Model de predicție a prețului pieței de oțel inoxidabil: construcția algoritmului AI bazat pe costul feronicului, datele de inventar și rata de operare în aval

Prețurile oțelului inoxidabil fluctuează brusc sub influența costurilor materiilor prime, a cererii și ofertei pieței și a factorilor macroeconomici. Pentru producători, comercianți și întreprinderile din aval, previziunile precise ale prețurilor sunt esențiale pentru reducerea riscurilor operaționale și optimizarea strategiilor de achiziții. Metodele tradiționale de predicție care se bazează pe experiență sau pe modele liniare nu reușesc adesea să surprindă relații neliniare complexe de pe piață. Acest articol prezintă un model de predicție a prețurilor din oțel inoxidabil bazat pe inteligență artificială-care integrează trei indicatori de bază-costul feronicului (reprezentând 60% din costurile de producție), date privind inventarul social și rata de operare în aval-pentru a obține o precizie de predicție de peste 85%. Acesta detaliază procesarea datelor modelului, selecția algoritmului și efectele aplicației practice.

Logica de bază: de ce acești trei indicatori determină tendințele prețurilor

Formarea prețului oțelului inoxidabil este un rezultat cuprinzător al creșterii costurilor și al cererii. Costul Ferronickel, datele de stoc și rata de operare în aval formează o trinitate „cost-oferta-cerere”, reflectând direct schimbările fundamentale ale pieței.

Costul Ferronickel: factorul principal al costurilorFiind principala materie primă pentru oțelul inoxidabil din seria 300-, modificările prețului feronicului (Ni 10-15%) afectează direct prețul franco fabrică al oțelului inoxidabil. O creștere de 100 USD/tonă a feronicului duce de obicei la o creștere de 300-500 USD/tonă a foilor de oțel inoxidabil 304.

Date de inventar: Echilibratorul cererii și oferteiInventarul social (inclusiv inventarul din depozit și{0}}bunurile în tranzit) reflectă surplusul sau lipsa de aprovizionare a pieței. Când stocul depășește pragul de 500.000 de tone (pentru piața din China), prețurile tind să scadă; inventarul sub 300.000 de tone declanșează adesea creșteri de preț.

Rata de operare în aval: barometrul cereriiRatele de funcționare ale industriilor din aval (construcții, auto, electrocasnice) determină direct consumul de oțel inoxidabil. O creștere cu 10% a ratei de funcționare a industriei de electrocasnice poate determina o creștere cu 3-5% a cererii de oțel inoxidabil.

Primul pas: Colectarea și preprocesarea datelor

Datele de-înaltă calitate reprezintă fundamentul modelului AI. Datele eronate vor reduce în mod direct acuratețea predicțiilor. Procesul de prelucrare a datelor include trei legături cheie.

1. Integrare de date cu mai multe surse-

Colectați date de la canale autorizate pentru a asigura actualitatea și acuratețea: date privind costurile Ferronickel de la Shanghai Neferrous Metals Network (SMM), actualizate zilnic; date de inventar de la Asociația Chinei de Fier și Oțel (CISA), publicate săptămânal; Datele privind rata de operare din aval de la instituțiile de cercetare din industrie (de exemplu, Mysteel), actualizate la fiecare 3 zile. Perioada de timp a datelor acoperă 5 ani (2019-2023) pentru a capta tendințele ciclice.

2. Curățarea și standardizarea datelor

Eliminați punctele de date anormale (de exemplu, creșterile bruște ale prețurilor cauzate de forță majoră) utilizând principiul 3σ. Standardizați unitățile de date: convertiți costul feronicului în $/tonă, stocul la 10.000 tone și rata de operare într-un procent (0-100%). Completați valorile lipsă cu metoda de interpolare liniară pentru a asigura integritatea datelor.

3. Ingineria caracteristicilor: Îmbunătățirea valorii datelor

Construiți caracteristici derivate pentru a îmbunătăți capacitatea de predicție a modelului: calculați media mobilă pe 7-zile a costului feronicului pentru a atenua fluctuațiile pe termen scurt-; creați un raport inventar-la cerere (inventar / (rata de operare în aval × consumul mediu istoric)); adăugați o caracteristică sezonieră (de exemplu, Q1 pentru scăderea cererii la Festivalul de primăvară) pentru a captura modele periodice.

Selectarea algoritmului: LSTM Neural Network for Time Series Prediction

Prețurile oțelului inoxidabil sunt date tipice din seria cronologică cu continuitate și periodicitate puternice. Printre algoritmii AI, rețeaua Long Short Short Term (LSTM) depășește ARIMA și rețelele neuronale tradiționale în gestionarea dependențelor pe termen lung.

1. Proiectarea structurii modelului

Modelul LSTM constă din patru straturi: Stratul de intrare (acceptând 3 indicatori de bază + 5 caracteristici derivate, în total 8 caracteristici); două straturi LSTM (primul strat are 64 de unități, al doilea strat are 32 de unități, folosind funcția de activare ReLU); strat de ieșire (prevăzând prețul tablei de oțel inoxidabil 304 7 zile mai târziu).

2. Reglajul hiperparametrului

Optimizați hiperparametrii prin validare{0}}încrucișată pentru a evita supraadaptarea: setați intervalul de timp la 14 zile (folosind datele din ultimele 14 zile pentru a estima prețurile viitoare); dimensiunea lotului la 32; rata de învățare la 0,001; utilizați optimizatorul Adam și eroarea pătratică medie (MSE) ca funcție de pierdere. Epoca de antrenament a modelului este 100. cu oprire timpurie atunci când pierderea de validare încetează să scadă timp de 5 epoci consecutive.

