Modello di previsione del prezzo di mercato dell'acciaio inossidabile: costruzione di un algoritmo AI basato sul costo del ferronichel, sui dati di inventario e sul tasso operativo a valle

I prezzi dell’acciaio inossidabile fluttuano bruscamente sotto l’influenza dei costi delle materie prime, della domanda e dell’offerta di mercato e di fattori macroeconomici. Per produttori, commercianti e imprese a valle, previsioni accurate dei prezzi sono fondamentali per ridurre i rischi operativi e ottimizzare le strategie di approvvigionamento. I metodi di previsione tradizionali che si basano sull’esperienza o su modelli lineari spesso non riescono a catturare complesse relazioni non lineari nel mercato. Questo articolo introduce un modello di previsione dei prezzi dell'acciaio inossidabile basato sull'intelligenza artificiale-che integra tre indicatori principali-costo del ferronichel (che rappresenta il 60% dei costi di produzione), dati di inventario sociale e tasso operativo a valle-per ottenere una precisione di previsione superiore all'85%. Descrive in dettaglio l'elaborazione dei dati del modello, la selezione dell'algoritmo e gli effetti pratici dell'applicazione.

Logica di base: perché questi tre indicatori determinano l’andamento dei prezzi

La formazione del prezzo dell’acciaio inossidabile è il risultato complessivo della spinta dei costi e dell’attrazione della domanda. Il costo del ferronichel, i dati di inventario e il tasso operativo a valle formano una trinità di "costo-offerta-domanda", che riflette direttamente i cambiamenti fondamentali del mercato.

Costo del ferronichel: il fattore principale dei costiEssendo la principale materia prima per l'acciaio inossidabile della serie 300-, le variazioni di prezzo del ferronichel (Ni 10-15%) influiscono direttamente sul prezzo franco fabbrica dell'acciaio inossidabile. Un aumento di $100/ton nel ferronichel solitamente porta ad un aumento di $ 300-500/ton nei fogli di acciaio inossidabile 304.

Dati di inventario: il sistema di bilanciamento della domanda e dell'offertaL'inventario sociale (incluso l'inventario di magazzino e le merci in-transito) riflette l'eccedenza o la carenza di offerta del mercato. Quando le scorte superano la soglia delle 500.000 tonnellate (per il mercato cinese), i prezzi tendono a diminuire; le scorte inferiori a 300.000 tonnellate spesso innescano aumenti di prezzo.

Tasso operativo a valle: il barometro della domandaI tassi operativi delle industrie a valle (edilizia, automobilistico, elettrodomestici) determinano direttamente il consumo di acciaio inossidabile. Un aumento del 10% del tasso operativo del settore degli elettrodomestici può determinare una crescita del 3-5% nella domanda di acciaio inossidabile.

Primo passo: raccolta e preelaborazione dei dati

I dati di alta-qualità sono il fondamento del modello AI. Immondizia dentro e fuori-dati errati ridurranno direttamente l'accuratezza della previsione. Il processo di elaborazione dei dati comprende tre collegamenti chiave.

1. Integrazione dei dati-da più fonti

Raccogliere dati da canali autorevoli per garantire tempestività e accuratezza: dati sui costi del ferronichel dalla Shanghai Nonferrous Metals Network (SMM), aggiornati quotidianamente; dati di inventario della China Iron and Steel Association (CISA), pubblicati settimanalmente; dati sulla velocità operativa a valle provenienti da istituti di ricerca del settore (ad esempio Mysteel), aggiornati ogni 3 giorni. L’arco temporale dei dati copre 5 anni (2019-2023) per catturare le tendenze cicliche.

2. Pulizia e standardizzazione dei dati

Eliminare i dati anomali (ad esempio, improvvisi picchi di prezzo causati da forza maggiore) utilizzando il principio 3σ. Standardizzare le unità di dati: convertire il costo del ferronichel in $/tonnellata, l'inventario in 10.000 tonnellate e il tasso operativo in una percentuale (0-100%). Riempi i valori mancanti con il metodo di interpolazione lineare per garantire l'integrità dei dati.

