用神经网络精准建模多品类零售需求弹性，提升预测稳定性。
Integrable Elasticity via Neural Demand Potentials
- 以对数价格为输入，学习上下文相关的对数需求函数。
- 在啤酒数据集上外样本预测优于传统模型，交叉价格弹性更稳定。
- 适合关注需求建模与经济可解释性的零售分析人员。
我们提出可积的上下文相关需求网络（ICDN），一种面向多品类零售需求的以需求为核心的神经模型。该模型将对数需求建模为对数价格的平滑、上下文依赖函数，从而能精确推导出弹性。在Dominick's啤酒数据集上，ICDN相比定向对数-对数基准模型提升了外样本泛化能力，并在弱识别的交叉价格效应下得到更稳定、符合经济逻辑的弹性估计。
原文摘要 · Abstract (English)
We propose the Integrable Context-Dependent Demand Network (ICDN), a demand-first neural model for multiproduct retail demand. The model learns log-demand as a smooth, context-conditioned function of log-prices, allowing elasticities to be derived exactly from the learned demand surface. On the Dominick's beer dataset, ICDN improves out-of-sample generalization over a directed log-log benchmark and yields more stable, economically plausible elasticity estimates, especially for weakly identified cross-price effects.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。