💰 quantitative finance

Kalimati Vegetable Price Index Forecasting with a Momentum Corrected Online Stacking Ensemble

Diese Studie führt den Kalimati Vegetable Price Index (KVPI) und ein Momentum-korrigiertes Online-Stacking-Ensemble-Modell ein, das hochpräzise 90-Tage-Preisprognosen (0,68 % MAPE) für Agrargüter in Nepal erzielt und somit ein robustes Instrument für politische Entscheidungsträger darstellt, um die Ernährungssicherheit angesichts der Marktvolatilität zu verbessern.

Ursprüngliche Autoren: Sahaj Raj Malla

Veröffentlicht 2026-06-01

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Sahaj Raj Malla

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, das Wetter in einer chaotischen, bergigen Region vorherzusagen, in der der Wind jede Stunde die Richtung ändert und plötzliche Stürme durch lokale Festivals ausgelöst werden. Stellen Sie sich nun vor, Sie würden dies nicht für das Wetter tun, sondern für den Gemüsepreis in Kathmandu, Nepal. Genau das versucht diese Arbeit zu lösen.

Dies ist die Geschichte der Forschung, aufgeschlüsselt in einfache Konzepte und Analogien.

1. Das Problem: Der „verrauschte“ Gemüsemarkt

In Nepal ist der Gemüsepreis unglaublich instabil. Er springt wild auf und ab aufgrund von:

Monsunregen, der Straßen auswäscht.
Festivals (wie Dashain oder Tihar), bei denen plötzlich alle mehr Lebensmittel kaufen wollen.
Unterbrechungen in der Lieferkette.

Den Preis von nur einem Gemüse (wie Tomaten) vorherzusagen, ist wie der Versuch, einer einzelnen Person in einem überfüllten, schreienden Stadion zuzuhören. Das Signal ist zu verrauscht. Die Daten sind unordentlich, es fehlen Teile und sie sind voller „Statik“.

2. Die Lösung: Eine „Wetterkarte“ erstellen (Das KVPI)

Anstatt auf ein einzelnes, flüsterndes Gemüse zu hören, beschlossen die Forscher, dem gesamten Publikum zuzuhören. Sie entwickelten ein neues Werkzeug namens Kalimati Vegetable Price Index (KVPI).

Die Analogie: Stellen Sie sich vor, Sie haben 135 verschiedene Gemüsesorten. Einige sind sehr volatil (wie Zwiebeln, deren Preis sich täglich ändert), und andere sind beständig (wie Kartoffeln). Die Forscher haben sie nicht einfach nur gemittelt. Sie bauten einen „intelligenten Durchschnitt“.
Wie es funktioniert: Sie gaben den Gemüsesorten, die am lautesten schreien (hohe Volatilität), weniger „Lautstärke“ und den beständigen Sorten mehr „Lautstärke“. Dies erzeugte ein glattes, stabiles „Makro-Signal“, das die allgemeine Gesundheit des Gemüsemarktes repräsentiert und das individuelle Rauschen einzelner Erzeugnisse herausfiltert.

3. Das Toolkit: 64 Hinweise (Features)

Um die Zukunft vorherzusagen, schauten die Forscher nicht nur auf vergangene Preise. Sie sammelten 64 verschiedene „Hinweise“ oder Tipps und stellten sicher, dass sie nicht durch das Anschauen des Lösungsschlüssels schummelten (ein Problem, das als „Look-ahead Bias“ bezeichnet wird).

Die Hinweise beinhalteten:
- Historie: Was geschah vor 1 Tag? Vor 7 Tagen? Vor 30 Tagen?
- Rollierende Statistiken: Was war der Durchschnittspreis in der letzten Woche?
- Der Festival-Kalender: Sie markierten gezielt Daten für große nepalesische Festivals. Sie wussten, dass die Preise oft vor einem Festival steigen (wenn Menschen Vorräte anlegen) und nach einem Festival fallen (wenn der Ansturm vorbei ist).
- Zeit: Ist es ein Samstag? Ist es ein Feiertag?

4. Der Wettbewerb: 14 verschiedene Wetterfrösche

Die Forscher richteten einen Wettbewerb mit 14 verschiedenen „Wetterfröchen“ (Computermodellen) ein, um zu sehen, wer die Gemüsepreise am besten vorhersagen kann. Sie testeten sie auf kurzfristige (1 Woche), mittelfristige (1 Monat) und langfristige (3 Monate) Vorhersagen.

