Model napovedovanja tržne cene nerjavečega jekla: konstrukcija algoritma umetne inteligence na podlagi stroškov feroniklja, podatkov o zalogah in stopnje obratovanja na nižji stopnji

Cene nerjavnega jekla močno nihajo pod vplivom stroškov surovin, tržne ponudbe in povpraševanja ter makroekonomskih dejavnikov. Za proizvajalce, trgovce in nadaljnja podjetja so natančne napovedi cen ključnega pomena za zmanjšanje operativnih tveganj in optimizacijo nabavnih strategij. Tradicionalne metode napovedovanja, ki temeljijo na izkušnjah ali linearnih modelih, pogosto ne zajamejo kompleksnih nelinearnih odnosov na trgu. Ta članek predstavlja-model napovedovanja cen nerjavnega jekla, ki temelji na umetni inteligenci in vključuje tri ključne kazalnike-ceno feronikla (ki predstavlja 60 % proizvodnih stroškov), podatke o družbenem inventarju in stopnjo poslovanja na nižji stopnji-za doseganje natančnosti napovedi nad 85 %. Podrobno opisuje obdelavo podatkov modela, izbiro algoritma in učinke praktične uporabe.

Osnovna logika: Zakaj ti trije kazalniki določajo cenovne trende

Oblikovanje cen nerjavečega jekla je celovit rezultat pritiska na stroške in povpraševanja. Stroški feroniklja, podatki o zalogah in stopnja poslovanja na nižji stopnji tvorijo trojstvo "stroški-ponudba-povpraševanje", ki neposredno odraža temeljne spremembe na trgu.

Stroški feroniklja: glavni dejavnik stroškovFeronikelj (Ni 10–15 %) kot glavna surovina za nerjaveče jeklo serije 300{2}} neposredno vpliva na ceno franko tovarna nerjavečega jekla. Povečanje feronikelja za 100 $/tono običajno povzroči povečanje za 300-500 $/tono pri ploščah iz nerjavečega jekla 304.

Podatki o zalogah: izravnavalec ponudbe in povpraševanjaDružbeni inventar (vključno s skladiščnim inventarjem in-blagom v tranzitu) odraža presežek ali pomanjkanje ponudbe na trgu. Ko zaloge presežejo prag 500.000 ton (za kitajski trg), se cene ponavadi znižajo; zaloge pod 300.000 ton pogosto sprožijo zvišanje cen.

Operativna stopnja na nižji stopnji: Barometer povpraševanjaDelovne stopnje v panogah na koncu proizvodne verige (gradbeništvo, avtomobilska industrija, gospodinjski aparati) neposredno določajo porabo nerjavnega jekla. 10-odstotno povečanje stopnje delovanja industrije gospodinjskih aparatov lahko spodbudi 3- do 5-odstotno rast povpraševanja po nerjavnem jeklu.

Prvi korak: Zbiranje podatkov in predhodna obdelava

Visoko{0}}kakovostni podatki so temelj modela umetne inteligence. Garbage in, garbage out-pomanjkljivi podatki bodo neposredno zmanjšali natančnost napovedi. Proces obdelave podatkov vključuje tri ključne člene.

1. Integracija več-izvornih podatkov

Zbirajte podatke iz verodostojnih kanalov, da zagotovite pravočasnost in točnost: podatki o stroških feroniklja iz Shanghai Nonferrous Metals Network (SMM), ki se dnevno posodabljajo; podatke o zalogah Kitajskega združenja za železo in jeklo (CISA), objavljenih vsak teden; podatki o stopnjah delovanja na nižji stopnji iz industrijskih raziskovalnih ustanov (npr. Mysteel), posodobljeni vsake 3 dni. Časovni razpon podatkov zajema 5 let (2019–2023) za zajem cikličnih trendov.

2. Čiščenje in standardizacija podatkov

Odstranite neobičajne podatkovne točke (npr. nenadne skoke cen zaradi višje sile) z uporabo načela 3σ. Standardizirajte podatkovne enote: Pretvorite stroške feronikla v $/tono, zalogo v 10.000 ton in stopnjo delovanja v odstotek (0-100 %). Izpolnite manjkajoče vrednosti z metodo linearne interpolacije, da zagotovite celovitost podatkov.

