ステンレス鋼市場価格予測モデル：フェロニッケルコスト、在庫データ、下流稼働率に基づくAIアルゴリズム構築

ステンレス鋼の価格は、原材料価格、市場の需給、マクロ経済要因の影響により大きく変動します。メーカー、トレーダー、下流企業にとって、正確な価格予測は、運用リスクを軽減し、調達戦略を最適化するために重要です。経験や線形モデルに依存した従来の予測方法では、市場の複雑な非線形関係を捉えることができないことがよくあります。この記事では、AI{3}} ベースのステンレス鋼価格予測モデルを紹介します。このモデルは、フェロニッケルのコスト（生産コストの 60% を占める）、社会的在庫データ、下流の稼働率という 3 つの主要な指標を統合し、85% 以上の予測精度を達成しています。{4}{6}モデルのデータ処理、アルゴリズムの選択、実際のアプリケーションの効果について詳しく説明します。

コアロジック: これら 3 つの指標が価格トレンドを決定する理由

ステンレス鋼の価格形成は、コストプッシュと需要プルの総合的な結果です。フェロニッケルのコスト、在庫データ、下流の稼働率は「コスト-供給-」の三位一体を形成し、市場の根本的な変化を直接反映しています。

フェロニッケルのコスト: 中心的なコスト要因300- シリーズ ステンレス鋼の主原料であるフェロニッケル (Ni 10-15%) の価格変動は、ステンレス鋼の工場出荷時の価格に直接影響します。フェロニッケルが 1 トンあたり 100 ドル上昇すると、通常、304 ステンレス鋼シートは 1 トンあたり 300 ～ 500 ドルの上昇につながります。

在庫データ: 需要と供給のバランサー社会的在庫（倉庫在庫や輸送中の商品を含む）は、市場の供給過剰または不足を反映します。{0}在庫が（中国市場の）500,000トンの基準を超えると、価格は下落する傾向があります。在庫が 300,000 トン未満になると、価格が上昇することがよくあります。

下流稼働率: 需要のバロメーター下流産業（建設、自動車、家電）の稼働率は、ステンレス鋼の消費量を直接決定します。家電業界の稼働率が10％上昇すると、ステンレス鋼の需要は3～5％増加する可能性がある。

最初のステップ: データの収集と前処理

高品質のデータは AI モデルの基礎です。-ガベージイン、ガベージアウト-欠陥のあるデータは予測精度を直接低下させます。データ処理プロセスには 3 つの主要なリンクが含まれます。

1. マルチソース データの統合-

権威あるチャネルからデータを収集して適時性と正確性を確保します。上海非鉄金属ネットワーク (SMM) からのフェロニッケルのコスト データは毎日更新されます。中国鉄鋼協会（CISA）から毎週発表される在庫データ。業界研究機関 (Mysteel など) からのダウンストリーム稼働率データ。3 日ごとに更新されます。データの期間は 5 年間 (2019 年から 2023 年) をカバーしており、周期的な傾向を捉えています。

2. データのクリーニングと標準化

3σ原則を使用して異常なデータポイント（不可抗力による突然の価格高騰など）を排除します。データ単位の標準化: フェロニッケルのコストをドル/トン、在庫を 10,000 トン、稼働率をパーセント (0 ～ 100%) に変換します。データの整合性を確保するために、欠損値を線形補間法で埋めます。

3. 特徴量エンジニアリング: データ価値の向上

微分特徴を構築してモデルの予測能力を向上させます。フェロニッケルコストの 7 日移動平均を計算して、短期変動を平滑化します。-在庫-対需要率（在庫 / (下流稼働率 × 過去の平均消費量)）を作成します。季節特徴 (例: 春節の需要減少の第 1 四半期) を追加して、周期的なパターンをキャプチャします。

アルゴリズムの選択: 時系列予測のための LSTM ニューラル ネットワーク

ステンレス鋼の価格は、強い連続性と周期性を持つ典型的な時系列データです。 AI アルゴリズムの中でも、Long Short Term Memory (LSTM) ネットワークは、長期依存関係の処理において ARIMA や従来のニューラル ネットワークよりも優れています。-

1. モデル構造の設計

LSTM モデルは 4 つの層で構成されます。 入力層 (3 つのコア インジケーター + 5 派生特徴、合計 8 つの特徴を受け入れる)。 2 つの LSTM 層 (最初の層は 64 ユニット、2 層目は 32 ユニット、ReLU アクティベーション機能を使用)。出力レイヤー (7 日後の 304 ステンレス鋼シートの価格を予測)。

2. ハイパーパラメータの調整

相互検証を通じてハイパーパラメータを最適化し、過剰適合を回避します。時間ステップを 14 日に設定します（将来の価格を予測するために過去 14 日間のデータを使用します）。バッチサイズを 32 に。学習率を0.001に。 Adam オプティマイザーと平均二乗誤差 (MSE) を損失関数として使用します。モデルのトレーニング エポックは 100 です。検証損失が 5 つの連続したエポックで減少しなくなったときに早期に停止します。

