แบบจำลองการทำนายราคาตลาดเหล็กกล้าไร้สนิม: การสร้างอัลกอริทึม AI ตามต้นทุนเฟอร์โรนิกเคล ข้อมูลสินค้าคงคลัง และอัตราการดำเนินงานขั้นปลาย

ราคาเหล็กสแตนเลสมีความผันผวนอย่างมากภายใต้อิทธิพลของต้นทุนวัตถุดิบ อุปสงค์และอุปทานของตลาด และปัจจัยทางเศรษฐกิจมหภาค สำหรับผู้ผลิต ผู้ค้า และองค์กรขั้นปลาย การคาดการณ์ราคาที่แม่นยำมีความสำคัญอย่างยิ่งในการลดความเสี่ยงในการปฏิบัติงานและปรับกลยุทธ์การจัดซื้อให้เหมาะสม วิธีการทำนายแบบดั้งเดิมที่อาศัยประสบการณ์หรือแบบจำลองเชิงเส้นมักจะล้มเหลวในการจับความสัมพันธ์ที่ไม่เชิงเส้นที่ซับซ้อนในตลาด บทความนี้จะแนะนำ-แบบจำลองการคาดการณ์ราคาเหล็กกล้าไร้สนิมที่ใช้ AI ซึ่งรวมตัวบ่งชี้หลัก 3 ตัว-ต้นทุนเฟอร์โรนิกเกิล (คิดเป็น 60% ของต้นทุนการผลิต) ข้อมูลสินค้าคงคลังทางสังคม และอัตราการดำเนินงานขั้นปลาย- เพื่อให้บรรลุความแม่นยำในการคาดการณ์ที่มากกว่า 85% โดยให้รายละเอียดเกี่ยวกับการประมวลผลข้อมูลของโมเดล การเลือกอัลกอริทึม และเอฟเฟกต์การใช้งานจริง

ตรรกะหลัก: เหตุใดตัวบ่งชี้ทั้งสามนี้จึงกำหนดแนวโน้มราคา

การก่อตัวของราคาเหล็กกล้าไร้สนิมเป็นผลที่ครอบคลุมของการผลักดันต้นทุนและการดึงอุปสงค์ ต้นทุนเฟอร์โรนิกเคล ข้อมูลสินค้าคงคลัง และอัตราการดำเนินงานขั้นปลายก่อให้เกิด "อุปสงค์ต้นทุน-อุปทาน- สามประการ ซึ่งสะท้อนถึงการเปลี่ยนแปลงพื้นฐานของตลาดโดยตรง

ต้นทุนเฟอร์โรนิกเคิล: ตัวขับเคลื่อนต้นทุนหลักเนื่องจากวัตถุดิบหลักสำหรับเหล็กกล้าไร้สนิมซีรีส์ 300- การเปลี่ยนแปลงราคาของเฟอร์โรนิเคล (Ni 10-15%) จึงส่งผลโดยตรงต่อราคาสเตนเลสในอดีตโรงงาน การเพิ่มขึ้นของเฟอร์โรนิเคิล 100 เหรียญสหรัฐฯ/ตัน มักจะทำให้แผ่นเหล็กสเตนเลส 304 เพิ่มขึ้น 300-500 เหรียญสหรัฐฯ/ตัน

ข้อมูลสินค้าคงคลัง: ตัวสร้างสมดุลอุปสงค์และอุปทานสินค้าคงคลังทางสังคม (รวมถึงสินค้าคงคลังในคลังสินค้าและ-สินค้าระหว่างทาง) สะท้อนถึงอุปทานส่วนเกินหรือการขาดแคลนของตลาด เมื่อสินค้าคงคลังเกินเกณฑ์ 500,000 ตัน (สำหรับตลาดจีน) ราคามีแนวโน้มที่จะลดลง สินค้าคงคลังที่ต่ำกว่า 300,000 ตันมักจะกระตุ้นให้ราคาเพิ่มขึ้น

อัตราการดำเนินงานขั้นปลาย: บารอมิเตอร์อุปสงค์อัตราการดำเนินงานของอุตสาหกรรมขั้นปลาย (การก่อสร้าง ยานยนต์ เครื่องใช้ในบ้าน) เป็นตัวกำหนดปริมาณการใช้เหล็กกล้าไร้สนิมโดยตรง อัตราการดำเนินงานของอุตสาหกรรมเครื่องใช้ในบ้านที่เพิ่มขึ้น 10% สามารถผลักดันความต้องการสแตนเลสเพิ่มขึ้น 3-5%