3. Ingegneria delle funzionalità: miglioramento del valore dei dati

Costruisci caratteristiche derivate per migliorare la capacità predittiva del modello: calcola la media mobile a 7-giorni del costo del ferronichel per attenuare le fluttuazioni a breve-termine; creare un rapporto inventario-/domanda (inventario/(tasso operativo a valle × consumo medio storico)); aggiungere una caratteristica stagionale (ad esempio, il primo trimestre per il calo della domanda del Festival di Primavera) per catturare modelli periodici.

Selezione dell'algoritmo: rete neurale LSTM per la previsione di serie temporali

I prezzi dell’acciaio inossidabile sono tipici dati di serie temporali con forte continuità e periodicità. Tra gli algoritmi di intelligenza artificiale, la rete Long Short-Term Memory (LSTM) supera ARIMA e le reti neurali tradizionali nella gestione delle dipendenze a lungo-termine.

1. Progettazione della struttura del modello

Il modello LSTM è costituito da quattro livelli: Livello di input (accetta 3 indicatori principali + 5 funzionalità derivate, totale 8 funzionalità); due strati LSTM (il primo strato ha 64 unità, il secondo strato ha 32 unità, utilizzando la funzione di attivazione ReLU); strato di output (previsione del prezzo della lamiera di acciaio inossidabile 304 7 giorni dopo).

2. Ottimizzazione degli iperparametri

Ottimizza gli iperparametri tramite la convalida incrociata- per evitare un adattamento eccessivo: imposta il passaggio temporale su 14 giorni (utilizzando i dati degli ultimi 14 giorni per prevedere i prezzi futuri); dimensione del lotto a 32; tasso di apprendimento a 0,001; utilizzare l'ottimizzatore Adam e l'errore quadratico medio (MSE) come funzione di perdita. L'epoca di addestramento del modello è 100, con arresto anticipato quando la perdita di convalida smette di diminuire per 5 epoche consecutive.

3. Formazione e validazione del modello

Dividere i dati di 5-anni in set di training (70%), set di validazione (15%) e set di test (15%). Dopo l'addestramento, l'MSE del modello sul set di test è 0,008. e l'R² (coefficiente di determinazione) è 0.86. indicando che il modello può spiegare l’86% della variazione di prezzo, molto superiore al 62% del modello ARIMA tradizionale.

Ottimizzazione del modello: meccanismo di attenzione e apprendimento d'insieme

Per migliorare ulteriormente la precisione, integrare il meccanismo di attenzione e l'apprendimento d'insieme per migliorare la capacità del modello di concentrarsi su fattori chiave.

1. Aggiunta di meccanismi di attenzione

Incorpora un livello di attenzione tra i livelli LSTM per assegnare pesi diversi alle funzionalità di input. I risultati mostrano che il modello assegna automaticamente il peso più elevato (0,42) alla media mobile di 7-giorni del costo del ferronichel, seguita dal rapporto inventario-/domanda (0,28) e dal tasso operativo del settore degli elettrodomestici (0,15), il che è coerente con la logica di mercato.

2. Apprendimento d'insieme con XGBoost

Combina il modello LSTM con l'algoritmo XGBoost (eccellente nella gestione dei dati tabulari) utilizzando un metodo di media ponderata (peso LSTM 0,7. Peso XGBoost 0,3). L'accuratezza della previsione del modello integrato sul set di test aumenta all'88% e l'errore medio assoluto (MAE) diminuisce del 12% rispetto al singolo modello LSTM.

