Модел за прогнозиране на пазарната цена на неръждаема стомана: Изграждане на AI алгоритъм на базата на цена на фероникел, данни за запасите и оперативна скорост надолу по веригата

Цените на неръждаемата стомана се колебаят рязко под влиянието на разходите за суровини, пазарното търсене и предлагане и макроикономически фактори. За производителите, търговците и предприятията надолу по веригата точните прогнози за цените са от решаващо значение за намаляване на оперативните рискове и оптимизиране на стратегиите за доставки. Традиционните методи за прогнозиране, разчитащи на опит или линейни модели, често не успяват да уловят сложни нелинейни връзки на пазара. Тази статия въвежда-базиран на изкуствен интелект модел за прогнозиране на цените на неръждаема стомана, който интегрира три основни показателя-цена на фероникел (представляваща 60% от производствените разходи), данни за социалната инвентаризация и оперативна скорост надолу по веригата-за постигане на точност на прогнозиране от над 85%. Той описва подробно обработката на данните на модела, избора на алгоритъм и ефектите от практическото приложение.

Основна логика: Защо тези три индикатора определят ценовите тенденции

Ценообразуването на неръждаемата стомана е цялостен резултат от натиска на разходите и търсенето. Цената на фероникела, данните за инвентара и оперативната скорост надолу по веригата образуват триединство „разходи-предлагане-търсене“, което директно отразява фундаменталните промени на пазара.

Разходи за фероникел: Основният двигател на разходитеКато основна суровина за неръждаема стомана от серия 300-, промените в цените на фероникел (Ni 10-15%) пряко влияят на цената франко завода на неръждаемата стомана. $100/тон увеличение на фероникела обикновено води до $300-500/тон увеличение на 304 листа от неръждаема стомана.

Данни за наличностите: балансьорът на предлагането и търсенетоСоциалната инвентаризация (включително складова инвентаризация и -транзитни стоки) отразява излишъка или недостига на предлагане на пазара. Когато запасите надхвърлят прага от 500 000 тона (за пазара в Китай), цените са склонни да намаляват; запасите под 300 000 тона често предизвикват увеличения на цените.

Оперативна скорост надолу по веригата: Барометър на търсенетоОперативните нива на отраслите надолу по веригата (строителство, автомобилостроене, домакински уреди) директно определят потреблението на неръждаема стомана. Увеличението с 10% в производителността на индустрията за домакински уреди може да доведе до 3-5% ръст в търсенето на неръждаема стомана.

Първа стъпка: Събиране на данни и предварителна обработка

Високо{0}}качествените данни са в основата на AI модела. Garbage in, garbage out-неправилните данни директно ще намалят точността на прогнозата. Процесът на обработка на данни включва три ключови връзки.

1. Интегриране на много-изходни данни

Събирайте данни от авторитетни канали, за да гарантирате навременност и точност: Данни за разходите за фероникел от Шанхайската мрежа за цветни метали (SMM), актуализирани ежедневно; данни за инвентара от Китайската асоциация за желязо и стомана (CISA), публикувани всяка седмица; данни за оперативната скорост надолу по веригата от индустриални изследователски институции (напр. Mysteel), актуализирани на всеки 3 дни. Времевият период на данните обхваща 5 години (2019-2023 г.), за да улови цикличните тенденции.

2. Почистване и стандартизация на данни

Елиминирайте необичайни точки от данни (напр. внезапни скокове на цените, причинени от форсмажорни обстоятелства), като използвате принципа 3σ. Стандартизирайте единиците данни: Преобразувайте цената на фероникел в $/тон, запасите в 10 000 тона и оперативната скорост в процент (0-100%). Попълнете липсващите стойности с метода на линейна интерполация, за да осигурите целостта на данните.

3. Инженеринг на функции: Подобряване на стойността на данните

Конструирайте производни функции, за да подобрите способността за прогнозиране на модела: Изчислете 7-дневната подвижна средна стойност на цената на фероникел, за да изгладите краткосрочните-флуктуации; създайте съотношение-запаси към търсене (запаси / (оперативна скорост надолу по веригата × историческо средно потребление)); добавете сезонна характеристика (напр. Q1 за спад на търсенето на Пролетния фестивал), за да уловите периодични модели.

Избор на алгоритъм: LSTM невронна мрежа за прогнозиране на времеви редове

Цените на неръждаемата стомана са типични данни от времеви редове със силна непрекъснатост и периодичност. Сред AI алгоритмите, мрежата Long Short-Term Memory (LSTM) превъзхожда ARIMA и традиционните невронни мрежи при справяне с дългосрочни-зависимости.

1. Дизайн на структурата на модела

Моделът LSTM се състои от четири слоя: входен слой (приемащ 3 основни индикатора + 5 производни характеристики, общо 8 характеристики); два LSTM слоя (първият слой има 64 единици, вторият слой има 32 единици, използвайки ReLU функция за активиране); изходен слой (предсказване на цената на листа от неръждаема стомана 304 7 дни по-късно).

2. Хиперпараметрична настройка

Оптимизирайте хиперпараметрите чрез кръстосано -валидиране, за да избегнете пренастройване: Задайте времевата стъпка на 14 дни (използвайки данни от последните 14 дни, за да прогнозирате бъдещи цени); размер на партидата до 32; скорост на обучение до 0,001; използвайте оптимизатора на Адам и средната квадратична грешка (MSE) като функция на загубата. Епохата на обучение на модела е 100. с ранно спиране, когато загубата при валидиране спре да намалява за 5 последователни епохи.

