电商金融时间序列预测中的动态滞后：一种混合机器学习架构以缓解信息损失
机器学习
2025-09-25 v1
摘要
电商金融领域的准确预测因不规则的发票时间表、支付延迟和用户特定的行为变异性而尤为具有挑战性。这些因素，加上稀疏的数据集和较短的历史窗口，限制了传统时间序列方法的有效性。虽然深度学习和基于Transformer的模型在其他领域显示出潜力，但在部分可观测性和有限历史数据下，其性能会下降。为了解决这些挑战，我们提出了一种混合预测框架，将动态滞后特征工程和自适应滚动窗口表示与经典统计模型和集成学习器相结合。我们的方法明确包含了发票级行为建模、支持数据的结构化滞后以及自定义的稳定性感知损失函数，从而在稀疏和不规则的金融环境中实现稳健的预测。实证结果表明，与基线模型相比，MAPE降低了约5%，转化为可观的经济节省。此外，该框架通过捕捉短期和长期模式、利用用户画像属性以及模拟即将到来的发票行为，增强了季度时间范围内的预测稳定性，并加强了特征-目标相关性。这些发现强调了结合结构化滞后、发票级闭合建模和行为洞察在稀疏金融时间序列预测中提升预测准确性的价值。
引用
@article{arxiv.2509.20244,
title = {Dynamic Lagging for Time-Series Forecasting in E-Commerce Finance: Mitigating Information Loss with A Hybrid ML Architecture},
author = {Abhishek Sharma and Anat Parush and Sumit Wadhwa and Amihai Savir and Anne Guinard and Prateek Srivastava},
journal= {arXiv preprint arXiv:2509.20244},
year = {2025}
}