把一年的采购额按月预测，只要向前推 12 次；拆成日度后，表格行数多了，模型看起来也更会“做题”，却要连续预测约一整年的每一天。问题在于，多出来的数据行不等于多出同样多的独立信息，漂亮的历史拟合也不代表能猜准未来。
Hugo Moreira 用一份跨度 13 年的公共采购数据，比较 10 种预测模型和六种时间粒度，从年度一直到日度。论文聚焦递归多步预测——模型先猜下一期，再把自己的答案当作输入继续往后猜。粒度越细，循环次数越多，早期的小偏差就越容易层层传下去。作者报告称，部分自回归和季节模型在高频预测中明显恶化；LSTM 的误差则呈 U 形，说明细粒度并非必然更差，但收益需要足以抵消误差传播。
值得留意的是，线性回归在六种粒度下相对稳定。作者据此认为，矛盾的关键不是模型是否复杂，而是预测结果会不会被反复喂回模型。论文也提醒，只看单日的 RMSE、MAE 等平均误差，可能掩盖整个规划期累积起来的偏差。