3. モデルのトレーニングと検証

5- 年のデータをトレーニング セット (70%)、検証セット (15%)、テスト セット (15%) に分割します。トレーニング後、テスト セット上のモデルの MSE は 0.008 です。そして R² (決定係数) は 0.86 です。これは、このモデルが価格変動の 86% を説明できることを示しており、従来の ARIMA モデルの 62% をはるかに上回っています。

モデルの最適化: 注意メカニズムとアンサンブル学習

精度をさらに向上させるには、アテンション メカニズムとアンサンブル学習を統合して、主要な要素に焦点を当てるモデルの機能を強化します。

1. アテンションの追加メカニズム

LSTM レイヤーの間にアテンション レイヤーを埋め込み、入力特徴に異なる重みを割り当てます。結果は、モデルが自動的にフェロニッケルのコストの 7 日移動平均 (0.42) に最も高い重み付け (0.42) を割り当て、次に在庫需要対需要率 (0.28) と家電業界の稼働率 (0.15) を割り当てていることを示しています。これは市場のロジックと一致しています。

2. XGBoost によるアンサンブル学習

加重平均法 (LSTM 重み 0.7、XGBoost 重み 0.3) を使用して、LSTM モデルを XGBoost アルゴリズム (表形式データの処理に優れています) と組み合わせます。テスト セットでの統合モデルの予測精度は 88% に向上し、単一 LSTM モデルと比較して平均絶対誤差 (MAE) が 12% 減少しました。

実践事例：ステンレス商社の事例

大手ステンレス商社では、2024年1月から6月までの調達・販売判断にこのモデルを適用しました。モデルの予測結果と実際の効果は以下のとおりです。

 

予測期間	モデルの予測価格 ($/トン)	実際の市場価格 ($/トン)	予測エラー	決定の指針と効果
1月15日～1月21日	2850	2830	0.7%	在庫を 20% 削減し、トンあたり 40 ドルの損失を回避
3月1日～3月7日	2980	3000	0.7%	調達量が 15% 増加し、1 トンあたり 30 ドルの利益を獲得
5月20日～26日	3120	3100	0.6%	販売価格を固定し、安定した利益を確保

 

6 か月間で、同社の在庫回転率は 35% 増加し、トンあたりの平均利益率は 2.3 パーセント ポイント増加し、このモデルの実用的な価値が実証されました。-

共通の課題と解決策

実際の適用では、モデルは突然の政策変更や原材料価格のショックなどの課題に直面する可能性があります。ターゲットを絞ったソリューションにより安定性が保証されます。

政策への干渉 (例: 輸出税調整)ポリシーのダミー変数をモデルに追加し (ポリシー実装の場合は 1、それ以外の場合は 0)、過去のポリシー データを使用してモデルを再トレーニングして、適応性を向上させます。

ニッケル鉱石の供給に起因するフェロニッケル価格の変動フェロニッケルのコスト変化を事前に予測するための先行指標として、ニッケル鉱石の輸入データ (インドネシア、フィリピンから) をモデルに統合します。

時間の経過に伴うモデルの劣化毎月のモデル更新メカニズムを確立し、最新 3 か月分のデータでモデルを再トレーニングし、市場の変化に適応するために機能の重みを調整します。

将来の展望: より高度なテクノロジーの統合

ステンレス鋼の価格予測モデルは、技術の進歩とともに進化し続け、より高い精度とインテリジェンスを目指して進みます。

リアルタイムのデータ統合-製鉄所や倉庫の IoT システムに接続してリアルタイムの在庫データと生産データを取得し、データの遅延を 3 日から 1 時間に短縮します。{0}

自然言語処理 (NLP)NLP を使用してニュース、ソーシャル メディア、業界レポートを分析し、感情指標 (「製鉄所のストライキ」の否定的な感情など) を抽出し、モデルに組み込みます。

デジタルツインテクノロジーステンレス鋼産業チェーンのデジタル ツインを構築し、さまざまなシナリオ（輸送コストに影響する原油価格の上昇など）の価格への影響をシミュレーションして、シナリオに基づいた予測を提供します。-。

結論: AI がステンレス鋼市場の意思決定を強化-

フェロニッケルのコスト、在庫データ、下流の稼働率に基づく AI 価格予測モデルは、従来の予測方法の限界を打ち破ります。市場要因間の複雑な関係を正確に把握することで、ステンレス鋼業界チェーンの企業に信頼できる価格予測を提供します。このモデルの実用化は、AI テクノロジーが運用リスクを効果的に軽減し、リソース配分を最適化し、市場競争力を強化できることを示しています。データ品質が向上し、アルゴリズムが進歩するにつれて、このような AI モデルはステンレス鋼企業にとって不可欠なツールとなり、データ-ドリブンな意思決定-への業界の変革を促進します。