3. Inženiring funkcij: izboljšanje vrednosti podatkov

Konstruirajte izpeljane funkcije za izboljšanje napovedne sposobnosti modela: izračunajte 7-dnevno drseče povprečje stroškov feronikelja, da zgladite kratkoročna-nihanja; ustvarite razmerje-inventar in povpraševanje (inventar / (stopnja delovanja na nižji stopnji × pretekla povprečna poraba)); dodajte sezonsko funkcijo (npr. 1. četrtletje za upad povpraševanja po pomladnem festivalu), da zajamete periodične vzorce.

Izbira algoritma: nevronska mreža LSTM za napovedovanje časovnih vrst

Cene nerjavnega jekla so tipični podatki časovne serije z močno kontinuiteto in periodičnostjo. Med algoritmi umetne inteligence je omrežje Long Short{1}}Term Memory (LSTM) boljše od ARIMA in tradicionalnih nevronskih mrež pri obravnavanju dolgoročnih-odvisnosti.

1. Oblikovanje strukture modela

Model LSTM je sestavljen iz štirih plasti: Vhodna plast (sprejema 3 osnovne indikatorje + 5 izpeljane funkcije, skupaj 8 funkcij); dva sloja LSTM (prvi sloj ima 64 enot, drugi sloj ima 32 enot, z uporabo ReLU aktivacijske funkcije); izhodni sloj (napovedovanje cene pločevine iz nerjavečega jekla 304 7 dni kasneje).

2. Nastavitev hiperparametrov

Optimizirajte hiperparametre z navzkrižnim-preverjanjem, da se izognete pretiranemu prilagajanju: nastavite časovni korak na 14 dni (uporaba podatkov zadnjih 14 dni za predvidevanje prihodnjih cen); velikost serije do 32; stopnja učenja na 0,001; uporabite optimizator Adam in srednjo kvadratno napako (MSE) kot funkcijo izgube. Obdobje usposabljanja modela je 100. z zgodnjo zaustavitvijo, ko se izguba validacije preneha zmanjševati za 5 zaporednih obdobij.

3. Usposabljanje in validacija modela

Podatke za 5-let razdelite na vadbeni niz (70 %), validacijski niz (15 %) in testni niz (15 %). Po treningu je MSE modela na testnem nizu 0,008. in R² (koeficient determinacije) je 0.86. kar kaže, da lahko model pojasni 86 % variacije cen – veliko več kot 62 % tradicionalnega modela ARIMA.

Optimizacija modela: mehanizem pozornosti in učenje ansambla

Za nadaljnje izboljšanje natančnosti integrirajte mehanizem pozornosti in skupinsko učenje, da izboljšate sposobnost modela, da se osredotoči na ključne dejavnike.

1. Mehanizem dodajanja pozornosti

Vdelajte plast pozornosti med plasti LSTM, da vhodnim funkcijam dodelite različne uteži. Rezultati kažejo, da model samodejno dodeli najvišjo težo (0,42) 7-dnevnemu drsečemu povprečju stroškov feronikelja, ki mu sledita razmerje med zalogami-in povpraševanjem (0,28) in stopnja delovanja industrije gospodinjskih aparatov (0,15), kar je skladno s tržno logiko.

2. Ensemble Learning z XGBoost

Združite model LSTM z algoritmom XGBoost (odličen pri obdelavi tabelarnih podatkov) z uporabo metode tehtanega povprečja (teža LSTM 0,7. Teža XGBoost 0,3). Natančnost napovedi integriranega modela na testnem nizu se poveča na 88 %, povprečna absolutna napaka (MAE) pa se zmanjša za 12 % v primerjavi z enim modelom LSTM.