Die alte Garde (Statistische Modelle): Dies waren wie erfahrene Buchhalter, die einfache mathematische Regeln verwenden (ARIMA). Sie waren gut bei stetigen Trends, wurden aber verwirrt, wenn der Markt verrückt spielte oder wenn Festivals auftraten.
Die Deep Learner (KI/Transformer): Dies waren wie superintelligente Roboter, die auf massiven Datensätzen trainiert wurden. Da die Gemüse-Daten jedoch „verrauscht“ und nicht riesig waren, wurden diese Roboter verwirrt und begannen zu „halluzinieren“ (Overfitting), was zu schrecklichen Vorhersagen führte.
Die Baum-Ensembles: Diese waren wie ein Komitee von Entscheidungsträgern (XGBoost, Random Forest). Sie waren sehr gut darin, mit unordentlichen Daten und komplexen Regeln umzugehen.

5. Der Gewinner: Das „Momentum-korrigierte“ Team

Der Champion war nicht ein einzelnes Modell, sondern ein Teamwork-Ansatz namens Momentum-Corrected Online Stacking Ensemble.

Wie es funktioniert (Die Analogie): Stellen Sie sich ein Staffellauf-Team vor.
- Die Läufer: Das Team kombiniert die besten „Baum“-Modelle (gut darin, plötzliche Spitzen zu erkennen) und die besten „rekurrenten“ Modelle (gut darin, langfristige Trends zu erkennen).
- Der Coach (Momentum-Korrektur): Dies ist das Geheimrezept. Normalerweise reagieren Vorhersage-Teams langsam, wenn der Markt plötzlich die Richtung ändert (wie ein plötzlicher Preisanstieg vor einem Festival).
- Der Trick: Dieser Coach beobachtet die Fehler, die das Team in den letzten Tagen gemacht hat. Wenn das Team den Preis immer wieder unterschätzt (die Fehlerslope geht nach oben), ruft der Coach: „Füge Momentum hinzu!“ und drückt die Vorhersage hoch, bevor der nächste Anstieg eintritt. Es ist wie ein Surfer, der sein Board basierend auf der aktuellen Geschwindigkeit der Welle anpasst, nicht nur basierend darauf, wo die Welle vor einer Minute war.

6. Die Ergebnisse: Ein klarer Sieg

Die Ergebnisse waren beeindruckend, insbesondere für langfristige Vorhersagen (90 Tage):

Genauigkeit: Das Gewinner-Modell war unglaublich präzise, mit einer Fehlerrate von weniger als 1 % (0,68 %).
Vergleich: Die „alte Garde“ der statistischen Modelle und die schicken „Deep Learning“-Roboter versagten auf dem 90-Tage-Niveau kläglich und sagten oft das Gegenteil dessen voraus, was tatsächlich geschah. Das „Momentum-korrigierte“ Team hingegen lag richtig.
Warum es funktionierte: Es kombinierte die Fähigkeit, mit unordentlichen Daten umzugehen (wie die Baum-Modelle), mit der Fähigkeit, schnell auf wechselnde Trends zu reagieren (die Momentum-Korrektur).

Zusammenfassung

Dieses Paper sagt: „Wenn Sie die Gemüsepreise in einem chaotischen, von Festivals getriebenen Markt wie Nepal vorhersagen wollen, verlassen Sie sich nicht auf einfache Mathematik oder überkomplizierte KI. Bauen Sie stattdessen einen stabilen Index aller Gemüse, füttern Sie ihn mit vielen kulturellen und zeitbasierten Hinweisen und nutzen Sie ein intelligentes Team von Modellen, das das Momentum des Marktes „fühlen“ kann, um seine eigenen Fehler in Echtzeit zu korrigieren.“

Die Forscher haben ihren Code und ihre Daten öffentlich zugänglich gemacht, sodass jeder diesen „intelligenten Wetterbericht“ nutzen kann, um Landwirten und politischen Entscheidungsträgern in Nepal zu helfen, besser zu planen und Lebensmittelknappheit zu vermeiden.

