Modelo de predicción del precio de mercado del acero inoxidable: construcción de algoritmos de IA basados ​​en el costo del ferroníquel, los datos de inventario y la tasa de operación posterior

Los precios del acero inoxidable fluctúan marcadamente bajo la influencia de los costos de las materias primas, la oferta y la demanda del mercado y factores macroeconómicos. Para los fabricantes, comerciantes y empresas transformadoras, las previsiones de precios precisas son fundamentales para reducir los riesgos operativos y optimizar las estrategias de adquisición. Los métodos de predicción tradicionales que se basan en la experiencia o en modelos lineales a menudo no logran capturar relaciones complejas no lineales en el mercado. Este artículo presenta un modelo de predicción de precios de acero inoxidable basado en IA-que integra tres indicadores principales:-costo del ferroníquel (que representa el 60 % de los costos de producción), datos de inventario social y tasa de operación descendente-para lograr una precisión de predicción de más del 85 %. Detalla el procesamiento de datos del modelo, la selección de algoritmos y los efectos de aplicación práctica.

Lógica central: por qué estos tres indicadores determinan las tendencias de precios

La formación de precios del acero inoxidable es un resultado integral del aumento de los costos y la demanda. El costo del ferníquel, los datos de inventario y la tasa de operación downstream forman una trinidad de "costo-oferta-demanda", que refleja directamente los cambios fundamentales del mercado.

Costo del ferroníquel: el factor principal del costoComo principal materia prima para el acero inoxidable de la serie 300-, los cambios de precio del ferroníquel (Ni 10-15%) afectan directamente el precio en fábrica del acero inoxidable. Un aumento de 100 $/tonelada en el ferroníquel normalmente conduce a un aumento de 300-500 $/tonelada en las láminas de acero inoxidable 304.

Datos de inventario: el equilibrador de oferta y demandaEl inventario social (incluido el inventario de almacén y los bienes en-tránsito) refleja el excedente o la escasez de oferta del mercado. Cuando el inventario supera el umbral de 500.000 toneladas (para el mercado chino), los precios tienden a bajar; Un inventario inferior a 300.000 toneladas a menudo provoca aumentos de precios.

Tasa de operación downstream: el barómetro de la demandaLos índices de funcionamiento de las industrias transformadoras (construcción, automoción, electrodomésticos) determinan directamente el consumo de acero inoxidable. Un aumento del 10% en la tasa de operación de la industria de electrodomésticos puede impulsar un crecimiento del 3 al 5% en la demanda de acero inoxidable.

Primer paso: recopilación y preprocesamiento de datos

Los datos de alta-calidad son la base del modelo de IA. Basura que entra, basura que sale-los datos defectuosos reducirán directamente la precisión de la predicción. El proceso de procesamiento de datos incluye tres vínculos clave.

1. Integración de datos de múltiples-fuentes

Recopile datos de canales autorizados para garantizar la puntualidad y precisión: datos de costos de ferníquel de la Red de Metales No Ferrosos de Shanghai (SMM), actualizados diariamente; datos de inventarios de la Asociación China del Hierro y el Acero (CISA), publicados semanalmente; Datos de tasa de operación downstream de instituciones de investigación de la industria (por ejemplo, Mysteel), actualizados cada 3 días. El período de tiempo de los datos cubre 5 años (2019-2023) para capturar tendencias cíclicas.

2. Limpieza y estandarización de datos

Elimine los puntos de datos anormales (por ejemplo, picos repentinos de precios causados ​​por fuerza mayor) utilizando el principio 3σ. Estandarizar las unidades de datos: convertir el costo del ferroníquel a $/tonelada, el inventario a 10.000 toneladas y la tasa de operación a un porcentaje (0-100%). Complete los valores faltantes con el método de interpolación lineal para garantizar la integridad de los datos.

3. Ingeniería de funciones: mejora del valor de los datos

Construya características derivadas para mejorar la capacidad predictiva del modelo: calcule el promedio móvil de 7-días del costo del ferroníquel para suavizar las fluctuaciones a corto-plazo; crear una relación inventario-a demanda (inventario/(tasa operativa descendente × consumo promedio histórico)); agregue una característica estacional (por ejemplo, el primer trimestre para la disminución de la demanda del Festival de Primavera) para capturar patrones periódicos.

Selección de algoritmo: red neuronal LSTM para predicción de series temporales

Los precios del acero inoxidable son datos típicos de series temporales con fuerte continuidad y periodicidad. Entre los algoritmos de IA, la red Long Short-Term Memory (LSTM) supera a ARIMA y a las redes neuronales tradicionales en el manejo de dependencias a largo-plazo.

1. Diseño de estructura modelo

El modelo LSTM consta de cuatro capas: capa de entrada (que acepta 3 indicadores centrales + 5 características derivadas, 8 características en total); dos capas LSTM (la primera capa tiene 64 unidades, la segunda capa tiene 32 unidades, usando la función de activación ReLU); capa de salida (prediciendo el precio de la lámina de acero inoxidable 304 7 días después).

2. Ajuste de hiperparámetros

Optimice los hiperparámetros mediante validación cruzada-para evitar el sobreajuste: establezca el intervalo de tiempo en 14 días (usando datos de los últimos 14 días para predecir precios futuros); tamaño de lote a 32; tasa de aprendizaje a 0,001; utilice el optimizador Adam y el error cuadrático medio (MSE) como función de pérdida. La época de entrenamiento del modelo es 100, con parada temprana cuando la pérdida de validación deja de disminuir durante 5 épocas consecutivas.