Praktična uporaba: študija primera podjetja za trgovanje z nerjavnim jeklom

Veliko podjetje za trgovanje z nerjavnim jeklom je uporabilo ta model za vodenje odločitev o nabavi in ​​prodaji od januarja do junija 2024. Rezultati napovedi in dejanski učinki modela so naslednji:

 

Obdobje napovedi	Predvidena cena modela ($/tono)	Dejanska tržna cena ($/tono)	Napaka pri predvidevanju	Usmerjanje in učinek odločanja
15.–21. januarja	2850	2830	0.7%	Zaloge so se zmanjšale za 20 %, pri čemer se je izognila izgubi 40 $/tono
1.-7. marec	2980	3000	0.7%	Povečanje nabave za 15 %, zaslužek 30 $/tono dobička
20.-26. maj	3120	3100	0.6%	Zaklenjene prodajne cene, ki zagotavljajo stabilne marže

 

V šest-mesečnem obdobju se je stopnja obrata zalog podjetja povečala za 35 %, povprečna stopnja dobička na tono pa za 2,3 odstotne točke, kar potrjuje praktično vrednost modela.

Skupni izzivi in ​​rešitve

V dejanski uporabi se lahko model sooča z izzivi, kot so nenadne spremembe politike in šoki cen surovin. Ciljne rešitve zagotavljajo njegovo stabilnost.

Vmešavanje v politiko (npr. prilagoditev izvoznega davka)Modelu dodajte navidezne spremenljivke pravilnika (1 za izvajanje pravilnika, 0 sicer) in ponovno usposobite model s preteklimi podatki pravilnika, da izboljšate prilagodljivost.

Nestanovitnost cen feronikla, ki jo povzroča dobava nikljeve rudeIntegrirajte podatke o uvozu nikljeve rude (iz Indonezije, Filipinov) v model kot vodilni indikator za vnaprejšnje napovedovanje sprememb stroškov feronikelja.

Degradacija modela skozi časVzpostavite mehanizem mesečnega posodabljanja modela, ponovno usposobite model z zadnjimi 3 meseci podatkov in prilagodite uteži funkcij, da se prilagodijo tržnim spremembam.

Obeti v prihodnost: Integracija naprednejših tehnologij

Model napovedovanja cen nerjavečega jekla se bo še naprej razvijal s tehnološkim napredkom in se pomikal proti večji natančnosti in inteligenci.

Integracija-podatkov v realnem časuPovežite se s sistemi IoT jeklarn in skladišč, da pridobite-inventar in podatke o proizvodnji v realnem času, s čimer zmanjšate zamik podatkov s 3 dni na 1 uro.

Obdelava naravnega jezika (NLP)Analizirajte novice, družbene medije in poročila o industriji z uporabo NLP, da izluščite kazalnike razpoloženja (npr. negativno razpoloženje o stavki v jeklarni) in jih vključite v model.

Tehnologija digitalnega dvojčkaZgradite digitalnega dvojčka verige industrije nerjavnega jekla in simulirajte vpliv različnih scenarijev (npr. naraščajoče cene nafte, ki vplivajo na transportne stroške) na cene, da zagotovite napovedi-na podlagi scenarijev.

Zaključek: umetna inteligenca krepi{0}}odločanje na trgu nerjavnega jekla

Model napovedovanja cen z umetno inteligenco, ki temelji na stroških feronikla, podatkih o zalogah in stopnji obratovanja na nižji stopnji, prebija omejitve tradicionalnih metod napovedovanja. Z natančnim zajemanjem zapletenih odnosov med tržnimi dejavniki zagotavlja zanesljive napovedi cen za podjetja v verigi industrije nerjavnega jekla. Praktična uporaba modela kaže, da lahko tehnologija umetne inteligence učinkovito zmanjša operativna tveganja, optimizira dodeljevanje virov in poveča konkurenčnost na trgu. Ko se kakovost podatkov izboljšuje in algoritmi napredujejo, bodo takšni modeli umetne inteligence postali nepogrešljivo orodje za podjetja iz nerjavnega jekla, saj bodo spodbujali preobrazbo industrije k sprejemanju-odločitev-na podlagi podatkov.