Modelo de previsão de preço de mercado de aço inoxidável: construção de algoritmo de IA com base no custo do ferroníquel, dados de estoque e taxa operacional downstream

Os preços do aço inoxidável flutuam acentuadamente sob a influência dos custos das matérias-primas, da oferta e da procura do mercado e de factores macroeconómicos. Para fabricantes, comerciantes e empresas a jusante, as previsões precisas de preços são essenciais para reduzir os riscos operacionais e otimizar as estratégias de aquisição. Os métodos tradicionais de previsão que dependem da experiência ou de modelos lineares muitas vezes não conseguem capturar relações não lineares complexas no mercado. Este artigo apresenta um modelo de previsão de preços de aço inoxidável-baseado em IA que integra três indicadores principais-custo do ferroníquel (representando 60% dos custos de produção), dados de inventário social e taxa operacional downstream-para alcançar uma precisão de previsão de mais de 85%. Ele detalha o processamento de dados do modelo, a seleção de algoritmos e os efeitos práticos da aplicação.

Lógica central: por que esses três indicadores determinam as tendências de preços

A formação de preços do aço inoxidável é um resultado abrangente do aumento de custos e da demanda. O custo do ferroníquel, os dados de estoque e a taxa operacional downstream formam uma trindade de “custo-oferta-demanda”, refletindo diretamente as mudanças fundamentais do mercado.

Custo do ferroníquel: o principal fator de custoComo principal matéria-prima para o aço inoxidável da série 300-, as alterações de preço do ferroníquel (Ni 10-15%) afetam diretamente o preço à saída da fábrica do aço inoxidável. Um aumento de US$ 100/tonelada no ferroníquel geralmente leva a um aumento de US$ 300-500/tonelada nas chapas de aço inoxidável 304.

Dados de estoque: o balanceador de oferta e demandaO inventário social (incluindo estoque em depósito e mercadorias em{0}}trânsito) reflete o excedente ou a escassez de oferta do mercado. Quando o estoque excede o limite de 500.000 toneladas (para o mercado chinês), os preços tendem a cair; estoques abaixo de 300.000 toneladas geralmente desencadeiam aumentos de preços.

Taxa operacional downstream: o barômetro da demandaAs taxas de operação das indústrias downstream (construção, automotiva, eletrodomésticos) determinam diretamente o consumo de aço inoxidável. Um aumento de 10% na taxa operacional da indústria de eletrodomésticos pode gerar um crescimento de 3 a 5% na demanda por aço inoxidável.

Primeira etapa: coleta e pré-processamento de dados

Dados de{0}alta qualidade são a base do modelo de IA. Lixo entra, lixo sai-dados falhos reduzirão diretamente a precisão da previsão. O processo de processamento de dados inclui três links principais.

1. Integração de dados de múltiplas-fontes

Colete dados de canais autorizados para garantir atualidade e precisão: Dados de custos de ferroníquel da Rede de Metais Não Ferrosos de Xangai (SMM), atualizados diariamente; dados de inventário da Associação de Ferro e Aço da China (CISA), divulgados semanalmente; dados de taxa operacional downstream de instituições de pesquisa do setor (por exemplo, Mysteel), atualizados a cada 3 dias. O intervalo de tempo dos dados cobre 5 anos (2019-2023) para capturar tendências cíclicas.

2. Limpeza e padronização de dados

Elimine pontos de dados anormais (por exemplo, picos repentinos de preços causados ​​por força maior) usando o princípio 3σ. Padronize unidades de dados: Converta o custo do ferroníquel em US$/tonelada, o estoque em 10.000 toneladas e a taxa operacional em uma porcentagem (0-100%). Preencha os valores ausentes com o método de interpolação linear para garantir a integridade dos dados.

3. Engenharia de recursos: aumentando o valor dos dados

Construa recursos derivativos para melhorar a capacidade preditiva do modelo: calcule a média móvel de 7-dias do custo do ferroníquel para suavizar flutuações-de curto prazo; criar uma proporção de estoque-de demanda (estoque / (taxa operacional downstream × consumo médio histórico)); adicionar um recurso sazonal (por exemplo, primeiro trimestre para declínio da demanda do Festival da Primavera) para capturar padrões periódicos.

Seleção de algoritmo: rede neural LSTM para previsão de séries temporais

Os preços do aço inoxidável são dados típicos de séries temporais com forte continuidade e periodicidade. Entre os algoritmos de IA, a rede Long Short{1}}Term Memory (LSTM) supera o ARIMA e as redes neurais tradicionais no tratamento de dependências de longo-prazo.

1. Projeto de Estrutura do Modelo

O modelo LSTM consiste em quatro camadas: Camada de entrada (aceitando 3 indicadores principais + 5 recursos derivados, total de 8 recursos); duas camadas LSTM (a primeira camada possui 64 unidades, a segunda camada possui 32 unidades, usando a função de ativação ReLU); camada de saída (prevendo o preço da chapa de aço inoxidável 304 7 dias depois).

2. Ajuste de hiperparâmetros

Otimize hiperparâmetros por meio de validação-cruzada para evitar overfitting: defina o intervalo de tempo para 14 dias (usando dados dos últimos 14 dias para prever preços futuros); tamanho do lote para 32; taxa de aprendizagem para 0,001; use o otimizador Adam e o erro quadrático médio (MSE) como função de perda. A época de treinamento do modelo é 100. com parada antecipada quando a perda de validação para de diminuir por 5 épocas consecutivas.