3. Instruire și validare model

Împărțiți datele de 5-ani în set de antrenament (70%), set de validare (15%) și set de testare (15%). După antrenament, MSE-ul modelului pe setul de testare este 0,008. iar R² (coeficientul de determinare) este 0.86. indicând faptul că modelul poate explica 86% din variația prețului - mult mai mare decât 62% din modelul tradițional ARIMA.

Optimizarea modelului: mecanism de atenție și învățare prin ansamblu

Pentru a îmbunătăți și mai mult acuratețea, integrați mecanismul de atenție și învățarea ansamblului pentru a îmbunătăți capacitatea modelului de a se concentra asupra factorilor cheie.

1. Adăugarea mecanismului de atenție

Încorporați un strat de atenție între straturile LSTM pentru a atribui diferite ponderi caracteristicilor de intrare. Rezultatele arată că modelul atribuie automat cea mai mare pondere (0,42) mediei mobile pe 7-zile a costului feronicului, urmată de raportul stoc-la cerere (0,28) și rata de operare a industriei de electrocasnice (0,15), ceea ce este în concordanță cu logica pieței.

2. Învățare prin ansamblu cu XGBoost

Combinați modelul LSTM cu algoritmul XGBoost (excelent în manipularea datelor tabulare) folosind o metodă medie ponderată (greutate LSTM 0,7. greutate XGBoost 0,3). Precizia de predicție a modelului integrat pe setul de testare crește la 88%, iar eroarea medie absolută (MAE) scade cu 12% în comparație cu modelul LSTM unic.

Aplicație practică: studiu de caz al unei companii comerciale de oțel inoxidabil

O mare companie comercială de oțel inoxidabil a aplicat acest model pentru a ghida deciziile de achiziții și vânzări din ianuarie până în iunie 2024. Rezultatele predicțiilor și efectele reale ale modelului sunt următoarele:

 

Perioada de predicție	Prețul estimat al modelului ($/tonă)	Prețul real de piață ($/tonă)	Eroare de predicție	Îndrumarea deciziei și efectul
15-21 ianuarie	2850	2830	0.7%	Stoc redus cu 20%, evitând pierderea de 40 USD/tonă
1-7 martie	2980	3000	0.7%	Achiziții crescute cu 15%, obținând un profit de 30 USD/tonă
20-26 mai	3120	3100	0.6%	Blocat în prețuri de vânzare, asigurând marje stabile

 

Pe parcursul perioadei de șase-luni, rata de rotație a stocurilor companiei a crescut cu 35%, iar marja medie de profit pe tonă a crescut cu 2,3 ​​puncte procentuale, verificând valoarea practică a modelului.

Provocări și soluții comune

În aplicarea efectivă, modelul se poate confrunta cu provocări, cum ar fi schimbări bruște de politică și șocuri ale prețurilor materiilor prime. Soluțiile țintite asigură stabilitatea acestuia.

Interferența politicii (de exemplu, ajustarea taxelor la export)Adăugați variabile fictive ale politicii la model (1 pentru implementarea politicii, 0 în caz contrar) și reeducați modelul cu date istorice ale politicii pentru a îmbunătăți adaptabilitatea.

Volatilitatea prețului feronicului cauzată de aprovizionarea cu minereu de nichelIntegrați datele de import de minereu de nichel (din Indonezia, Filipine) în model ca indicator principal pentru a prezice în avans modificările costului ferronicilului.

Degradarea modelului în timpStabiliți un mecanism lunar de actualizare a modelului, reantrenați modelul cu ultimele 3 luni de date și ajustați ponderile caracteristicilor pentru a se adapta la schimbările pieței.

Perspectivă viitoare: integrarea tehnologiilor mai avansate

Modelul de predicție a prețurilor din oțel inoxidabil va continua să evolueze odată cu progresul tehnologic, îndreptându-se către o acuratețe și o inteligență mai ridicate.

Integrarea-de date în timp realConectați-vă la sistemele IoT ale fabricilor de oțel și depozitelor pentru a obține date de-inventar și producție în timp real, reducând întârzierea datelor de la 3 zile la 1 oră.

Procesarea limbajului natural (NLP)Analizați știrile, rețelele sociale și rapoartele din industrie folosind NLP pentru a extrage indicatorii de sentiment (de exemplu, sentimentul negativ „grevă oțelului”) și încorporați-i în model.

Tehnologia Digital TwinConstruiți un geamăn digital al lanțului industriei oțelului inoxidabil, simulând impactul diferitelor scenarii (de exemplu, creșterea prețului petrolului care afectează costurile de transport) asupra prețurilor pentru a oferi previziuni bazate pe scenarii-.

Concluzie: AI împuternicește procesul de luare a deciziilor pe piața din oțel inoxidabil

Modelul de predicție a prețurilor AI bazat pe costul ferronicelului, datele de inventar și rata de operare în aval depășește limitările metodelor tradiționale de predicție. Prin captarea cu acuratețe a relațiilor complexe dintre factorii de piață, oferă previziuni de preț fiabile pentru întreprinderile din lanțul industriei oțelului inoxidabil. Aplicația practică a modelului arată că tehnologia AI poate reduce în mod eficient riscurile operaționale, poate optimiza alocarea resurselor și poate crește competitivitatea pe piață. Pe măsură ce calitatea datelor se îmbunătățește și algoritmii avansează, astfel de modele AI vor deveni un instrument indispensabil pentru întreprinderile din oțel inoxidabil, promovând transformarea industriei către luarea deciziilor bazate pe date--.