Модель прогнозування ринкової ціни на нержавіючу сталь: побудова алгоритму штучного інтелекту на основі вартості феронікелю, даних про запаси та операційної швидкості переробки

Ціни на нержавіючу сталь різко коливаються під впливом вартості сировини, попиту та пропозиції на ринку, а також макроекономічних факторів. Для виробників, трейдерів і підприємств, що працюють на нижній ланці, точні прогнози цін мають вирішальне значення для зниження операційних ризиків і оптимізації стратегій закупівель. Традиційні методи прогнозування, що спираються на досвід або лінійні моделі, часто не в змозі вловити складні нелінійні зв’язки на ринку. У цій статті представлено -модель прогнозування цін на нержавіючу сталь на основі штучного інтелекту, яка об’єднує три основні показники-вартість феронікелю (на яку припадає 60% виробничих витрат), дані про соціальні запаси та продуктивність-для досягнення точності прогнозування понад 85%. Він детально описує обробку даних моделі, вибір алгоритму та результати практичного застосування.

Основна логіка: чому ці три індикатори визначають цінові тенденції

Ціноутворення на нержавіючу сталь є всеосяжним результатом зростання витрат і попиту. Вартість феронікелю, дані про запаси та операційні темпи виробництва формують трійцю «витрати-пропозиція-попит», що безпосередньо відображає фундаментальні зміни ринку.

Вартість феронікелю: основний фактор витратЗміни цін на феронікель (Ni 10-15%) як основної сировини для нержавіючої сталі серії 300- безпосередньо впливають на ціну франко-виробника нержавіючої сталі. Збільшення феронікелю на 100 дол. США за тонну зазвичай призводить до зростання 300-500 дол. США за тонну листів з нержавіючої сталі.

Дані запасів: баланс попиту та пропозиціїСоціальний інвентар (зокрема складський інвентар і-товари в дорозі) відображає надлишок або дефіцит пропозиції на ринку. Коли запаси перевищують поріг у 500 000 тонн (для китайського ринку), ціни мають тенденцію до зниження; запаси менше 300 000 тонн часто спричиняють зростання цін.

Операційна швидкість переробки: барометр попитуОпераційні показники наступних галузей (будівництво, автомобілебудування, побутова техніка) безпосередньо визначають споживання нержавіючої сталі. Збільшення темпів виробництва побутової техніки на 10% може сприяти зростанню попиту на нержавіючу сталь на 3-5%.

Перший крок: збір і попередня обробка даних

Високоякісні-дані є основою моделі ШІ. Garbage in, garbage out-дефектні дані безпосередньо знижують точність передбачення. Процес обробки даних включає три ключові ланки.

1. Інтеграція даних із кількох-джерел

Збирайте дані з авторитетних каналів, щоб забезпечити своєчасність і точність: дані про витрати на феронікель від Shanghai Nonferrous Metals Network (SMM), що оновлюються щодня; дані про інвентаризацію від Китайської асоціації заліза та сталі (CISA), які публікуються щотижня; Дані про операційну швидкість низхідного потоку від галузевих дослідницьких установ (наприклад, Mysteel), оновлюються кожні 3 дні. Часовий проміжок даних охоплює 5 років (2019-2023), щоб охопити циклічні тенденції.

2. Очищення та стандартизація даних

Усуньте аномальні точки даних (наприклад, раптові стрибки цін, викликані форс-мажорними обставинами), використовуючи принцип 3σ. Стандартизуйте одиниці вимірювання даних: конвертуйте вартість феронікелю в долари США за тонну, запаси в 10 000 тонн і робочу швидкість у відсотках (0-100%). Заповніть відсутні значення методом лінійної інтерполяції, щоб забезпечити цілісність даних.

3. Розробка функцій: підвищення цінності даних

Побудуйте похідні функції для покращення передбачуваної здатності моделі: обчисліть 7-денне ковзне середнє значення вартості феронікелю, щоб згладити короткострокові-коливання; створити співвідношення-запасів до попиту (запаси / (експлуатаційний рівень × історичне середнє споживання)); додайте сезонну функцію (наприклад, Q1 для зниження попиту на Весняний фестиваль), щоб охопити періодичні моделі.

Вибір алгоритму: нейронна мережа LSTM для прогнозування часових рядів

Ціни на нержавіючу сталь є типовими часовими рядами даних із сильною безперервністю та періодичністю. Серед алгоритмів штучного інтелекту мережа довгострокової-термальної пам’яті (LSTM) перевершує ARIMA та традиційні нейронні мережі в обробці довгострокових-залежностей.

1. Проектування структури моделі

Модель LSTM складається з чотирьох рівнів: вхідний рівень (приймає 3 основні індикатори + 5 похідні функції, всього 8 функцій); два шари LSTM (перший рівень має 64 одиниці, другий рівень має 32 одиниці, з використанням функції активації ReLU); вихідний шар (прогнозування ціни листа з нержавіючої сталі 304 через 7 днів).

2. Гіперпараметрична настройка

Оптимізуйте гіперпараметри за допомогою перехресної-перевірки, щоб уникнути переобладнання: установіть часовий крок на 14 днів (використовуючи дані за останні 14 днів для прогнозування майбутніх цін); розмір партії до 32; швидкість навчання до 0,001; використовуйте оптимізатор Адама та середню квадратичну помилку (MSE) як функцію втрат. Епоха навчання моделі становить 100 з ранньою зупинкою, коли втрати перевірки припиняють зменшуватися протягом 5 послідовних епох.