Technische Zusammenfassung: Prognose des Kalimati-Gemüsepreisindex mittels eines momentumkorrigierten Online-Stacking-Ensembles

Problemstellung
Die Prognose von Agrarrohstoffpreisen in Schwellenländern wie Nepal wird durch hohe Volatilität, die Fragilität der Lieferketten, Abhängigkeit vom Monsun und kulturell bedingte Nachfragespitzen (z. B. durch Feste) erschwert. Die bestehende Literatur konzentriert sich oft auf einzelne Rohstoffe – ein „atomistischer“ Ansatz, der anfällig für produktspezifische Schocks, Datensparsamkeit und idiosynkratisches Rauschen ist, was die Generalisierbarkeit der Modelle einschränkt. Darüber hinaus stehen Standard-Modellierungsparadigmen in diesem Kontext vor deutlichen Herausforderungen: Klassische statistische Modelle (z. B. ARIMA) haben Schwierigkeiten mit nicht-linearen Interaktionen und hochdimensionalen exogenen Faktoren, während modernste Deep-Learning-Modelle (z. B. Transformer) oft unter Overfitting und einer schlechten Generalisierung auf den moderat großen, verrauschten Zeitreihen typischer Entwicklungsmärkte leiden. Kein einzelnes Paradigma hat sich bisher als ausreichend für eine robuste Multi-Horizont-Prognose in diesen volatilen Umgebungen erwiesen.

Methodik
Die Studie schlägt ein umfassendes Framework vor, das auf einem neuen Makro-Level-Index und einer adaptiven Ensemble-Lernstrategie basiert.

Datenkonstruktion (KVPI):
- Quelle: Tägliche Großhandelspreisdatensätze vom Kalimati Fruits and Vegetables Market (Kathmandu) von Juni 2013 bis September 2023 (280.939 Datensätze, 136 Rohstoffe).
- Indexerstellung: Um das Rauschen zu minimieren, konstruierten die Autoren den Kalimati Vegetable Price Index (KVPI). Dies ist ein invers-volatilitätsgewichteter Kompositindex, der 135 Rohstoffe (mit >365 Tagen an Daten) aggregiert.
- Gewichtung: Die Rohstoffe werden invers zu ihrem Variationskoeffizienten ( $CV_c$ ) gewichtet, um den Einfluss erratischer Artikel zu reduzieren. Der Index umfasst 3.757 Tage mit einer Spanne von [90,1 bis 219,9].
- Preprocessing: Eine rigorose Bereinigung umfasste Outlier-Capping (Winsorisierung) basierend auf den IQR-Grenzen des Trainingsdatensatzes, Imputation fehlender Werte (Forward-Fill und bidirektionale Interpolation) sowie eine strikte Trennung von Trainings- (2013–2022) und Testsets (2022–2023), um Data Leakage zu verhindern.
Feature Engineering:
- Eine hochdimensionale Matrix aus 64 kausal validen Prädiktoren wurde entwickelt.
- Komponenten: Autoregressive Lags (1–30 Tage), rollierende Statistiken (Mittelwert, Standardabweichung, Minimum, Maximum, Median), exponentiell gewichtete gleitende Durchschnitte, Differenzbildung, Kalender-Features (einschließlich Nepal-spezifischer Wochenend-Indikatoren) und Festtags-Dummy-Variablen mit Lead/Lag-Fenstern für wichtige Ereignisse (Dashain, Tihar, etc.).
- Beschränkung: Alle Features wurden um einen Tag nach hinten verschoben, um Look-ahead-Bias strikt auszuschließen. Nicht-kausale globale Glättungsverfahren wurden ausgeschlossen.
Modellierung und Evaluierung:
- Benchmarks: 14 Architekturen wurden über vier Horizonte ( $h \in \{7, 14, 30, 90\}$ Tage) evaluiert: Naive Baselines, statistische Modelle (Auto-ARIMA, SARIMA), baumbasierte Ensembles (Random Forest, ExtraTrees, HistGB, XGBoost), Deep Learning (LSTM, GRU), hybride Modelle (ARIMA-LSTM, ARIMA-HistGB) und State-of-the-Art Transformer (PatchTST, NBEATSx).
- Vorgeschlagene Lösung: Ein Momentum-korrigiertes Online-Stacking-Ensemble.
  - Mechanismus: Dieser Meta-Learner nutzt einen kausalen Online-Mechanismus. In jedem Schritt $t$ berechnet er eine rollierende Residuen-Ableitung (Steigung der jüngsten Prognosefehler) über ein Fenster $w$ .
  - Korrektur: Wenn ein systematischer Bias detektiert wird ( $\beta > 0$ ), wird eine Momentum-Strafe auf die Basis-Blend-Vorhersage angewendet.
  - Optimierung: Eine kombinatorische Suche identifizierte eine optimale Mischung aus ExtraTrees (für die Erfassung hochfrequenter Volatilität) und GRU (für die Trenderkennung) mit dynamischer Gewichtung, die externe Modelle effektiv eliminierte.

