Deep Learning vs. Statistical Models for Multi-Horizon Price Forecasting of Second-Hand Electronics: A Systematic Benchmark
Aggiunta all'archivio di AIChronos il (numero del 7 ottobre 2026 ricostruito)· fonte del · Mateusz Buczyński, Michał Woźniak, Konrad Kaczyński, Anna Wróblewska, Sebastian Kuk
Questo paper introduce il primo benchmark sistematico per la previsione dei prezzi di elettronica usata su multipli orizzonti temporali (1-365 giorni), analizzando dataset provenienti da marketplace polacchi. Vengono confrontati undici modelli, inclusi metodi statistici classici e architetture deep learning moderne come N-BEATS, TFT e PatchTST. I risultati evidenziano che i modelli basati su trasformatori temporali (N-BEATS) superano le baseline statistiche riducendo l'errore MAPE del 43% oltre il mese di previsione. Inoltre, è stato dimostrato che un singolo modello addestrato sull'orizzonte più lungo generalizza efficacemente a tutti gli orizzonti inferiori.
- N-BEATS ottiene la migliore accuratezza (MAPE) per orizzonti lunghi (>30 giorni), raggiungendo l'8.51% a 365 giorni contro il 14.94% delle baseline statistiche.
- A brevi orizzonti temporali (1-7 giorni), tutti i modelli convergono verso un errore simile (~0.72%), rendendo le baseline naive competitive in questo regime.
- Un singolo modello N-BEATS addestrato sull'orizzonte massimo di 365 giorni generalizza perfettamente a tutte le finestre temporali più brevi, eliminando la necessità di modelli specifici per ogni orizzonte.
- I modelli moderni come N-BEATS e N-HiTS mostrano una stabilità superiore rispetto agli iperparametri rispetto alle architetture precedenti o ai metodi statistici.
- Il dominio dell'elettronica usata presenta sfide specifiche quali alta volatilità, dati sparsi e dinamiche non normali, assenti nei mercati finanziari strutturati.
Perché conta. Per gli sviluppatori di agenti AI e sistemi locali che operano in domini con scarsità di dati o rumore elevato (simile ai listing sparse dell'elettronica usata), questo lavoro dimostra l'efficacia delle architetture temporali moderne come N-BEATS per catturare pattern complessi senza richiedere un tuning specifico per ogni finestra temporale.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.