二手电子产品多时间跨度价格预测中的深度学习与统计模型：系统性基准测试
Deep Learning vs. Statistical Models for Multi-Horizon Price Forecasting of Second-Hand Electronics: A Systematic Benchmark
精选理由
系统比较二手电子产品多步价格预测模型，为不同预测周期的选型与定价风控提供依据。
AI 摘要
arXiv:2610.10727v1 公告类型：cross 摘要：预测二手电子产品的转售价格对于订阅制平台至关重要，因为定价误差会直接转化为风险。不同于结构化金融市场，二手电子产品呈现出高波动性、稀疏的挂牌历史以及非正态价格动态，然而该领域尚不存在系统性的时间序列基准。本文提出首个用于二手电子产品价格预测的统计模型与深度学习模型多时间跨度基准。我们使用来自波兰在线市场的大规模每日价格挂牌数据集（2022年1月至2025年3月，涵盖100多种智能手机和笔记本电脑型号），并在从1天到365天的六个预测跨度上评估11种模型，包括经典方法（ARIMA、ETS、Theta）、循环网络和卷积网络（LSTM、TCN），以及现代深度架构（N-BEATS、N-HiTS、TFT、PatchTST、Informer）。三种互补的评估方案分别评估轨迹拟合度、一次性终点预测准确率和跨跨度迁移能力。在超过30天的预测跨度上，N-BEATS取得最低的MAPE，在365天时达到8.51%，而最佳统计基线为14.94%，降低了43%。在较短跨度（1—7天）上，所有模型的表现均趋近于0.72%的MAPE，朴素基线仍具有竞争力。一个在365天跨度上训练的N-BEATS模型能够泛化到所有更短跨度，从而无需针对不同预测跨度分别训练模型。N-BEATS和N-HiTS还展现出更优的超参数稳定性。