某零售商需要使用多年的日常数据对数千种商品进行30天需求预测。缺货的成本远高于库存过剩。商品级别的特征（类别、品牌、安全库存）是可用的，并且存在一个二进制促销标志，但其未来的已知值仅限于5天。在这些限制下，应选择哪种预测算法和评估指标来最大化利润？

正确答案是训练CNN-Quantile Regression (CNN-QR)模型，并使用0.75分位数（P75）的加权分位数损失（wQL）进行评估。 零售商面临的挑战是预测数千种商品的30天需求，其中缺货成本远高于库存过剩。这意味着模型需要预测一个较高的分位数（如P75），以确保有足够的库存来避免缺货，从而最大化利润。加权分位数损失（wQL）是评估分位数预测的理想指标，因为它允许根据过预测和欠预测的相对成本进行调整。 CNN-QR模型适用于处理大量商品的时间序列数据，并且能够整合商品级别的特征（类别、品牌、安全库存）和促销标志。ARIMA模型是传统的时间序列模型，通常不擅长处理大量商品和复杂特征，并且难以直接进行分位数预测。 因此，选择CNN-QR模型进行分位数预测，并使用P75的wQL进行评估，能够最好地满足业务需求。