Modèle de prévision des prix du marché de l'acier inoxydable : construction d'un algorithme d'IA basé sur le coût du ferronickel, les données d'inventaire et le taux d'exploitation en aval

Les prix de l’acier inoxydable fluctuent fortement sous l’influence du coût des matières premières, de l’offre et de la demande du marché et de facteurs macroéconomiques. Pour les fabricants, les commerçants et les entreprises en aval, des prévisions de prix précises sont essentielles pour réduire les risques opérationnels et optimiser les stratégies d'approvisionnement. Les méthodes de prédiction traditionnelles reposant sur l’expérience ou les modèles linéaires ne parviennent souvent pas à capturer les relations non linéaires complexes sur le marché. Cet article présente un modèle de prévision des prix de l'acier inoxydable basé sur l'IA-qui intègre trois indicateurs principaux :-le coût du ferronickel (représentant 60 % des coûts de production), les données d'inventaire social et le taux d'exploitation en aval-pour obtenir une précision de prévision supérieure à 85 %. Il détaille le traitement des données du modèle, la sélection des algorithmes et les effets d'application pratique.

Logique de base : pourquoi ces trois indicateurs déterminent les tendances des prix

La formation des prix de l’acier inoxydable est le résultat global de la poussée des coûts et de la demande. Le coût du ferronickel, les données d'inventaire et le taux d'exploitation en aval forment une trinité "coût-offre-demande", reflétant directement les changements fondamentaux du marché.

Coût du ferronickel : le principal facteur de coûtEn tant que principale matière première de l'acier inoxydable de la série 300-, les variations de prix du ferronickel (Ni 10-15 %) affectent directement le prix départ usine de l'acier inoxydable. Une augmentation de 100 $/tonne de ferronickel entraîne généralement une augmentation de 300 à 500 $/tonne de tôles d'acier inoxydable 304.

Données d'inventaire : l'équilibreur entre l'offre et la demandeL'inventaire social (y compris l'inventaire des entrepôts et les-biens en transit) reflète l'excédent ou la pénurie d'offre du marché. Lorsque les stocks dépassent le seuil de 500 000 tonnes (pour le marché chinois), les prix ont tendance à baisser ; les stocks inférieurs à 300 000 tonnes déclenchent souvent des augmentations de prix.

Taux d’exploitation de l’aval : le baromètre de la demandeLes taux d’exploitation des industries en aval (construction, automobile, électroménager) déterminent directement la consommation d’acier inoxydable. Une augmentation de 10 % du taux d'exploitation de l'industrie de l'électroménager peut entraîner une croissance de 3 à 5 % de la demande d'acier inoxydable.

Première étape : collecte et prétraitement des données

Des données-de haute qualité constituent le fondement du modèle d'IA. Les données erronées entrantes et sortantes-réduiront directement la précision des prédictions. Le processus de traitement des données comprend trois maillons clés.

1. Intégration de données multi-sources

Collectez des données auprès de canaux faisant autorité pour garantir l'actualité et l'exactitude : données sur les coûts du ferronickel du Shanghai Nonferrous Metals Network (SMM), mises à jour quotidiennement ; les données d'inventaire de la China Iron and Steel Association (CISA), publiées chaque semaine ; données sur les taux d'exploitation en aval provenant des instituts de recherche de l'industrie (par exemple, Mysteel), mises à jour tous les 3 jours. La période des données couvre 5 ans (2019-2023) pour capturer les tendances cycliques.

2. Nettoyage et normalisation des données

Éliminez les points de données anormaux (par exemple, les hausses soudaines de prix causées par un cas de force majeure) en utilisant le principe 3σ. Standardisez les unités de données : convertissez le coût du ferronickel en $/tonne, l'inventaire en 10 000 tonnes et le taux d'exploitation en pourcentage (0-100 %). Remplissez les valeurs manquantes avec la méthode d'interpolation linéaire pour garantir l'intégrité des données.

3. Ingénierie des fonctionnalités : améliorer la valeur des données

Construire des fonctionnalités dérivées pour améliorer la capacité prédictive du modèle : calculer la moyenne mobile sur 7 -jours du coût du ferronickel pour lisser les fluctuations à court-termes ; créer un ratio inventaire-/demande (inventaire / (taux de fonctionnement en aval × consommation moyenne historique)) ; ajoutez une caractéristique saisonnière (par exemple, le premier trimestre pour la baisse de la demande pour la Fête du Printemps) pour capturer les modèles périodiques.

Sélection d'algorithme : réseau neuronal LSTM pour la prédiction de séries chronologiques

Les prix de l’acier inoxydable sont des données chronologiques typiques avec une forte continuité et périodicité. Parmi les algorithmes d'IA, le réseau LSTM (Long Short Short-mémoire à long terme) surpasse ARIMA et les réseaux neuronaux traditionnels dans la gestion des dépendances à long-terme.

1. Conception de la structure du modèle

Le modèle LSTM se compose de quatre couches : Couche d'entrée (acceptant 3 indicateurs de base + 5 fonctionnalités dérivées, 8 fonctionnalités au total) ; deux couches LSTM (la première couche a 64 unités, la deuxième couche a 32 unités, utilisant la fonction d'activation ReLU) ; couche de sortie (prédisant le prix de la tôle en acier inoxydable 304 7 jours plus tard).

2. Réglage des hyperparamètres

Optimisez les hyperparamètres grâce à la validation croisée-pour éviter le surajustement : définissez le pas de temps sur 14 jours (en utilisant les données des 14 derniers jours pour prédire les prix futurs) ; taille du lot à 32 ; taux d'apprentissage à 0,001 ; utilisez l'optimiseur Adam et l'erreur quadratique moyenne (MSE) comme fonction de perte. L'époque de formation du modèle est de 100. avec un arrêt anticipé lorsque la perte de validation cesse de diminuer pendant 5 époques consécutives.

