Модель прогнозирования рыночной цены нержавеющей стали: построение алгоритма искусственного интеллекта на основе стоимости ферроникеля, данных о запасах и производительности переработки

Цены на нержавеющую сталь резко колеблются под влиянием стоимости сырья, рыночного спроса и предложения, а также макроэкономических факторов. Для производителей, торговцев и перерабатывающих предприятий точные прогнозы цен имеют решающее значение для снижения операционных рисков и оптимизации стратегий закупок. Традиционные методы прогнозирования, основанные на опыте или линейных моделях, часто не могут уловить сложные нелинейные взаимосвязи на рынке. В этой статье представлена ​​модель прогнозирования цен на нержавеющую сталь,-на основе искусственного интеллекта, которая объединяет три основных показателя:-себестоимость ферроникеля (на которую приходится 60 % производственных затрат), данные о социальных запасах и производительность переработки-, что обеспечивает точность прогнозирования более 85 %. В нем подробно описана обработка данных модели, выбор алгоритма и эффекты практического применения.

Основная логика: почему эти три индикатора определяют ценовые тенденции

Формирование цен на нержавеющую сталь является комплексным результатом роста издержек и спроса. Стоимость ферроникеля, данные о запасах и производительность переработки образуют троицу «затраты-предложение-спрос», напрямую отражающую фундаментальные изменения на рынке.

Стоимость ферроникеля: основной драйвер затратИзменения цен на ферроникель (Ni 10-15%), являющийся основным сырьем для нержавеющей стали серии 300-, напрямую влияют на отпускную цену нержавеющей стали. Увеличение цены на ферроникель на $100/т обычно приводит к росту цен на $300-500/т листов из нержавеющей стали 304.

Данные инвентаризации: балансировщик спроса и предложенияСоциальные запасы (включая складские запасы и-транзитные товары) отражают избыток или дефицит предложения на рынке. Когда запасы превышают порог в 500 000 тонн (для рынка Китая), цены имеют тенденцию снижаться; запасы ниже 300 000 тонн часто вызывают рост цен.

Эксплуатационная скорость переработки и переработки: барометр спросаЭксплуатационные показатели перерабатывающих отраслей (строительство, автомобилестроение, производство бытовой техники) напрямую определяют потребление нержавеющей стали. Увеличение производительности производства бытовой техники на 10% может привести к росту спроса на нержавеющую сталь на 3-5%.

Первый шаг: сбор и предварительная обработка данных

Высококачественные-данные — основа модели искусственного интеллекта. Ввоз и вывоз мусора-ошибочных данных напрямую снижает точность прогнозов. Процесс обработки данных включает в себя три ключевых звена.

1. Интеграция данных из нескольких-источников

Собирайте данные из авторитетных каналов, чтобы обеспечить своевременность и точность: данные о стоимости ферроникеля от Шанхайской сети цветных металлов (SMM), обновляемые ежедневно; данные о запасах Китайской ассоциации черной металлургии (CISA), публикуемые еженедельно; данные о производительности переработки и переработки от отраслевых исследовательских институтов (например, Mysteel), обновляемые каждые 3 дня. Временной интервал данных охватывает 5 лет (2019–2023 годы) для отражения циклических тенденций.

2. Очистка и стандартизация данных

Устраните аномальные точки данных (например, внезапные скачки цен, вызванные форс-мажорными обстоятельствами), используя принцип 3σ. Стандартизируйте единицы данных: преобразуйте себестоимость ферроникеля в доллары за тонну, запасы в 10 000 тонн, а производительность в проценты (0–100%). Заполните недостающие значения методом линейной интерполяции, чтобы обеспечить целостность данных.

3. Разработка функций: повышение ценности данных

Создайте производные функции, чтобы улучшить прогнозирующую способность модели: рассчитайте 7-скользящее среднее стоимости ферроникеля за 7 дней, чтобы сгладить краткосрочные-колебания; создать соотношение запасов-к спросу (запасы / (операционная скорость переработки × историческое среднее потребление)); добавьте сезонную функцию (например, первый квартал для снижения спроса на праздник Весны), чтобы отразить периодические закономерности.

Выбор алгоритма: нейронная сеть LSTM для прогнозирования временных рядов

Цены на нержавеющую сталь представляют собой типичные данные временного ряда с четкой непрерывностью и периодичностью. Среди алгоритмов ИИ сеть долговременной-памяти (LSTM) превосходит ARIMA и традиционные нейронные сети в обработке долгосрочных-зависимостей.

1. Проектирование структуры модели.

Модель LSTM состоит из четырех слоев: входной уровень (принимает 3 основных индикатора + 5 производных функций, всего 8 функций); два слоя LSTM (первый уровень имеет 64 единицы, второй уровень — 32 единицы, с использованием функции активации ReLU); выходной слой (прогнозирование цены листа из нержавеющей стали 304 через 7 дней).

2. Настройка гиперпараметров

Оптимизируйте гиперпараметры посредством перекрестной-проверки, чтобы избежать переобучения: установите временной шаг на 14 дней (используя данные за последние 14 дней для прогнозирования будущих цен); размер партии до 32; скорость обучения до 0,001; используйте оптимизатор Адама и среднеквадратическую ошибку (MSE) в качестве функции потерь. Эпоха обучения модели равна 100. С ранней остановкой, когда потери при проверке перестают уменьшаться в течение 5 последовательных эпох.