ขั้นตอนแรก: การรวบรวมข้อมูลและการประมวลผลล่วงหน้า

ข้อมูลคุณภาพสูง-เป็นรากฐานของโมเดล AI ขยะเข้า ขยะออก-ข้อมูลที่มีข้อบกพร่องจะลดความแม่นยำในการคาดการณ์โดยตรง กระบวนการประมวลผลข้อมูลประกอบด้วยลิงก์หลักสามลิงก์

1. การรวมข้อมูลหลายแหล่ง-

รวบรวมข้อมูลจากช่องทางที่เชื่อถือได้เพื่อให้มั่นใจถึงความทันเวลาและความถูกต้อง: ข้อมูลต้นทุน Ferronickel จาก Shanghai Nonferrous Metals Network (SMM) อัปเดตทุกวัน ข้อมูลสินค้าคงคลังจากสมาคมเหล็กและเหล็กกล้าแห่งประเทศจีน (CISA) ที่เผยแพร่ทุกสัปดาห์ ข้อมูลอัตราการดำเนินงานปลายน้ำจากสถาบันวิจัยอุตสาหกรรม (เช่น Mysteel) อัปเดตทุก 3 วัน ช่วงเวลาข้อมูลครอบคลุม 5 ปี (2019-2023) เพื่อจับแนวโน้มวัฏจักร

2. การทำความสะอาดข้อมูลและการกำหนดมาตรฐาน

กำจัดจุดข้อมูลที่ผิดปกติ (เช่น ราคาพุ่งสูงขึ้นอย่างกะทันหันซึ่งเกิดจากเหตุสุดวิสัย) โดยใช้หลักการ 3σ สร้างมาตรฐานหน่วยข้อมูล: แปลงต้นทุนเฟอร์โรนิกเคลเป็น $/ตัน, สินค้าคงคลังเป็น 10,000 ตัน และอัตราการดำเนินงานเป็นเปอร์เซ็นต์ (0-100%) เติมค่าที่หายไปด้วยวิธีประมาณค่าเชิงเส้นเพื่อให้แน่ใจว่าข้อมูลมีความสมบูรณ์

3. วิศวกรรมคุณลักษณะ: การเพิ่มมูลค่าข้อมูล

สร้างคุณลักษณะอนุพันธ์เพื่อปรับปรุงความสามารถในการคาดการณ์ของแบบจำลอง: คำนวณค่าเฉลี่ยเคลื่อนที่ 7- วันของต้นทุนเฟอร์โรนิเคล เพื่อลดความผันผวนในระยะสั้น- สร้างอัตราส่วนสินค้าคงคลัง-ต่อความต้องการ (สินค้าคงคลัง / (อัตราการดำเนินงานขั้นปลาย × ปริมาณการใช้เฉลี่ยในอดีต)) เพิ่มคุณลักษณะตามฤดูกาล (เช่น ไตรมาสที่ 1 สำหรับความต้องการในช่วงเทศกาลฤดูใบไม้ผลิที่ลดลง) เพื่อบันทึกรูปแบบเป็นระยะ

การเลือกอัลกอริทึม: โครงข่ายประสาทเทียม LSTM สำหรับการทำนายอนุกรมเวลา

ราคาเหล็กสแตนเลสเป็นข้อมูลอนุกรมเวลาทั่วไปที่มีความต่อเนื่องและช่วงเวลาที่ชัดเจน ในบรรดาอัลกอริธึม AI เครือข่าย Long Short-Term Memory (LSTM) มีประสิทธิภาพเหนือกว่า ARIMA และโครงข่ายประสาทเทียมแบบดั้งเดิมในการจัดการการพึ่งพาระยะยาว-

1. การออกแบบโครงสร้างแบบจำลอง

โมเดล LSTM ประกอบด้วยสี่ชั้น: ชั้นอินพุต (ยอมรับตัวบ่งชี้หลัก 3 ตัว + 5 คุณลักษณะอนุพันธ์ รวม 8 คุณลักษณะ); LSTM สองชั้น (ชั้นแรกมี 64 ยูนิต ชั้นที่สองมี 32 ยูนิต โดยใช้ฟังก์ชันการเปิดใช้งาน ReLU) ชั้นเอาท์พุต (คาดการณ์ราคาแผ่นสแตนเลส 304 7 วันต่อมา)

2. การปรับแต่งไฮเปอร์พารามิเตอร์

เพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์ผ่านการตรวจสอบความถูกต้องแบบข้าม-เพื่อหลีกเลี่ยงการปรับมากเกินไป: ตั้งค่าขั้นตอนเป็น 14 วัน (ใช้ข้อมูลจาก 14 วันที่ผ่านมาเพื่อคาดการณ์ราคาในอนาคต) ขนาดชุดเป็น 32; อัตราการเรียนรู้ถึง 0.001; ใช้ Adam Optimizer และ Mean Squared Error (MSE) เป็นฟังก์ชันการสูญเสีย ยุคการฝึกโมเดลคือ 100 โดยหยุดก่อนเวลาเมื่อการสูญเสียการตรวจสอบความถูกต้องหยุดลดลงเป็นเวลา 5 ยุคติดต่อกัน

