近几十年来，水产养殖产量显著增加，同时对海产品的需求持续上升。这使得海产品在全球贸易中的重要性显著提升，无论是在数量还是经济价值方面（Anderson等人，2018年；Han等人，2025年）。事实上，海产品是全球交易量最大的动物蛋白来源（Asche等人，2015年a）。高达78%的海产品生产面临市场竞争（Tveter?s等人，2012年），其中38%在国际市场上销售（FAO，2025年），因此对其市场各个方面的分析兴趣日益浓厚（Straume等人，2025年）。
在海产品市场中，价格是一个关键变量，因为它在评估市场整合状况（Asche等人，2004年；Bonnmann等人，2016年；Ankamah-Yeboah等人，2017年；Yang等人，2024年）以及随时间变化的波动性溢出效应（Asche等人，2015年b；Dahl和Jonsson，2018年；Dahl和Yahya，2019年；Deb和Li，2023年）方面起着重要作用。此外，价格还被认为影响消费者食品选择的关键因素（Supartini等人，2018年），这促使人们致力于预测海产品的未来价格波动（Khiem等人，2021年；Lai等人，2024年；Fran?a等人，2024年；Jin等人，2024年a）。然而，许多此类分析依赖于大量数据才能进行有效分析（Sun等人，2023年）。
在主要的海产品类别中，虾的出口价值占全球出口总量的17.62%，但其产量仅占6.2%（Geetha等人，2020年）。这主要是由于过去二十年该行业的迅速扩张以及虾养殖规模的扩大，使得全球贸易中的总收入达到323亿美元（FAO，2024年）。这种扩张主要归因于白腿虾（Penaeus vannamei）的引入，其生产力优于其他传统养殖的虾品种（Asmild等人，2024年）。
虾是全球贸易中的重要海产品。其大部分产量用于出口，目标市场是支付能力较强的地区，如美国、欧盟和日本（Asche等人，2012年）。然而，由于养殖虾供应稳定且价格相对较低，国内市场受到了出口产品的竞争影响，出口价格主导了国内价格（Asche等人，2022年）。此外，亚洲和拉丁美洲的虾养殖国家已将这一产业作为重点发展领域，对国内生产总值产生了显著影响（Engle等人，2017年；Singh等人，2022年；Villareal，2023年）。
实际上，虾养殖和水产养殖的整体经济动态非常复杂，受多种因素影响（Abreu等人，2011年；Asche等人，2018年），这激发了对这一市场的经济分析兴趣。然而，数据稀缺、市场监测不连续以及时间序列存在缺失等问题限制了市场分析的准确性，因此需要重建时间序列。重建缺失的时间序列对于公共机构和私人机构做出基于数据的决策至关重要（Yu和Ma，2021年；Freire等人，2021年；Silva和Andrade，2023年）。
在拉丁美洲背景下，巴西是重要的虾生产国，位列该大陆主要虾生产国之一（Cavalli等人，2021年；Monsalve和Quiroga，2022年）。巴西的大部分虾产量来自东北部地区，该地区的气候条件有利于P. vannamei的生长。尽管过去以出口为主，但制度冲击、附加税和疾病爆发导致出口量大幅下降，使得国内消费成为主要方向（Abreu等人，2011年；Pincinato和Asche，2016a；Pincinato和Asche，2016b）。
尽管近年来养殖虾的出口量有所增加（Ximenes和Vidal，2023年），但由于出口量较低，巴西养殖虾的历史价格数据存在缺失（MDIC，2025年）。然而，历史价格序列包含重要信息，有助于评估市场激励机制，并为农民和加工企业的规划及贷款策略提供依据（Musschoff和Hirschauer，2007年；Sun和Katchova，2024年）。此外，历史价格序列还可以帮助推断国际市场“影子价格”，并管理出口渠道的生产分配风险（Hazell等人，1990年；Mgale和Yunxian，2021年；Bhargavi等人，2024年）。因此，重建巴西养殖虾出口价格序列对于支持生产决策、商业化决策以及指导投资者和市场参与者至关重要。
在时间序列重建和预测技术中，机器学习已成为一种强大的工具，尤其是在海产品价格分析方面，因为它能够检测出传统统计方法可能遗漏的复杂非线性模式（Khiem等人，2022年）。在这一领域，人工神经网络（ANNs）表现尤为出色，在预测任务中实现了较低的误差（Fran?a等人，2024年；Fran?a等人，2025a）。除了机器学习方法外，经典的时间序列模型如ARIMA和ARIMAX仍然是经济预测的基本工具。
ARIMA模型包含三个组成部分：自回归（序列的过去值）、差分（去除趋势以实现平稳性）和移动平均（过去的预测误差）。通过结合这些元素，模型能够捕捉当前价格与其自身历史动态之间的关系（Kriechbaumer等人，2014年）。ARIMAX通过添加外生预测变量（如汇率、生产水平或国际需求）扩展了这一框架，从而使价格变动不仅与自身历史相关，还与外部市场因素相关联（Anggraeni等人，2017年）。这些模型在经济学中得到广泛应用，因为它们具有竞争力的预测能力，同时易于解释，允许分析师将海产品价格波动直接与可识别的冲击和经济条件联系起来。
尽管神经网络在各个领域的应用日益广泛且受到关注，但在海产品市场中的应用仍相对有限。虽然有一些研究使用ANNs预测特定鱼类或水产品的价格，但大多数研究仅关注孤立模型或特定案例的应用。尽管神经网络已与其他机器学习算法进行了对比测试，但很少有研究系统地比较不同神经网络架构在预测海产品价格方面的性能，并将其与ARIMA等标准计量经济模型进行对比。这一差距为渔业经济学的方法论进步和实证验证提供了重要机会。
本研究旨在使用滚动窗口框架评估和比较两种不同的神经网络架构和两种经典时间序列模型（ARIMA和ARIMAX）在重建海产品出口价格方面的性能，并利用表现更好的模型填补数据缺失部分。这些模型的性能通过样本外预测能力进行评估，期望为生产者、政策制定者和市场参与者提供更稳健的经济分析依据。