3. Обучение и валидиране на модела

Разделете 5-годишните данни на набор за обучение (70%), набор за валидиране (15%) и тестов набор (15%). След обучение, MSE на модела в тестовата серия е 0,008. и R² (коефициентът на определяне) е 0.86. което показва, че моделът може да обясни 86% от ценовата вариация - много повече от 62% от традиционния модел ARIMA.

Оптимизация на модела: Механизъм на вниманието и обучение в ансамбъл

За да подобрите допълнително точността, интегрирайте механизма за внимание и ансамбълното обучение, за да подобрите способността на модела да се фокусира върху ключови фактори.

1. Механизъм за добавяне на внимание

Вградете слой за внимание между слоевете LSTM, за да присвоите различни тегла на входните функции. Резултатите показват, че моделът автоматично присвоява най-високото тегло (0,42) на 7-дневната подвижна средна стойност на разходите за фероникел, последвано от съотношението инвентар-към търсене (0,28) и оперативната скорост на индустрията за домакински уреди (0,15), което е в съответствие с пазарната логика.

2. Ансамбълно обучение с XGBoost

Комбинирайте модела LSTM с алгоритъма XGBoost (отличен при обработка на таблични данни), като използвате метод на среднопретеглена стойност (тегло LSTM 0,7. Тегло XGBoost 0,3). Точността на прогнозиране на интегрирания модел върху тестовия набор се увеличава до 88%, а средната абсолютна грешка (MAE) намалява с 12% в сравнение с единичния LSTM модел.

Практическо приложение: Казус от компания за търговия с неръждаема стомана

Голяма компания за търговия с неръждаема стомана приложи този модел, за да ръководи решенията за доставки и продажби от януари до юни 2024 г. Резултатите от прогнозата на модела и действителните ефекти са както следва:

 

Период на прогнозиране	Прогнозна цена на модела ($/тон)	Действителна пазарна цена ($/тон)	Грешка в прогнозата	Насоки за вземане на решения и ефект
15-21 ян	2850	2830	0.7%	Намален инвентар с 20%, избягване на загуба от $40/тон
1-7 март	2980	3000	0.7%	Увеличени доставки с 15%, спечелени $30/тон печалба
20-26 май	3120	3100	0.6%	Заключени в продажните цени, осигуряващи стабилни маржове

 

По време на шест{0}}месечния период скоростта на оборот на запасите на компанията се е увеличила с 35%, а средният марж на печалба на тон се е увеличил с 2,3 процентни пункта, потвърждавайки практическата стойност на модела.

Често срещани предизвикателства и решения

В действително приложение моделът може да се изправи пред предизвикателства като внезапни промени в политиката и шокове в цените на суровините. Целенасочените решения гарантират неговата стабилност.

Намеса в политиката (напр. корекция на експортен данък)Добавете фиктивни променливи на политика към модела (1 за прилагане на политика, 0 в противен случай) и обучете отново модела с исторически данни за политика, за да подобрите адаптивността.

Колебливостта на цената на фероникела, причинена от предлагането на никелова рудаИнтегрирайте данните за вноса на никелова руда (от Индонезия, Филипините) в модела като водещ индикатор за предварително прогнозиране на промените в разходите за фероникел.

Деградация на модела с течение на времетоСъздайте месечен механизъм за актуализиране на модела, преобучете модела с последните 3 месеца данни и коригирайте теглата на характеристиките, за да се адаптирате към пазарните промени.

Бъдеща перспектива: Интегриране на по-модерни технологии

Моделът за прогнозиране на цените на неръждаемата стомана ще продължи да се развива с технологичния прогрес, движейки се към по-висока точност и интелигентност.

Интегриране-на данни в реално времеСвържете се с IoT системите на стоманодобивни заводи и складове, за да получите-инвентаризация и производствени данни в реално време, като намалите забавянето на данните от 3 дни на 1 час.

Обработка на естествен език (NLP)Анализирайте новини, социални медии и доклади от индустрията, като използвате НЛП, за да извлечете индикатори за настроение (напр. отрицателно настроение за „стачка в стоманодобивния завод“) и да ги включите в модела.

Технология Digital TwinИзградете дигитален близнак на веригата за производство на неръждаема стомана, като симулирате въздействието на различни сценарии (напр. покачващи се цени на петрола, засягащи транспортните разходи) върху цените, за да предоставите прогнози,-базирани на сценарии.

Заключение: AI дава възможност за вземане-на пазарни решения за неръждаема стомана

Моделът за прогнозиране на цените с изкуствен интелект, базиран на разходите за фероникел, данните за запасите и оперативната скорост надолу по веригата, преодолява ограниченията на традиционните методи за прогнозиране. Чрез точното улавяне на сложните взаимоотношения между пазарните фактори, той предоставя надеждни прогнози за цените за предприятията във веригата на индустрията за неръждаема стомана. Практическото приложение на модела показва, че AI технологията може ефективно да намали оперативните рискове, да оптимизира разпределението на ресурсите и да подобри конкурентоспособността на пазара. Тъй като качеството на данните се подобрява и алгоритмите напредват, такива модели на ИИ ще се превърнат в незаменим инструмент за предприятията от неръждаема стомана, насърчавайки трансформацията на индустрията към вземане на-управлявани от данни решения-.