3. Навчання та перевірка моделі

Розділіть дані за 5-років на набір для навчання (70%), набір для перевірки (15%) і набір для тестування (15%). Після навчання MSE моделі на тестовому наборі становить 0,008. і R² (коефіцієнт детермінації) дорівнює 0.86. це вказує на те, що модель може пояснити 86% варіації ціни – це набагато більше, ніж 62% традиційної моделі ARIMA.

Оптимізація моделі: механізм уваги та ансамблеве навчання

Щоб ще більше підвищити точність, інтегруйте механізм уваги та ансамблеве навчання, щоб покращити здатність моделі зосереджуватися на ключових факторах.

1. Механізм додавання уваги

Вставте рівень уваги між шарами LSTM, щоб призначити різні ваги для вхідних функцій. Результати показують, що модель автоматично призначає найвищу вагу (0,42) 7-денному ковзному середньому вартості феронікелю, за яким іде співвідношення-запасів до попиту (0,28) і рівень експлуатації побутової техніки (0,15), що узгоджується з логікою ринку.

2. Ансамбль навчання з XGBoost

Поєднайте модель LSTM з алгоритмом XGBoost (чудово обробляє табличні дані) за допомогою методу середньозваженого (вага LSTM 0,7, вага XGBoost 0,3). Точність передбачення інтегрованої моделі на тестовому наборі підвищується до 88%, а середня абсолютна похибка (MAE) зменшується на 12% порівняно з окремою моделлю LSTM.

Практичне застосування: приклад компанії з торгівлі нержавіючої сталлю

Велика компанія, що торгує нержавіючої сталлю, застосувала цю модель для прийняття рішень щодо закупівель і продажів із січня по червень 2024 року. Прогнозовані результати моделі та фактичні наслідки такі:

 

Період прогнозування	Прогнозована модель моделі ($/тонна)	Фактична ринкова ціна ($/тонна)	Помилка передбачення	Настанови щодо прийняття рішень та їх вплив
15-21 січня	2850	2830	0.7%	Зменшено запаси на 20%, уникнувши втрати 40 доларів США за тонну
1-7 бер	2980	3000	0.7%	Збільшення закупівель на 15%, отримання прибутку $30/тонна
20-26 травня	3120	3100	0.6%	Фіксовані ціни продажу, що забезпечує стабільну маржу

 

Протягом шести-місячного періоду швидкість оборотності запасів компанії зросла на 35%, а середня норма прибутку на тонну зросла на 2,3 відсоткових пункти, що підтверджує практичну цінність моделі.

Загальні виклики та рішення

У реальному застосуванні модель може зіткнутися з такими проблемами, як раптові зміни політики та шоки цін на сировину. Цілеспрямовані рішення забезпечують його стабільність.

Втручання в політику (наприклад, коригування податку на експорт)Додайте фіктивні змінні політики до моделі (1 для реалізації політики, 0 в іншому випадку) і перенавчіть модель за допомогою історичних даних політики, щоб покращити адаптивність.

Волатильність ціни на феронікель, спричинена пропозицією нікелевої рудиІнтегруйте дані про імпорт нікелевої руди (з Індонезії, Філіппін) у модель як провідний індикатор для прогнозування змін вартості феронікелю заздалегідь.

Деградація моделі з часомВстановіть механізм щомісячного оновлення моделі, перенавчіть модель з даними за останні 3 місяці та налаштуйте ваги функцій, щоб адаптуватися до змін ринку.

Перспективи майбутнього: інтеграція передових технологій

Модель прогнозування цін на нержавіючу сталь продовжуватиме розвиватися разом із технологічним прогресом, рухаючись до більшої точності та інтелекту.

Інтеграція-даних у реальному часіПідключайтеся до систем IoT металургійних заводів і складів, щоб отримувати-інвентаризацію та дані про виробництво в реальному часі, скорочуючи затримку даних із 3 днів до 1 години.

Обробка природної мови (NLP)Аналізуйте новини, соціальні медіа та галузеві звіти за допомогою НЛП, щоб отримати індикатори настроїв (наприклад, негативні настрої щодо страйку металургійного заводу) і включити їх у модель.

Технологія Digital TwinСтворіть цифрового двійника ланцюжка виробництва нержавіючої сталі, імітуючи вплив різних сценаріїв (наприклад, зростання цін на нафту, що впливає на транспортні витрати) на ціни, щоб забезпечити прогнози-на основі сценаріїв.

Висновок: штучний інтелект сприяє-прийняттю рішень на ринку нержавіючої сталі

Модель прогнозування ціни штучного інтелекту, заснована на вартості феронікелю, даних про запаси та операційній швидкості переробки, долає обмеження традиційних методів прогнозування. Завдяки точному відображенню складних взаємозв’язків між ринковими факторами, він забезпечує надійні прогнози цін для підприємств у ланцюжку виробництва нержавіючої сталі. Практичне застосування моделі показує, що технологія ШІ може ефективно зменшити операційні ризики, оптимізувати розподіл ресурсів і підвищити конкурентоспроможність на ринку. У міру покращення якості даних і вдосконалення алгоритмів такі моделі штучного інтелекту стануть незамінним інструментом для підприємств, що займаються виробництвом нержавіючої сталі, сприяючи трансформації галузі до-прийняття рішень-на основі даних.