3. Formación y validación del modelo

Divida los datos de 5-años en conjunto de entrenamiento (70%), conjunto de validación (15%) y conjunto de prueba (15%). Después del entrenamiento, el MSE del modelo en el conjunto de prueba es 0,008. y el R² (coeficiente de determinación) es 0.86. lo que indica que el modelo puede explicar el 86% de la variación de precios, muy por encima del 62% del modelo ARIMA tradicional.

Optimización del modelo: mecanismo de atención y aprendizaje conjunto

Para mejorar aún más la precisión, integre el mecanismo de atención y el aprendizaje conjunto para mejorar la capacidad del modelo para centrarse en factores clave.

1. Agregar un mecanismo de atención

Incruste una capa de atención entre las capas de LSTM para asignar diferentes pesos a las funciones de entrada. Los resultados muestran que el modelo asigna automáticamente el peso más alto (0,42) al promedio móvil de 7-días del costo del ferroníquel, seguido por la relación inventario-demanda (0,28) y la tasa operativa de la industria de electrodomésticos (0,15), lo cual es consistente con la lógica del mercado.

2. Aprendizaje conjunto con XGBoost

Combine el modelo LSTM con el algoritmo XGBoost (excelente en el manejo de datos tabulares) utilizando un método de promedio ponderado (peso LSTM 0,7. Peso XGBoost 0,3). La precisión de predicción del modelo integrado en el conjunto de prueba aumenta al 88% y el error absoluto promedio (MAE) disminuye en un 12% en comparación con el modelo LSTM único.

Aplicación práctica: estudio de caso de una empresa comercializadora de acero inoxidable

Una gran empresa comercializadora de acero inoxidable aplicó este modelo para guiar las decisiones de adquisiciones y ventas de enero a junio de 2024. Los resultados de predicción y los efectos reales del modelo son los siguientes:

 

Período de predicción	Modelo Precio previsto ($/tonelada)	Precio de mercado real ($/tonelada)	Error de predicción	Orientación y efecto de la decisión
15-21 de enero	2850	2830	0.7%	Reducción del inventario en un 20%, evitando una pérdida de $40/tonelada
1-7 de marzo	2980	3000	0.7%	Aumentó las adquisiciones en un 15%, obteniendo una ganancia de $30/tonelada.
20-26 de mayo	3120	3100	0.6%	Precios de venta fijados, asegurando márgenes estables

 

Durante el período de seis-meses, la tasa de rotación del inventario de la empresa aumentó un 35% y el margen de beneficio promedio por tonelada aumentó 2,3 puntos porcentuales, lo que verifica el valor práctico del modelo.

Desafíos y soluciones comunes

En la aplicación real, el modelo puede enfrentar desafíos como cambios repentinos de políticas y shocks en los precios de las materias primas. Las soluciones específicas garantizan su estabilidad.

Interferencia de políticas (por ejemplo, ajuste del impuesto a las exportaciones)Agregue variables ficticias de políticas al modelo (1 para la implementación de políticas, 0 en caso contrario) y vuelva a entrenar el modelo con datos históricos de políticas para mejorar la adaptabilidad.

Volatilidad del precio del ferroníquel causada por el suministro de mineral de níquelIntegre los datos de importación de mineral de níquel (de Indonesia y Filipinas) en el modelo como indicador principal para predecir los cambios en los costos del ferroníquel por adelantado.

Degradación del modelo a lo largo del tiempoEstablezca un mecanismo de actualización mensual del modelo, vuelva a entrenar el modelo con los datos de los últimos 3 meses y ajuste los pesos de las características para adaptarse a los cambios del mercado.

Perspectivas futuras: integración de tecnologías más avanzadas

El modelo de predicción del precio del acero inoxidable seguirá evolucionando con el progreso tecnológico, avanzando hacia una mayor precisión e inteligencia.

Integración de datos-en tiempo realConéctese a los sistemas de IoT de acerías y almacenes para obtener datos de inventario y producción en tiempo real-, reduciendo el retraso en los datos de 3 días a 1 hora.

Procesamiento del lenguaje natural (PNL)Analice noticias, redes sociales e informes de la industria utilizando PNL para extraer indicadores de sentimiento (por ejemplo, sentimiento negativo de "huelga de acerías") e incorporarlos al modelo.

Tecnología de gemelos digitalesConstruir un gemelo digital de la cadena industrial del acero inoxidable, simulando el impacto de diferentes escenarios (por ejemplo, el aumento de los precios del petróleo que afectan los costos de transporte) en los precios para proporcionar pronósticos basados ​​en escenarios-.

Conclusión: La IA potencia la toma de decisiones-en el mercado del acero inoxidable

El modelo de predicción de precios de IA basado en el costo del ferroníquel, los datos de inventario y la tasa de operación posterior supera las limitaciones de los métodos de predicción tradicionales. Al capturar con precisión las complejas relaciones entre los factores del mercado, proporciona pronósticos de precios confiables para las empresas de la cadena industrial del acero inoxidable. La aplicación práctica del modelo muestra que la tecnología de IA puede reducir eficazmente los riesgos operativos, optimizar la asignación de recursos y mejorar la competitividad del mercado. A medida que la calidad de los datos mejore y los algoritmos avancen, estos modelos de IA se convertirán en una herramienta indispensable para las empresas de acero inoxidable, promoviendo la transformación de la industria hacia la toma de decisiones-basada en datos-.