3. Обучение и проверка модели

Разделите данные за 5-лет на обучающий набор (70 %), проверочный набор (15 %) и тестовый набор (15 %). После обучения MSE модели на тестовом наборе составляет 0,008. и R² (коэффициент детерминации) равен 0.86. что указывает на то, что модель может объяснить 86% колебаний цен, что намного выше, чем 62% традиционной модели ARIMA.

Оптимизация модели: механизм внимания и ансамблевое обучение

Для дальнейшего повышения точности интегрируйте механизм внимания и ансамблевое обучение, чтобы повысить способность модели концентрироваться на ключевых факторах.

1. Добавление механизма внимания

Встройте слой внимания между слоями LSTM, чтобы назначить разные веса входным объектам. Результаты показывают, что модель автоматически присваивает наибольший вес (0,42) скользящему среднему стоимости ферроникеля за 7-дней, за которым следуют соотношение запасов-к спросу (0,28) и коэффициент эксплуатации в отрасли бытовой техники (0,15), что согласуется с рыночной логикой.

2. Ансамблевое обучение с XGBoost

Объедините модель LSTM с алгоритмом XGBoost (отлично подходит для обработки табличных данных), используя метод средневзвешенного значения (вес LSTM 0,7. Вес XGBoost 0,3). Точность прогнозирования интегрированной модели на тестовом наборе увеличивается до 88%, а средняя абсолютная ошибка (MAE) снижается на 12% по сравнению с одиночной моделью LSTM.

Практическое применение: пример компании, торгующей нержавеющей сталью

Крупная компания, торгующая нержавеющей сталью, применила эту модель для принятия решений о закупках и продажах с января по июнь 2024 года. Результаты прогнозирования и фактические эффекты модели следующие:

 

Период прогнозирования	Прогнозируемая цена модели ($/тонна)	Фактическая рыночная цена ($/тонна)	Ошибка прогноза	Руководство по принятию решения и его последствия
15–21 января	2850	2830	0.7%	Сокращение запасов на 20%, что позволяет избежать потерь в размере 40 долларов США за тонну.
1–7 марта	2980	3000	0.7%	Увеличение закупок на 15%, получение прибыли в размере 30 долларов США за тонну.
20-26 мая	3120	3100	0.6%	Фиксация продажных цен, обеспечение стабильной прибыли

 

За шесть-месячный период оборачиваемость запасов компании выросла на 35 %, а средняя норма прибыли на тонну увеличилась на 2,3 процентных пункта, что подтверждает практическую ценность модели.

Общие проблемы и решения

В реальном применении модель может столкнуться с такими проблемами, как внезапные изменения в политике и скачки цен на сырье. Целенаправленные решения обеспечивают его стабильность.

Политическое вмешательство (например, корректировка экспортного налога)Добавьте в модель фиктивные переменные политики (1 для реализации политики, 0 в противном случае) и переобучите модель с использованием исторических данных о политике, чтобы улучшить адаптивность.

Волатильность цен на ферроникель, вызванная предложением никелевой рудыИнтегрируйте данные об импорте никелевой руды (из Индонезии и Филиппин) в модель в качестве ведущего индикатора для предварительного прогнозирования изменений стоимости ферроникеля.

Деградация модели с течением времениСоздайте механизм ежемесячного обновления модели, переобучите модель с использованием данных за последние 3 месяца и скорректируйте веса функций, чтобы адаптироваться к изменениям рынка.

Перспективы на будущее: интеграция более передовых технологий

Модель прогнозирования цен на нержавеющую сталь будет продолжать развиваться вместе с технологическим прогрессом, стремясь к более высокой точности и интеллектуальности.

Интеграция данных-в реальном времениПодключайтесь к системам Интернета вещей сталелитейных заводов и складов, чтобы получать-информацию о запасах и производстве в режиме реального времени, сокращая задержку передачи данных с 3 дней до 1 часа.

Обработка естественного языка (НЛП)Анализируйте новости, социальные сети и отраслевые отчеты с помощью НЛП, чтобы извлечь индикаторы настроений (например, негативные настроения «забастовка сталелитейного завода») и включить их в модель.

Технология цифрового двойникаСоздайте цифрового двойника цепочки производства нержавеющей стали, моделируя влияние различных сценариев (например, роста цен на нефть, влияющего на транспортные расходы) на цены, чтобы предоставлять-прогнозы на основе сценариев.

Вывод: искусственный интеллект помогает принимать решения на рынке нержавеющей стали.-

Модель прогнозирования цен ИИ, основанная на стоимости ферроникеля, данных о запасах и производительности переработки, преодолевает ограничения традиционных методов прогнозирования. Точно фиксируя сложные взаимосвязи между рыночными факторами, он обеспечивает надежные прогнозы цен для предприятий отрасли нержавеющей стали. Практическое применение модели показывает, что технология искусственного интеллекта может эффективно снизить операционные риски, оптимизировать распределение ресурсов и повысить конкурентоспособность рынка. По мере улучшения качества данных и развития алгоритмов такие модели искусственного интеллекта станут незаменимым инструментом для предприятий нержавеющей стали, способствуя переходу отрасли к принятию решений, основанных на -данных-.