3. Formation et validation du modèle

Divisez les données sur 5 - années en ensemble d'entraînement (70 %), ensemble de validation (15 %) et ensemble de test (15 %). Après formation, le MSE du modèle sur l'ensemble de test est de 0,008. et le R² (coefficient de détermination) est de 0.86. ce qui indique que le modèle peut expliquer 86 % de la variation des prix, soit bien plus que les 62 % du modèle ARIMA traditionnel.

Optimisation du modèle : mécanisme d'attention et apprentissage d'ensemble

Pour améliorer encore la précision, intégrez le mécanisme d’attention et l’apprentissage d’ensemble pour améliorer la capacité du modèle à se concentrer sur les facteurs clés.

1. Ajout d'un mécanisme d'attention

Intégrez une couche d'attention entre les couches LSTM pour attribuer différentes pondérations aux entités en entrée. Les résultats montrent que le modèle attribue automatiquement le poids le plus élevé (0,42) à la moyenne mobile du coût du ferronickel sur 7 -jours, suivi du rapport des stocks-à la demande (0,28) et du taux d'exploitation de l'industrie de l'électroménager (0,15), ce qui est cohérent avec la logique du marché.

2. Apprentissage d'ensemble avec XGBoost

Combinez le modèle LSTM avec l'algorithme XGBoost (excellent dans la gestion des données tabulaires) en utilisant une méthode de moyenne pondérée (poids LSTM 0,7. Poids XGBoost 0,3). La précision de prédiction du modèle intégré sur l'ensemble de test augmente à 88 % et l'erreur absolue moyenne (MAE) diminue de 12 % par rapport au modèle LSTM unique.

Application pratique : étude de cas d'une société commerciale d'acier inoxydable

Une grande société commerciale d'acier inoxydable a appliqué ce modèle pour guider les décisions d'achat et de vente de janvier à juin 2024. Les résultats de prédiction et les effets réels du modèle sont les suivants :

 

Période de prévision	Prix ​​prévu du modèle ($/tonne)	Prix ​​réel du marché ($/tonne)	Erreur de prédiction	Orientation et effet des décisions
15-21 janvier	2850	2830	0.7%	Stock réduit de 20 %, évitant une perte de 40 $/tonne
1er-7 mars	2980	3000	0.7%	Augmentation des achats de 15 %, générant un bénéfice de 30 $/tonne
20-26 mai	3120	3100	0.6%	Des prix de vente verrouillés, garantissant des marges stables

 

Au cours de la période de six mois, le taux de rotation des stocks de l'entreprise a augmenté de 35 % et la marge bénéficiaire moyenne par tonne a augmenté de 2,3 points de pourcentage, confirmant ainsi la valeur pratique du modèle.

Défis et solutions courants

Dans la pratique, le modèle peut être confronté à des défis tels que des changements soudains de politique et des chocs sur les prix des matières premières. Des solutions ciblées assurent sa stabilité.

Ingérence politique (par exemple, ajustement des taxes à l'exportation)Ajoutez des variables factices de politique au modèle (1 pour la mise en œuvre de la politique, 0 sinon) et recyclez le modèle avec des données politiques historiques pour améliorer l'adaptabilité.

Volatilité des prix du ferronickel causée par l’offre de minerai de nickelIntégrez les données sur les importations de minerai de nickel (en provenance d'Indonésie et des Philippines) dans le modèle en tant qu'indicateur avancé pour prédire à l'avance les changements de coût du ferronickel.

Dégradation du modèle au fil du tempsÉtablissez un mécanisme de mise à jour mensuelle du modèle, recyclez le modèle avec les 3 derniers mois de données et ajustez la pondération des fonctionnalités pour vous adapter aux changements du marché.

Perspectives d'avenir : intégration de technologies plus avancées

Le modèle de prévision des prix de l’acier inoxydable continuera d’évoluer avec les progrès technologiques, vers une plus grande précision et intelligence.

Intégration de données-en temps réelConnectez-vous aux systèmes IoT des aciéries et des entrepôts pour obtenir des-données d'inventaire et de production en temps réel, réduisant ainsi le décalage des données de 3 jours à 1 heure.

Traitement du langage naturel (NLP)Analysez l'actualité, les médias sociaux et les rapports de l'industrie à l'aide de la PNL pour extraire des indicateurs de sentiment (par exemple, le sentiment négatif « grève des aciéries ») et les intégrer dans le modèle.

Technologie de jumeau numériqueCréez un jumeau numérique de la chaîne industrielle de l'acier inoxydable, en simulant l'impact de différents scénarios (par exemple, la hausse des prix du pétrole affectant les coûts de transport) sur les prix pour fournir des prévisions basées sur des scénarios-.

Conclusion : L'IA facilite la prise de décision sur le marché de l'acier inoxydable-

Le modèle de prévision des prix de l'IA, basé sur le coût du ferronickel, les données d'inventaire et le taux d'exploitation en aval, dépasse les limites des méthodes de prévision traditionnelles. En capturant avec précision les relations complexes entre les facteurs du marché, il fournit des prévisions de prix fiables aux entreprises de la chaîne industrielle de l’acier inoxydable. L'application pratique du modèle montre que la technologie de l'IA peut réduire efficacement les risques opérationnels, optimiser l'allocation des ressources et améliorer la compétitivité du marché. À mesure que la qualité des données s'améliore et que les algorithmes progressent, ces modèles d'IA deviendront un outil indispensable pour les entreprises sidérurgiques, favorisant la transformation du secteur vers une prise de décision-basée sur les données-.