Prophet 作为可复现预测框架：面向商业与金融分析的方法指南

可复现性仍是预测研究和实践中的持久挑战，尤其是在商业和金融分析中，后者往往影响重大决策。虽然传统预测方法在理论上具有可解释性，但通常需要大量手动调参，在专有环境中复制困难。机器学习方法提供预测灵活性，但带来可解释性、随机训练程序和跨环境可复现性等挑战。本文考察由 Meta 开发的 Prophet 作为平衡可解释性、标准化工作流程和可获取性的可复现解决方案。本研究不提出新算法，而是评估 Prophet 的加法结构、开源实现和标准化工作流程如何促进透明和可复制的预测实践。使用公开的金融和零售数据集，我们在受控且完全文档化的实验设计下，将 Prophet 与多个 ARIMA 规格（自动选择、手动指定和季节性变体）以及 Random Forest 进行性能和可解释性比较。该多模型比较提供了对 Prophet 相对性能和可复现性优势的稳健评估。通过具体的 Python 示例，我们展示 Prophet 如何高效促进预测工作流程并集成到分析管道中。本研究将 Prophet 置于更广泛的可重复研究语境中，突出其作为支持验证、可审计和方法论严谨性的构建模块的作用。这项工作为研究人员和实践者提供了用于 Python 化研究工作流程中可复现预测的实用参考框架。