3. การฝึกอบรมโมเดลและการตรวจสอบความถูกต้อง

แบ่งข้อมูล 5- ปีออกเป็นชุดการฝึก (70%) ชุดการตรวจสอบ (15%) และชุดการทดสอบ (15%) หลังการฝึก MSE ของแบบจำลองในชุดทดสอบคือ 0.008 และ R² (สัมประสิทธิ์การตัดสินใจ) คือ 0.86 บ่งชี้ว่าโมเดลสามารถอธิบายความผันแปรของราคาได้ 86% ซึ่งสูงกว่ารุ่น ARIMA แบบดั้งเดิมถึง 62% มาก

การเพิ่มประสิทธิภาพโมเดล: กลไกความสนใจและการเรียนรู้ทั้งมวล

เพื่อปรับปรุงความแม่นยำให้ดียิ่งขึ้น ให้ผสานรวมกลไกความสนใจและการเรียนรู้ทั้งมวลเพื่อเพิ่มความสามารถของโมเดลในการมุ่งเน้นไปที่ปัจจัยสำคัญ

1. การเพิ่มกลไกความสนใจ

ฝังเลเยอร์ความสนใจระหว่างเลเยอร์ LSTM เพื่อกำหนดน้ำหนักที่แตกต่างกันให้กับฟีเจอร์อินพุต ผลลัพธ์แสดงให้เห็นว่าแบบจำลองจะกำหนดน้ำหนักสูงสุด (0.42) ให้กับค่าเฉลี่ยเคลื่อนที่ของต้นทุนเฟอร์โรนิกเคลใน 7- วันโดยอัตโนมัติ ตามด้วยอัตราส่วนสินค้าคงคลัง-ต่อความต้องการ (0.28) และอัตราการดำเนินงานของอุตสาหกรรมเครื่องใช้ในบ้าน (0.15) ซึ่งสอดคล้องกับตรรกะของตลาด

2. การเรียนรู้ทั้งมวลด้วย XGBoost

รวมโมเดล LSTM เข้ากับอัลกอริธึม XGBoost (เป็นเลิศในการจัดการข้อมูลแบบตาราง) โดยใช้วิธีถัวเฉลี่ยถ่วงน้ำหนัก (น้ำหนัก LSTM 0.7 น้ำหนัก XGBoost 0.3) ความแม่นยำในการทำนายของแบบจำลองแบบบูรณาการในชุดทดสอบเพิ่มขึ้นเป็น 88% และข้อผิดพลาดสัมบูรณ์โดยเฉลี่ย (MAE) ลดลง 12% เมื่อเทียบกับโมเดล LSTM เดียว

การนำไปใช้งานจริง: กรณีศึกษาของบริษัทการค้าเหล็กกล้าไร้สนิม

บริษัทการค้าเหล็กกล้าไร้สนิมขนาดใหญ่ใช้แบบจำลองนี้เพื่อเป็นแนวทางในการตัดสินใจด้านการจัดซื้อและการขายตั้งแต่เดือนมกราคมถึงมิถุนายน 2024 ผลการคาดการณ์ของแบบจำลองและผลกระทบที่เกิดขึ้นจริงมีดังนี้:

 

ระยะเวลาการทำนาย	รุ่น ราคาที่คาดการณ์ ($/ตัน)	ราคาตลาดจริง ($/ตัน)	ข้อผิดพลาดในการคาดการณ์	แนวทางการตัดสินใจและผล
15-21 ม.ค	2850	2830	0.7%	ลดสินค้าคงคลังลง 20% หลีกเลี่ยงการสูญเสีย $40/ตัน
1-7 มี.ค	2980	3000	0.7%	เพิ่มการจัดซื้อ 15% สร้างรายได้ $30/ตัน
20-26 พฤษภาคม	3120	3100	0.6%	ล็อคราคาขายเพื่อให้มั่นใจถึงอัตรากำไรที่มั่นคง

 

ในช่วงระยะเวลาหก-เดือน อัตราการหมุนเวียนสินค้าคงคลังของบริษัทเพิ่มขึ้น 35% และอัตรากำไรเฉลี่ยต่อตันเพิ่มขึ้น 2.3 เปอร์เซ็นต์ ซึ่งเป็นการยืนยันมูลค่าที่แท้จริงของแบบจำลอง

