Емпирична оценка на модели за прогнозиране на търсенето при ценови промени: от класически статистически подходи към алгоритми с машинно обучение

Abstract

В съвременната търговия на дребно честите ценови промени – както намаления (промоции), така и увеличения, са основен двигател на пазарната динамика и представляват критично предизвикателство за управлението на запасите. В настоящата публикация се извършва сравнителен анализ на пет различни класа модели за прогнозиране на търсенето на бързооборотни стоки в условията на висока ценова волатилност. Обхващат се класически статистически модел (SARIMAX), базови модели на машинното обучение (линейна регресия), ансамблови модели (Random Forest) и специализирани адитивни (Prophet) и невронно-мрежови модели (NeuralProphet). Прилага се методология на Rolling Origin Evaluation, при която прогнозите се генерират за хоризонти от 7, 14 и 21 дни след настъпването на три последователни ценови промени. Резултатите, оценени чрез медианна абсолютна грешка (MedAE) и средна абсолютна процентна грешка (MAPE), категорично показват, че нелинейните модели, базирани на невронни мрежи (NeuralProphet) и ансамбли (Random Forest), постигат значително по-висока точност спрямо останалите подходи. Изводите потвърждават хипотезата, че способността за моделиране на нелинейни зависимости и използването на авторегресионни (lagged) компоненти са ключови за успешното прогнозиране на търсенето в динамична ценова среда.