Model de predicció del preu del mercat de l'acer inoxidable: construcció de l'algorisme d'IA basat en el cost del ferroníquel, les dades d'inventari i la taxa d'operació aigües avall

Els preus de l'acer inoxidable fluctuen fortament sota la influència dels costos de les matèries primeres, l'oferta i la demanda del mercat i els factors macroeconòmics. Per als fabricants, comerciants i empreses aigües avall, les previsions de preus precises són fonamentals per reduir els riscos operatius i optimitzar les estratègies de compra. Els mètodes de predicció tradicionals que es basen en l'experiència o en models lineals sovint no aconsegueixen captar relacions no lineals complexes al mercat. Aquest article presenta un model de predicció de preus de l'acer inoxidable basat en IA-que integra tres indicadors bàsics-cost del ferroníquel (que representa el 60% dels costos de producció), dades d'inventari social i taxa d'explotació posterior-per aconseguir una precisió de predicció superior al 85%. Detalla el processament de dades del model, la selecció d'algoritmes i els efectes d'aplicació pràctica.

Lògica bàsica: per què aquests tres indicadors determinen les tendències dels preus

La formació de preus de l'acer inoxidable és un resultat global de l'impuls dels costos i de la demanda. El cost del ferro, les dades d'inventari i la taxa d'explotació posterior formen una trinitat de "cost-oferta-demanda", que reflecteix directament els canvis fonamentals del mercat.

Ferronickel Cost: el factor principal del costCom a matèria primera principal per a l'acer inoxidable de la sèrie 300-, els canvis de preu del ferroníquel (Ni 10-15%) afecten directament el preu de fàbrica de l'acer inoxidable. Un augment de 100 dòlars per tona de ferronic sol comporta un augment de 300-500 dòlars per tona en les làmines d'acer inoxidable 304.

Dades d'inventari: l'equilibri de l'oferta i la demandaL'inventari social (incloent-hi l'inventari del magatzem i les{0}}mercaderies en trànsit) reflecteix l'excedent o l'escassetat de subministrament del mercat. Quan l'inventari supera el llindar de 500.000 tones (per al mercat de la Xina), els preus tendeixen a baixar; un inventari inferior a 300.000 tones sovint provoca augments de preus.

Taxa d'explotació avall: el baròmetre de la demandaLes taxes de funcionament de les indústries aigües avall (construcció, automoció, electrodomèstics) determinen directament el consum d'acer inoxidable. Un augment del 10% en la taxa d'operació de la indústria d'electrodomèstics pot impulsar un creixement del 3-5% de la demanda d'acer inoxidable.

Primer pas: recollida i preprocessament de dades

Les dades d'alta-qualitat són la base del model d'IA. Les escombraries entrades i sortides-les dades errònies reduiran directament la precisió de la predicció. El procés de tractament de dades inclou tres enllaços clau.

1. Integració de dades multi-font

Recolliu dades de canals autoritzats per garantir l'oportunitat i la precisió: dades de costos de ferronic de la Xarxa de metalls no ferrosos de Xangai (SMM), actualitzades diàriament; dades d'inventari de la Xina Iron and Steel Association (CISA), publicades setmanalment; Dades de taxes d'explotació posteriors de les institucions de recerca del sector (p. ex., Mysteel), actualitzades cada 3 dies. El període de temps de les dades cobreix 5 anys (2019-2023) per capturar tendències cícliques.

2. Neteja i estandardització de dades

Elimineu els punts de dades anormals (p. ex., pics sobtats de preus causats per força major) mitjançant el principi 3σ. Estandarditzar les unitats de dades: Converteix el cost del ferroníquel a $/tona, l'inventari a 10.000 tones i la taxa d'operació a un percentatge (0-100%). Ompliu els valors que falten amb el mètode d'interpolació lineal per garantir la integritat de les dades.

3. Enginyeria de funcions: millora del valor de les dades

Construeix funcions derivades per millorar la capacitat predictiva del model: calculeu la mitjana mòbil de 7-dies del cost del ferronic per suavitzar les fluctuacions a curt-termen; crear una relació d'inventari-a la demanda (inventari/(taxa d'operació aigües avall × consum mitjà històric)); afegiu una funció estacional (p. ex., Q1 per a la disminució de la demanda del Festival de Primavera) per capturar patrons periòdics.

Selecció d'algoritmes: Xarxa neuronal LSTM per a la predicció de sèries temporals

Els preus de l'acer inoxidable són dades típiques de sèries temporals amb una forta continuïtat i periodicitat. Entre els algorismes d'IA, la xarxa de memòria a llarg-term termini (LSTM) supera ARIMA i les xarxes neuronals tradicionals a l'hora de gestionar les dependències a-a llarg termini.

1. Disseny de l'Estructura del Model

El model LSTM consta de quatre capes: Capa d'entrada (s'accepta 3 característiques bàsiques d'indicadors + 5, un total de 8 característiques); dues capes LSTM (la primera capa té 64 unitats, la segona capa té 32 unitats, utilitzant la funció d'activació ReLU); capa de sortida (predicció del preu de la xapa d'acer inoxidable 304 7 dies després).

2. Afinació d'hiperparàmetres

Optimitzeu els hiperparàmetres mitjançant la validació creuada-per evitar el sobreajustament: establiu el pas de temps en 14 dies (utilitzant les dades dels darrers 14 dies per predir els preus futurs); mida del lot fins a 32; taxa d'aprenentatge fins a 0,001; utilitzeu l'optimitzador Adam i l'error quadrat mitjà (MSE) com a funció de pèrdua. L'època d'entrenament del model és 100. amb aturada primerenca quan la pèrdua de validació deixa de disminuir durant 5 èpoques consecutives.

