术白皮书","qrcodePath":"/assets/images/qrcode-wechat.png"},"voiceEnabled":true,"chatEnabled":true,"deck":"whitepaper"}