Applicazione pratica: caso di studio di un'azienda commerciale di acciaio inossidabile

Una grande società commerciale di acciaio inossidabile ha applicato questo modello per guidare le decisioni di approvvigionamento e vendita da gennaio a giugno 2024. I risultati di previsione e gli effetti effettivi del modello sono i seguenti:

 

Periodo di previsione	Prezzo previsto del modello ($/tonnellata)	Prezzo di mercato effettivo ($/tonnellata)	Errore di previsione	Guida ed effetto della decisione
15-21 gennaio	2850	2830	0.7%	Scorte ridotte del 20%, evitando perdite di $ 40/ton
1-7 marzo	2980	3000	0.7%	Aumento dell'approvvigionamento del 15%, con un profitto di $ 30/ton
20-26 maggio	3120	3100	0.6%	Prezzi di vendita bloccati, garantendo margini stabili

 

Durante il periodo di sei-mesi, il tasso di rotazione delle scorte dell'azienda è aumentato del 35% e il margine di profitto medio per tonnellata è aumentato di 2,3 punti percentuali, verificando il valore pratico del modello.

Sfide e soluzioni comuni

Nell’applicazione reale, il modello potrebbe dover affrontare sfide quali improvvisi cambiamenti politici e shock nei prezzi delle materie prime. Soluzioni mirate ne garantiscono la stabilità.

Interferenza politica (ad esempio, aggiustamento delle tasse sulle esportazioni)Aggiungi variabili fittizie alle politiche al modello (1 per l'implementazione delle politiche, 0 altrimenti) e riqualifica il modello con dati politici storici per migliorare l'adattabilità.

Volatilità dei prezzi del ferronichel causata dall’offerta di minerale di nichelIntegrare i dati sulle importazioni di minerale di nichel (dall'Indonesia e dalle Filippine) nel modello come indicatore anticipatore per prevedere in anticipo le variazioni dei costi del ferronichel.

Degrado del modello nel tempoStabilisci un meccanismo di aggiornamento mensile del modello, riqualifica il modello con i dati degli ultimi 3 mesi e regola i pesi delle funzionalità per adattarlo ai cambiamenti del mercato.

Prospettive future: integrazione di tecnologie più avanzate

Il modello di previsione dei prezzi dell’acciaio inossidabile continuerà ad evolversi con il progresso tecnologico, muovendosi verso una maggiore precisione e intelligenza.

Integrazione dei dati-in tempo realeConnettiti ai sistemi IoT di acciaierie e magazzini per ottenere dati di inventario e produzione in tempo reale-, riducendo il ritardo dei dati da 3 giorni a 1 ora.

Elaborazione del linguaggio naturale (PNL)Analizza notizie, social media e report di settore utilizzando la PNL per estrarre indicatori di sentiment (ad esempio, sentiment negativo "sciopero dell'acciaieria") e incorporarli nel modello.

Tecnologia del gemello digitaleCostruisci un gemello digitale della catena industriale dell'acciaio inossidabile, simulando l'impatto di diversi scenari (ad esempio, l'aumento dei prezzi del petrolio che incidono sui costi di trasporto) sui prezzi per fornire previsioni basate sugli scenari-.

Conclusione: l'intelligenza artificiale rafforza il processo decisionale sul mercato dell'acciaio inossidabile-

Il modello di previsione dei prezzi basato sull’intelligenza artificiale basato sul costo del ferronichel, sui dati di inventario e sul tasso operativo a valle supera i limiti dei metodi di previsione tradizionali. Catturando accuratamente le complesse relazioni tra fattori di mercato, fornisce previsioni affidabili sui prezzi per le imprese della filiera dell'acciaio inossidabile. L’applicazione pratica del modello mostra che la tecnologia dell’intelligenza artificiale può ridurre efficacemente i rischi operativi, ottimizzare l’allocazione delle risorse e migliorare la competitività sul mercato. Con il miglioramento della qualità dei dati e l'avanzamento degli algoritmi, tali modelli di intelligenza artificiale diventeranno uno strumento indispensabile per le imprese dell'acciaio inossidabile, promuovendo la trasformazione del settore verso un processo decisionale-guidato dai dati-.