Wichtigste Ergebnisse
Das vorgeschlagene Momentum-korrigierte Online-Stacking-Ensemble zeigte eine überlegene Leistung über alle Horizonte, insbesondere im langfristigen Bereich.

Langfristiger Horizont (90 Tage):
- RMSE: 1,771 (niedrigster Wert aller Modelle).
- MAPE: 0,684 %.
- $R^2$ : 0,845 (erklärt 84,5 % der Varianz).
- Vergleich: Es übertraf das beste Einzelmodell, XGBoost ( $R^2 = 0,824$ ), signifikant und übertraf statistische Baselines sowie Transformer, die bei diesem Horizont oft negative $R^2$ -Werte produzierten (z. B. NBEATSx $R^2 = -21,371$ ).
Kurz- bis mittelfristig: Das Ensemble hielt den niedrigsten RMSE bei $h=7$ (2,330), $h=14$ (2,237) und $h=30$ (1,828).
Modellhierarchie:
- Baumbasierte Ensembles erwiesen sich als die robustesten Einzelwettbewerber.
- Deep Learning (LSTM/GRU): Mit rigorösem Hyperparameter-Tuning (100 Versuche) und vollem Feature-Zugriff erreichten diese Modelle kompetitive Ergebnisse ( $R^2 \approx 0,77$ ) und stellten die Annahme infrage, dass sie zwingend massive Datensätze benötigen.
- Transformer (PatchTST, NBEATSx): Hatten Schwierigkeiten mit den verrauschten, kulturell getriebenen Daten und zeigten eine schwere Leistungsdegradation.
- Statistische Modelle: Zeigten aufgrund der Linearitätsannahmen eine starke Degradation über längere Horizonte.

Bedeutung und Ansprüche
Das Paper behauptet, dass das Momentum-korrigierte Online-Stacking-Ensemble ein praktisches, zuverlässiges Werkzeug zur Antizipation von Preisbewegungen in volatilen Schwellenmärkten bietet. Die primäre Bedeutung liegt in:

Stabilität: Durch die Aggregation von 135 Rohstoffen in den KVPI schafft die Studie ein stabiles Makro-Signal, das das dem einzelnen Crop-Modelling inhärente Rauschen reduziert.
Adaptivität: Der Momentum-Korrekturmechanismus passt sich dynamisch an systematische Biase während struktureller Brüche und kultureller Nachfrageschocks (z. B. Festtagsspitzen) an und adresset damit das „verzögernde“ Verhalten, das bei statischen Ensembles üblich ist.
Methodische Erkenntnis: Die Studie zeigt, dass für moderat große, verrauschte ökonomische Zeitreihen ein sorgfältig abgestimmtes Ensemble aus Baum- und rekurrenten Modellen komplexe, parameterintensive Transformer-Architekturen und klassische statistische Methoden übertrifft.
Politische Relevanz: Die Open-Source-Pipeline bietet politischen Entscheidungsträgern und Akteuren der Lieferkette in Nepal und ähnlichen Märkten eine reproduzierbare Grundlage, um die Markttransparenz zu erhöhen, evidenzbasierte Entscheidungen zu unterstützen und die Ernährungssicherheit zu stärken.

Die Autoren weisen auf Limitationen hin, einschließlich der Abhängigkeit von historischen Preisstrukturen ohne explizite exogene Treiber wie Wetter oder Treibstoffkosten sowie der Notwendigkeit längerer Validierungsfenster über verschiedene Wirtschaftsregime hinweg. Das Framework wird jedoch als robuste Basis für zukünftige Erweiterungen präsentiert.