この論文は、既存の時系列「基盤モデル」に経済行動の基本的な論理を教えると、消費需要の予測が良くなることを示します。研究者はAmazonの確率的時系列モデルChronos-2を、効用（好み）を最大化する仮想的な消費者が作る合成データで微調整（ファインチューニング）しました。合成データは「見せかけの選好」ルールであるGARP（Generalized Axiom of Revealed Preference＝一般化された顕示選好公理）を満たすよう作られ、これが効果的な訓練先行分布（プライア）になったと報告しています。

研究者が行ったことは次の通りです。まずAfriatの定理という理論を使って、ある選好の下で価格と消費量の関係が一貫しているかを確かめられることを利用しました。GARPを満たすことは「ある効用関数を予算制約下で最大化している行動である」ということと同値です。これを使って、多様な効用に由来する価格・数量の時系列を効率的に生成しました。その合成データでChronos-2を微調整し、実データのテストにはAhnら(2014)の実験パネル（被験者154人、50回の予算シナリオ、3つの財と対応する価格）を使いました。興味深い点として、実際の被験者のうち全期間でGARPを満たすのは20人だけでした。合成データは実データと混ぜず、訓練前にモデルの表現を形作るためだけに用いました。

なぜこれが効くのかを簡単に説明します。Chronos-2のような大規模事前学習モデルは、時系列の一般的なパターン（トレンドや季節性など）をよく捉えますが、価格変動に対する「代替関係」や予算制約のような経済構造は学んでいないことが多いです。GARP準拠の合成データは、価格が変わると消費がどう入れ替わるかという一貫したパターン（代替関係）を含みます。微調整によってモデルの内部表現はこれらの価格—数量関係を学び、実際の消費履歴に出会ったときにより妥当な需要予測を出せるようになります。Chronos-2は複数の財を同時に扱い、将来の価格が既知である状況も入力できるため、こうした構造学習が直接活きます。

実験結果は具体的です。GARPに一致する合成データでの微調整は、ゼロショット（事前学習のみの）Chronos-2と比べて、バンドル（複数財の組合せ）予測誤差を短〜中期の予測で大きく下げました。報告された改善は、予測地平線H=5, 10, 15で17–18%の誤差減少、H=1で31%の誤差減少でした。著者らは、これらの改善は単に訓練データによりよく当てはめたことから来るのではなく、経済的合理性に基づく「先入観（プライア）」が豊富な価格変動環境での一般化性能を高めたためだと述べています。方法論上の貢献として、経済理論から得た構造を合成データとして基盤モデルに注入することで、構造推定を行わなくても予測性能を高められることを示しました。

重要な注意点もあります。まず、著者自身が繰り返すように実際の消費者が完全に合理的（GARP一致）だとは限りません。今回の実験でも多数はGARPを満たしていませんでした。合成データはあくまで「合理性を仮定した訓練先行分布」であり、観測行動がそれとずれているときは効果が限られる可能性があります。また、この手法は効用関数そのものを推定したり、特定のパラメトリックな好みを課したりするものではありません。論文は、既存の正則化（ペナルティ）方式と比べてチューニング項目や最適化への副作用を避ける利点があると主張していますが、正則化や評価指標（例：CCEI＝Critical Cost Efficiency Index）が設計に敏感であるという先行研究の指摘も引用し、手法の選択や評価には注意が必要だとしています。