ความท้าทายและแนวทางแก้ไขทั่วไป

ในการใช้งานจริง โมเดลอาจเผชิญกับความท้าทาย เช่น การเปลี่ยนแปลงนโยบายกะทันหัน และราคาวัตถุดิบที่เปลี่ยนแปลงอย่างรวดเร็ว โซลูชั่นที่ตรงเป้าหมายทำให้มั่นใจได้ถึงความเสถียร

การแทรกแซงนโยบาย (เช่น การปรับภาษีส่งออก)เพิ่มตัวแปรจำลองนโยบายให้กับโมเดล (1 สำหรับการนำนโยบายไปใช้ หรือ 0 สำหรับอย่างอื่น) และฝึกโมเดลใหม่ด้วยข้อมูลนโยบายในอดีตเพื่อปรับปรุงความสามารถในการปรับตัว

ความผันผวนของราคาเฟอร์โรนิกเคลที่เกิดจากอุปทานแร่นิกเกิลรวมข้อมูลการนำเข้าสินแร่นิกเกิล (จากอินโดนีเซีย ฟิลิปปินส์) ลงในแบบจำลองเพื่อเป็นตัวบ่งชี้ชั้นนำในการคาดการณ์การเปลี่ยนแปลงต้นทุนเฟอร์โรนิกเคลล่วงหน้า

การเสื่อมสภาพของโมเดลเมื่อเวลาผ่านไปสร้างกลไกการอัปเดตโมเดลรายเดือน ฝึกโมเดลใหม่ด้วยข้อมูล 3 เดือนล่าสุด และปรับน้ำหนักฟีเจอร์เพื่อปรับให้เข้ากับการเปลี่ยนแปลงของตลาด

แนวโน้มในอนาคต: การบูรณาการเทคโนโลยีขั้นสูงเพิ่มเติม

แบบจำลองการคาดการณ์ราคาเหล็กกล้าไร้สนิมจะยังคงพัฒนาต่อไปพร้อมกับความก้าวหน้าทางเทคโนโลยี ไปสู่ความแม่นยำและความชาญฉลาดที่สูงขึ้น

การรวมข้อมูลแบบเรียลไทม์-เชื่อมต่อกับระบบ IoT ของโรงงานเหล็กและคลังสินค้าเพื่อรับ-ข้อมูลสินค้าคงคลังและข้อมูลการผลิตแบบเรียลไทม์ ช่วยลดความล่าช้าของข้อมูลจาก 3 วันเหลือ 1 ชั่วโมง

การประมวลผลภาษาธรรมชาติ (NLP)วิเคราะห์ข่าว โซเชียลมีเดีย และรายงานอุตสาหกรรมโดยใช้ NLP เพื่อดึงตัวบ่งชี้ความเชื่อมั่น (เช่น ความคิดเห็นเชิงลบ "การโจมตีของโรงถลุงเหล็ก") และรวมเข้ากับแบบจำลอง

เทคโนโลยีดิจิตอลทวินสร้างแฝดดิจิทัลของห่วงโซ่อุตสาหกรรมสแตนเลส จำลองผลกระทบของสถานการณ์ต่างๆ (เช่น ราคาน้ำมันที่สูงขึ้นซึ่งส่งผลต่อต้นทุนการขนส่ง) ต่อราคา เพื่อให้การคาดการณ์ตามสถานการณ์-

สรุป: AI ส่งเสริมการตัดสินใจของตลาดเหล็กกล้าไร้สนิม-

แบบจำลองการคาดการณ์ราคาของ AI ที่อิงตามต้นทุนเฟอร์โรนิกเคล ข้อมูลสินค้าคงคลัง และอัตราการดำเนินงานขั้นปลาย ทะลุข้อจำกัดของวิธีการทำนายแบบดั้งเดิม ด้วยการจับความสัมพันธ์ที่ซับซ้อนระหว่างปัจจัยทางการตลาดอย่างแม่นยำ ช่วยให้คาดการณ์ราคาที่เชื่อถือได้สำหรับองค์กรในห่วงโซ่อุตสาหกรรมสแตนเลส การใช้งานจริงของโมเดลนี้แสดงให้เห็นว่าเทคโนโลยี AI สามารถลดความเสี่ยงในการดำเนินงาน เพิ่มประสิทธิภาพการจัดสรรทรัพยากร และเพิ่มขีดความสามารถในการแข่งขันในตลาดได้อย่างมีประสิทธิภาพ เมื่อคุณภาพของข้อมูลดีขึ้นและอัลกอริธึมก้าวหน้า โมเดล AI ดังกล่าวจะกลายเป็นเครื่องมือที่ขาดไม่ได้สำหรับองค์กรธุรกิจเหล็กกล้าไร้สนิม ซึ่งส่งเสริมการเปลี่ยนแปลงของอุตสาหกรรมไปสู่การตัดสินใจที่ขับเคลื่อนด้วยข้อมูล-