3. Treinamento e validação do modelo

Divida os dados de 5-anos em conjunto de treinamento (70%), conjunto de validação (15%) e conjunto de teste (15%). Após o treinamento, o MSE do modelo no conjunto de teste é 0,008. e o R² (coeficiente de determinação) é 0.86. indicando que o modelo pode explicar 86% da variação de preços – muito superior aos 62% do modelo ARIMA tradicional.

Otimização de Modelo: Mecanismo de Atenção e Aprendizagem em Conjunto

Para melhorar ainda mais a precisão, integre o mecanismo de atenção e o aprendizado conjunto para aprimorar a capacidade do modelo de focar em fatores-chave.

1. Adicionando Mecanismo de Atenção

Incorpore uma camada de atenção entre as camadas LSTM para atribuir pesos diferentes aos recursos de entrada. Os resultados mostram que o modelo atribui automaticamente o peso mais alto (0,42) à média móvel de 7-dias do custo do ferroníquel, seguida pela relação estoque-demanda (0,28) e pela taxa operacional da indústria de eletrodomésticos (0,15), o que é consistente com a lógica do mercado.

2. Aprendizagem em conjunto com XGBoost

Combine o modelo LSTM com o algoritmo XGBoost (excelente no tratamento de dados tabulares) usando um método de média ponderada (peso LSTM 0,7. peso XGBoost 0,3). A precisão da previsão do modelo integrado no conjunto de teste aumenta para 88%, e o erro absoluto médio (MAE) diminui 12% em comparação com o modelo LSTM único.

Aplicação Prática: Estudo de Caso de uma Comercializadora de Aço Inoxidável

Uma grande empresa comercial de aço inoxidável aplicou este modelo para orientar as decisões de compras e vendas de janeiro a junho de 2024. Os resultados da previsão e os efeitos reais do modelo são os seguintes:

 

Período de previsão	Preço previsto do modelo ($/tonelada)	Preço real de mercado ($/ton)	Erro de previsão	Orientação e efeito de decisão
15 a 21 de janeiro	2850	2830	0.7%	Redução do estoque em 20%, evitando perda de US$ 40/tonelada
1 a 7 de março	2980	3000	0.7%	Aumento de compras em 15%, obtendo lucro de US$ 30/tonelada
20 a 26 de maio	3120	3100	0.6%	Bloqueado nos preços de venda, garantindo margens estáveis

 

Durante o período de seis{0}}meses, a taxa de giro de estoque da empresa aumentou 35% e a margem de lucro média por tonelada aumentou 2,3 ​​pontos percentuais, comprovando o valor prático do modelo.

Desafios e soluções comuns

Na aplicação real, o modelo pode enfrentar desafios como mudanças repentinas de política e choques nos preços das matérias-primas. Soluções direcionadas garantem sua estabilidade.

Interferência política (por exemplo, ajuste de imposto de exportação)Adicione variáveis ​​fictícias de política ao modelo (1 para implementação de política, 0 caso contrário) e treine novamente o modelo com dados históricos de política para melhorar a adaptabilidade.

Volatilidade do preço do ferroníquel causada pela oferta de minério de níquelIntegrar dados de importação de minério de níquel (da Indonésia e das Filipinas) ao modelo como um indicador importante para prever antecipadamente as mudanças nos custos do ferroníquel.

Degradação do modelo ao longo do tempoEstabeleça um mecanismo mensal de atualização do modelo, treine novamente o modelo com os dados dos últimos 3 meses e ajuste os pesos dos recursos para se adaptar às mudanças do mercado.

Perspectivas Futuras: Integrando Tecnologias Mais Avançadas

O modelo de previsão de preços do aço inoxidável continuará a evoluir com o progresso tecnológico, avançando em direção a maior precisão e inteligência.

Integração de dados-em tempo realConecte-se aos sistemas de IoT de siderúrgicas e armazéns para obter inventário-em tempo real e dados de produção, reduzindo o atraso de dados de 3 dias para 1 hora.

Processamento de Linguagem Natural (PNL)Analise notícias, mídias sociais e relatórios do setor usando PNL para extrair indicadores de sentimento (por exemplo, sentimento negativo de "greve siderúrgica") e incorporá-los ao modelo.

Tecnologia Gêmea DigitalCrie um gêmeo digital da cadeia da indústria do aço inoxidável, simulando o impacto de diferentes cenários (por exemplo, o aumento dos preços do petróleo afetando os custos de transporte) sobre os preços para fornecer previsões-baseadas em cenários.

Conclusão: a IA capacita a tomada de decisões-do mercado de aço inoxidável

O modelo de previsão de preços de IA baseado no custo do ferroníquel, dados de estoque e taxa operacional downstream rompe as limitações dos métodos tradicionais de previsão. Ao capturar com precisão as relações complexas entre os fatores de mercado, fornece previsões de preços confiáveis ​​para empresas da cadeia da indústria do aço inoxidável. A aplicação prática do modelo mostra que a tecnologia de IA pode efetivamente reduzir os riscos operacionais, otimizar a alocação de recursos e aumentar a competitividade do mercado. À medida que a qualidade dos dados melhora e os algoritmos avançam, esses modelos de IA se tornarão uma ferramenta indispensável para empresas de aço inoxidável, promovendo a transformação do setor em direção à tomada de decisões-orientadas{4}}por dados.