摘要：预测均值与选择数量是不同问题
最小化平方误差的网络即使完美估计平均需求，也可能给出经济上不佳的订货量。问题未必出在模型：缺货与过量的成本不同。合成实例中，MSE 最优均值为 78 单位，期望成本 190 欧元；经济相关分位数选择 200 单位，成本 122 欧元，尽管 MSE 显著更差。本文推导决策阈值、比较方案，并说明库存限制销量如何扭曲训练目标。
背景为易腐商品单周期补货，无中途补货、替代或固定成本。数量按单位计，成本为欧元/单位，需求非负。全部数字均为明确假设并用 Python 计算，不是 EL-AI 已实现节省。需要期望、累积分布和凸函数基础。结果针对特定决策模型，并非完整库存策略。
1. 先明确损失，再选择模型
设 D 为需求、Q 为可用数量，单位缺货成本 c_u、过量成本 c_o。损失为 c_u(D−Q)_+ + c_o(Q−D)_+，其中 z_+=max(z,0)。它们是增量成本，可包含损失利润与剩余商品净成本；已包含在系数中的采购或收入不能再次相加。本文直接设 c_u=9、c_o=1，最小化期望损失。
连续需求下，略增 Q：D<Q 时新增成本 c_o，D>Q 时节省 c_u。风险导数为 (c_u+c_o)F(Q)−c_u，在 F(Q)=τ 为零。离散需求跳点可能不可导，正确条件为 F(Q−)≤τ≤F(Q)。达到 τ 的最小分位数是最优解；若 CDF 在 τ 处平坦，可能有多个最优解。不需假设正态需求。
2. 可完全计算的离散实例
设 P(D=40)=0.50、P(D=80)=0.35、P(D=200)=0.15，均值为 78。CDF 在 40 为 0.50、80 为 0.85，因此 0.90 分位数是 200。订 80 时，期望过量 0.50·40=20，缺货 0.15·120=18，成本 20+9·18=182。订 200 无缺货，但期望过量 0.50·160+0.35·120=122。比较的是指定成本，不只是剩余数量。
| Q | 成本 EUR | MSE 单位² | 平均缺货 |
|---|---|---|---|
| 40 | 342.0 | 4400.0 | 38.0 |
| 78 | 190.0 | 2956.0 | 19.0 |
| 80 | 182.0 | 2960.0 | 18.0 |
| 120 | 162.0 | 4720.0 | 12.0 |
| 200 | 122.0 | 17840.0 | 0.0 |
脚本枚举 Q=0 至 240，验证 MSE 在 78 最小、成本在 200 最小。还检查每个整数差分 R(Q+1)−R(Q)=10F(Q)−9。Q 从 80 到 199，差分为 −0.5 欧元，每增一单位都降低期望成本；从 200 起为 +1 欧元。这项独立于最小值搜索的核验展示凸性及最优点成因。
3. 将分位数连接到 AI 目标
Pinball loss ρ_τ(D−Q) 对低估赋权 τ、高估赋权 1−τ，经济损失恰为 (c_u+c_o)ρ_τ(D−Q)。在数据、表示和优化允许时，条件模型可用此损失学习相关分位数。只换架构而保留 MSE，仍然以条件均值为目标。本例 MAE 也无法选择：40 至 80 的所有 Q 都有 MAE=38，但经济成本不同。
若缺货成本降至 4、c_o=1，则 τ=0.80，最小最优解为 80；成本相同则 τ=0.50，整个 [40,80] 都最优。原始成本下，若容量最多 120，受约束最优量为 120、成本 162 欧元，不能忽视容量订 200。存在批量、跨产品共享预算或固定成本时，各商品独立分位数未必解决整体问题。
4. 服务水平与不可见需求
τ=0.90 不意味着恰有 90% 周期无缺货。离散分布从 F(80)=0.85 跳到 F(200)=1。此外，周期服务水平 P(D≤Q) 不等于满足率 1−E[(D−Q)_+]/E[D]。Q=80 时分别为 85% 和 76.9231%，因为稀有高需求周期包含大量缺货单位。即使都称“服务”指标，分母不同也会引导不同决策。
若历史库存始终上限 80，销量 S=min(D,80) 一半为 40、一半为 80，无法区分需求 80 与 200。销量的 90% 分位数为 80，表观成本仅 20 欧元，而潜在真实需求下成本 182。增加训练轮数不能解决目标截尾。缺货期需求即使为 1000，也产生同样销量历史，因此仅靠销量无法识别尾部。
真实应用需要库存时间记录、缺货标记和明确的未观测需求处理策略。评估应采用与决策一致的时间划分、声明成本并比较简单策略。未来信息泄漏或把截尾销量当完整需求，会误导离线评估。本文不训练模型，而是明确模型应学什么、如何衡量效用。
5. 少量数据学到的分位数有多脆弱？
此前分布已知。若只有二十个独立观测日，经验 90% 分位数为排序后的第十八个需求。需求为 200 的天数若不超过二，该分位数就不超过 80。次数 K 服从 n=20、概率 0.15 的二项分布。三项相加得到精确 P(K≤2)=0.404896278。因此约 40.49% 的小样本不会建议 200，即使没有截尾或优化器错误。这是尾部抽样不确定性，与库存限售造成的偏差不同。
成本系数也需敏感性分析。80 至 200 之间，仅当 c_u>0.85/0.15=17/3 欧元/单位，增加 Q 才有利。期望成本连续，但决策会突变：低于该值偏好 80，高于偏好 200，等于时全部中间数量成本相同。若实际 c_u=9 却估为 4，就会选 80，相对模型最优解每期多付期望成本 60 欧元。这是该总体上策略的理论差异，不是商业节省预测。
条件模型使用的季节、促销和交货期信息必须在订货前可得。应学习决策保障期间的需求，而不一定是次日销量。成本随上下文 x 改变时，τ(x) 也会改变。单个 90% 分位数输出不能自动回答新成本比；需要多个分位数或完整分布，并避免在用于宣称优势的同一时期选择模型。
6. 结论与方法来源
MIT newsvendor 讲义给出边际决策和成本比，已阅读推导及离散、连续实例。本文数值案例独立。结论不是库存越多越好，而是适当分位数取决于成本与约束，适当数据应表示需求而非受库存限制的销量。在比较 AI 架构前，先验证目标函数是否对应企业决策。
demand = [(40, .5), (80, .35), (200, .15)]
def cost(q):
return sum(p*(9*max(d-q,0)+max(q-d,0)) for d,p in demand)
print(sum(d*p for d,p in demand))
print(min(range(241), key=cost))
for q in [40,78,80,120,200]:
print(q,cost(q))代码、数据与说明 · JSON. 教学计算使用 Python 3.14.0，图使用 Matplotlib 3.11.2。分析由 AI 辅助，不声称经过同行评审或人工审核。原创 ImageGen 封面仅作示意，不记录 EL-AI 人员、场所或实际安装。来源查阅于 2026 年 9 月 24 日。