3. Model de Formació i Validació

Dividiu les dades de 5-anys en conjunt d'entrenament (70%), conjunt de validació (15%) i conjunt de proves (15%). Després de l'entrenament, el MSE del model al conjunt de prova és de 0,008. i el R² (coeficient de determinació) és 0.86. indicant que el model pot explicar un 86% de la variació del preu, molt superior al 62% del model ARIMA tradicional.

Optimització de models: mecanisme d'atenció i aprenentatge conjunt

Per millorar encara més la precisió, integreu el mecanisme d'atenció i l'aprenentatge conjunt per millorar la capacitat del model de centrar-se en factors clau.

1. Afegir un mecanisme d'atenció

Incorporeu una capa d'atenció entre les capes LSTM per assignar diferents pesos a les característiques d'entrada. Els resultats mostren que el model assigna automàticament el pes més alt (0,42) a la mitjana mòbil de 7-dies del cost del ferro, seguida de la relació d'inventari-a la demanda (0,28) i la taxa d'operació de la indústria d'electrodomèstics (0,15), que és coherent amb la lògica del mercat.

2. Aprenentatge conjunt amb XGBoost

Combineu el model LSTM amb l'algorisme XGBoost (excel·lent en el maneig de dades tabulars) mitjançant un mètode de mitjana ponderada (pes LSTM 0,7. Pes XGBoost 0,3). La precisió de predicció del model integrat en el conjunt de proves augmenta fins al 88% i l'error absolut mitjà (MAE) disminueix un 12% en comparació amb el model LSTM únic.

Aplicació pràctica: Cas pràctic d'una empresa comercial d'acer inoxidable

Una gran empresa comercial d'acer inoxidable va aplicar aquest model per guiar les decisions de compra i vendes de gener a juny de 2024. Els resultats de predicció i els efectes reals del model són els següents:

 

Període de predicció	Preu previst del model ($/tona)	Preu de mercat real ($/tona)	Error de predicció	Orientació i efecte de la decisió
15-21 de gener	2850	2830	0.7%	Inventari reduït un 20%, evitant pèrdues de 40 $/tona
1-7 de març	2980	3000	0.7%	Augment de les compres en un 15%, obtenint un benefici de 30 dòlars per tona
20-26 de maig	3120	3100	0.6%	Tancat en preus de venda, garantint marges estables

 

Durant el període de sis-mesos, la taxa de rotació d'inventari de l'empresa va augmentar un 35% i el marge de benefici mitjà per tona va augmentar en 2,3 punts percentuals, verificant el valor pràctic del model.

Reptes i solucions comuns

En l'aplicació real, el model pot enfrontar-se a reptes com ara canvis sobtats de política i xocs en els preus de les matèries primeres. Les solucions dirigides garanteixen la seva estabilitat.

Interferència de la política (p. ex., ajust d'impostos d'exportació)Afegiu variables simulades de polítiques al model (1 per a la implementació de polítiques, 0 en cas contrari) i torneu a entrenar el model amb dades històriques de polítiques per millorar l'adaptabilitat.

Volatilitat del preu del ferronicel causada pel subministrament de mineral de níquelIntegreu les dades d'importació de mineral de níquel (des d'Indonèsia, les Filipines) al model com a indicador principal per predir els canvis de costos del ferroníquel amb antelació.

Degradació del model al llarg del tempsEstabliu un mecanisme d'actualització mensual del model, torneu a entrenar el model amb les dades dels últims 3 mesos i ajusteu els pesos de les funcions per adaptar-se als canvis del mercat.

Perspectives de futur: integració de tecnologies més avançades

El model de predicció de preus de l'acer inoxidable continuarà evolucionant amb el progrés tecnològic, avançant cap a una major precisió i intel·ligència.

Integració de dades-en temps realConnecteu-vos als sistemes d'IoT de les fàbriques d'acer i els magatzems per obtenir dades d'inventari i de producció{0}}en temps real, reduint el retard de dades de 3 dies a 1 hora.

Processament del llenguatge natural (PNL)Analitzeu notícies, xarxes socials i informes del sector utilitzant la PNL per extreure indicadors de sentiment (p. ex., sentiment negatiu de "vaga d'acer) i incorporar-los al model.

Tecnologia Digital TwinConstrueix un bessó digital de la cadena de la indústria de l'acer inoxidable, simulant l'impacte de diferents escenaris (p. ex., l'augment del preu del petroli que afecta els costos de transport) sobre els preus per proporcionar previsions basades en escenaris-.

Conclusió: la IA potencia la presa de decisions del mercat de l'acer inoxidable{0}

El model de predicció de preus de l'IA basat en el cost del ferroníquel, les dades d'inventari i la taxa d'operació aigües avall supera les limitacions dels mètodes de predicció tradicionals. En capturar amb precisió les complexes relacions entre els factors del mercat, proporciona previsions de preus fiables per a les empreses de la cadena de la indústria de l'acer inoxidable. L'aplicació pràctica del model mostra que la tecnologia d'IA pot reduir eficaçment els riscos operatius, optimitzar l'assignació de recursos i millorar la competitivitat del mercat. A mesura que la qualitat de les dades millori i els algorismes avancin, aquests models d'IA es convertiran en una eina indispensable per a les empreses d'acer inoxidable, promovent la transformació del sector cap a la presa de decisions basades en dades--.