論文の概要: Deep Learning vs. Statistical Models for Multi-Horizon Price Forecasting of Second-Hand Electronics: A Systematic Benchmark

• arxiv url: http://arxiv.org/abs/2610.10727v1
• Date: Wed, 07 Oct 2026 18:05:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.621668
• Title: Deep Learning vs. Statistical Models for Multi-Horizon Price Forecasting of Second-Hand Electronics: A Systematic Benchmark
• Title（参考訳）: 第二波電子のマルチ水平価格予測のためのディープラーニングと統計的モデル:システムベンチマーク
• Abstract要約: 本稿では,応用電子価格予測のための統計・ディープラーニング予測モデルの最初のマルチホライゾンベンチマークを提案する。 ポーランドのオンラインマーケットプレースから毎日の価格リストの大規模なデータセットを使用します。 3つの相補的評価プロトコルは、軌道適合性、ワンショットエンドポイント精度、水平移動を評価する。
• 参考スコア（独自算出の注目度）: 1.5658704610960574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting resale prices of used electronics is critical for subscription-based platforms where pricing errors translate directly into risk. Unlike structured financial markets, second-hand electronics exhibit high volatility, sparse listing histories, and non-normal price dynamics - yet no systematic time-series benchmark exists for this domain. This paper presents the first multi-horizon benchmark of statistical and deep learning forecasting models for used electronics price prediction. We use a large-scale dataset of daily price listings from Polish online marketplaces (January 2022 to March 2025, 100+ smartphone and laptop models) and evaluate eleven models across six horizons from 1 to 365 days, covering classical methods (ARIMA, ETS, Theta), recurrent and convolutional networks (LSTM, TCN), and modern deep architectures (N-BEATS, N-HiTS, TFT, PatchTST, Informer). Three complementary evaluation protocols assess trajectory fitness, one-shot endpoint accuracy, and cross-horizon transfer. N-BEATS achieves the lowest MAPE beyond 30 days, reaching 8.51% at 365 days versus 14.94% for the best statistical baseline - a 43% reduction. At short horizons (1-7 days), all models converge near 0.72% MAPE and the naive baseline remains competitive. A single N-BEATS model trained at 365 days generalizes to all shorter horizons, eliminating the need for horizon-specific models. N-BEATS and N-HiTS also demonstrate superior hyperparameter stability.
• Abstract（参考訳）: 価格エラーが直接リスクになるサブスクリプションベースのプラットフォームでは、中古電子製品の再販価格の予測が不可欠である。 構造化された金融市場とは異なり、中古電子は高いボラティリティ、スパースリストの履歴、非正規価格のダイナミクスを示すが、この領域には体系的な時系列ベンチマークは存在しない。 本稿では,応用電子価格予測のための統計・ディープラーニング予測モデルの最初のマルチホライゾンベンチマークを提案する。 ポーランドのオンラインマーケットプレース(2022年1月から2025年3月まで、100以上のスマートフォンとラップトップモデル)から毎日の価格の大規模なデータセットを使用して、古典的手法(ARIMA、ETS、Theta)、再帰的・畳み込み型ネットワーク(LSTM、TCN)、モダンなディープアーキテクチャ(N-BEATS、N-HiTS、TFT、PatchTST、Informer)をカバーする6つの地平線をまたいだ11のモデルを評価します。 3つの相補的評価プロトコルは、軌道適合性、ワンショットエンドポイント精度、水平移動を評価する。 N-BEATSは30日を超えて最低のMAPEを達成し、365日で8.51%に達したが、統計ベースラインでは14.94%、減少率は43%だった。 短地平線(1-7日)では、全てのモデルが0.72%のMAPE近くで収束し、単純なベースラインは競争力を維持している。 365日で訓練された単一のN-BEATSモデルは、すべての短い地平線に一般化し、地平線固有のモデルを必要としない。 N-BEATSとN-HiTSも優れたハイパーパラメータ安定性を示す。

関連論文リスト

• Foundation models for electricity price forecasting and battery arbitrage: Can they replace market-specific forecasting models? [1.9336815376402718]
  ファンデーションモデルは、タスク固有のトレーニングがほとんどあるいは全くない正確な予測を約束するが、電気価格予測に特化したモデルを置き換えることができるかどうかは不明だ。 ゼロショットモードで評価された5つのファウンデーションモデルファミリーの9つの変種と、2021年から2025年にかけてドイツ、ポーランド、スペインの2つの最先端の電力価格予測ベンチマークを比較した。 TabPFNモデルのみが3つの市場すべてでベンチマークを上回っている。
  論文  参考訳（メタデータ） (2026-08-31T12:43:04Z)
• Increase Alpha: Performance and Risk of an AI-Driven Trading Framework [0.0]
  金融市場は非効率で、価格、ボリューム、断続的な関係が明らかにされていない。 increase Alphaでは、800以上の米国株を毎日の方向信号にマッピングするディープラーニングフレームワークを構築しました。 私たちは、透過的で業界標準のメトリクスを通してリアルタイムのパフォーマンスを評価します。
  論文  参考訳（メタデータ） (2025-09-20T14:37:02Z)
• Kronos: A Foundation Model for the Language of Financial Markets [42.048823655500115]
  金融Kラインモデリングに適した,統一的でスケーラブルな事前学習フレームワークであるKronosを提案する。 Kronosは、継続的な市場情報をトークンシーケンスに識別し、価格ダイナミクスと取引活動パターンの両方を保存する。 我々はKronosを、45のグローバル取引所から120億以上のKラインレコードの巨大なマルチマーケットコーパスで自己回帰目標を用いて事前訓練する。
  論文  参考訳（メタデータ） (2025-08-02T13:15:59Z)
• Benchmarking Pre-Trained Time Series Models for Electricity Price Forecasting [1.1557852082644071]
  我々は、電力価格予測のための確立された統計および機械学習(ML)手法に対して、最先端の事前訓練モデルをいくつかベンチマークする。 ドイツ、フランス、オランダ、オーストリア、ベルギーの2024日の日頭オークション(DAA)の電力価格を用いて、1日当たりの予想を下方修正する。 Chronos-BoltとTime-MoEはTSFMの中でも最強で、従来のモデルと同等のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-06-09T18:10:00Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI [41.99446024585741]
  Weak Innovation AutoEncoderをベースとしたGenerative Probabilistic ForecastingアーキテクチャであるWIAE-GPFを提案する。 構造収束を保証する新しい学習アルゴリズムを提案し、生成した予測サンプルが基底真理条件付き確率分布と一致することを保証した。
  論文  参考訳（メタデータ） (2024-03-09T00:41:30Z)
• SMPLer-X: Scaling Up Expressive Human Pose and Shape Estimation [83.18930314027254]
  表現的人間のポーズと形状推定(EHPS)は、身体、手、顔の動きを多数の応用で統合する。 本研究では,VT-Huge をバックボーンとする第1次一般基礎モデル (SMPLer-X) に向けた EHPS のスケールアップについて検討する。 ビッグデータと大規模モデルにより、SMPLer-Xは、さまざまなテストベンチマークにまたがる強力なパフォーマンスと、目に見えない環境への優れた転送性を示す。
  論文  参考訳（メタデータ） (2023-09-29T17:58:06Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
  現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。 本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
  論文  参考訳（メタデータ） (2022-05-20T22:13:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。