基于機器學習的鋼材需求預測研究

崔 煜，丁 東，張 航

(哈爾濱工業(yè)大學[深圳]經(jīng)濟管理學院，廣東 深圳 518055)

0 引言

鋼鐵實際需求以及供需關(guān)系對于鋼材價格的影響是一個值得研究和關(guān)注的問題。對于鋼鐵企業(yè)，均衡的供需關(guān)系不僅能使社會經(jīng)濟健康發(fā)展，也可進一步實現(xiàn)企業(yè)利潤最大化；對于中國宏觀經(jīng)濟發(fā)展，鋼鐵行業(yè)是實現(xiàn)我國國民經(jīng)濟高速發(fā)展的支柱產(chǎn)業(yè)。中國是世界產(chǎn)鋼大國，也是鋼鐵消費大國，隨著中國對外開放的程度越來越高，國內(nèi)市場的供需穩(wěn)定對于世界來說也是至關(guān)重要的[1]。

關(guān)于如何量化鋼鐵實際需求，已有一些研究基礎(chǔ)。比如陳程 等[2]介紹了3種預測鋼材需求的方法，分別為鋼材消費系數(shù)預測法[3]、分地區(qū)消費預測法和下游行業(yè)消費預測法[4]。其中，鋼材消費系數(shù)預測法即基于鋼材消費彈性系數(shù)與GDP增速和固定資產(chǎn)投資完成額增速的線性關(guān)系，并結(jié)合未來趨勢分析后設定系數(shù)，并給出高速、中速、低速3種國民經(jīng)濟發(fā)展狀況預測[5]。下游行業(yè)消費預測法則是根據(jù)用途和消費領(lǐng)域不同，將國內(nèi)鋼材消費分類，結(jié)合我國各下游用鋼行業(yè)發(fā)展趨勢、鋼材品種消費特點進行分析，最終給出2025年鋼材需求預測[6]。

本文借鑒之前研究的分析框架，并在方法上有所創(chuàng)新，在數(shù)值精確度上有更嚴格的要求。即結(jié)合鋼材下游行業(yè)以及宏觀經(jīng)濟背景將影響鋼材需求的多維度變量作為輸入，通過機器學習在多維空間構(gòu)造特征并訓練，得到更加復雜的神經(jīng)網(wǎng)絡結(jié)構(gòu)，形成更加精準的鋼材實際需求計算系統(tǒng)。目前機器學習在計算機領(lǐng)域、統(tǒng)計學領(lǐng)域早已有非常豐富的研究成果，而且發(fā)展速度很快，在數(shù)據(jù)計算、多維數(shù)據(jù)擬合等方面，機器學習都表現(xiàn)出了明顯的優(yōu)勢。然而，目前在鋼鐵行業(yè)使用機器學習方法的研究還比較有限。

在學術(shù)研究層面，本文從研究鋼鐵實際需求這個角度率先對于前沿方法進行應用嘗試，一方面實現(xiàn)對于鋼鐵實際需求量判斷的又一計算方式補充；另一方面推動前沿算法技術(shù)對于傳統(tǒng)鋼鐵行業(yè)研究范式的升級優(yōu)化，以及機器學習與行業(yè)研究的進一步融合。

在行業(yè)發(fā)展層面，本文對于鋼鐵實際需求量的研究計算，對鋼材市場的供需水平和價格變化的了解提供參考；從政府角度，可以為是否需要政策調(diào)控的決策提供研究支持；從行業(yè)協(xié)會角度，可以為如何組織產(chǎn)供需市場的調(diào)派提供數(shù)據(jù)指導；從企業(yè)角度，可以通過需求的預期靈活調(diào)整生產(chǎn)、采購、銷售等各環(huán)節(jié)的資源配置，提高市場競爭力，實現(xiàn)利潤最大化。

1 模型基本思路

本文算法的主要思路是將訓練集的鋼鐵下游需求側(cè)以及宏觀經(jīng)濟面板數(shù)據(jù)轉(zhuǎn)化為輸入，利用GBDT[7]算法深度挖掘輸入變量間的非線性關(guān)系，并通過全連接網(wǎng)絡訓練[8-10]與鋼材供給量構(gòu)造供需缺口，最終以鋼材價格漲跌作為最終輸出。通過模型的訓練與評估，可得到用于測試集的模型結(jié)構(gòu)、參數(shù)和權(quán)重，并得到鋼材實際需求監(jiān)測預警模型，模型基本流程如圖1所示。

圖1 鋼材實際需求監(jiān)測預警模型基本流程

1.1 數(shù)據(jù)獲取

本文假設供需的缺口與商品價格變化之間有著強相關(guān)性，即在該假設下通過價格的變化幅度反向量化理論上的供求缺口的大小。本文認為理論上的需求所涉及的影響因子主要來源于鋼鐵下游的重點行業(yè)，如房地產(chǎn)、建筑、機械制造、汽車制造、家電、造船以及能源等行業(yè)。

除了下游行業(yè)作為影響因子外，貨幣因素和宏觀因素也同樣重要。由于市場需求可以分為現(xiàn)實需求和潛在需求，轉(zhuǎn)化成需求量需要資金的支撐，這就是貨幣流動性對于鋼鐵需求重要的原因，所以本文納入M2和社會融資規(guī)模來反映宏觀貨幣端的變化。最后，由于鋼鐵行業(yè)需求的變化有明顯的季節(jié)性，因此在考慮特征時，時間變量也考慮其中。

1.2 數(shù)據(jù)預處理

由于特征之間存在著量綱的差異，為了消除這種差異，需要對數(shù)據(jù)進行標準化處理。本文使用Z-score 標準化對數(shù)據(jù)進行處理。

1.3 模型訓練

在GBDT完成對特征的擴充工作之后，經(jīng)過特征組合得出數(shù)據(jù)輸入給神經(jīng)網(wǎng)絡進行回歸訓練。本文針對鋼鐵需求端的需求量預測使用的模型是全連接網(wǎng)絡模型(FCN)。

神經(jīng)網(wǎng)絡最后的輸出量y針對鋼鐵行業(yè)消費端，也就是對消費鋼材行業(yè)的各種因子進行了特征提取，并縮減維度后的一維數(shù)據(jù)。本文希望鋼鐵的供求關(guān)系可以與鋼材價格指數(shù)的漲跌建立比例函數(shù)關(guān)系。所以目標函數(shù)確定為擬合鋼鐵的需求供給差與鋼材價格指數(shù)同比之間的誤差，而這個誤差用均方誤差(MSE)表示。

(1)

網(wǎng)絡結(jié)構(gòu)由多層線性層組成，每一層分別用ReLU作為激活函數(shù)，并設置dropout以控制網(wǎng)絡的過擬合。最后一層輸出維度是1，即為需要求得的鋼鐵需求量。訓練模型時使用Adam作為優(yōu)化器。

1.4 模型評估

本文從兩個維度對模型進行評估。一方面，對模型本身的訓練效果進行評估；另一方面，采用供求缺口和價格漲跌的正確率對模型進行評估。對于模型本身的訓練效果，使用MSE來進行評估，選擇MSE 較小的模型，是從數(shù)值角度對模型體系作出的判斷。將鋼材的產(chǎn)量和模型給出的需求量結(jié)果作差，可以計算出鋼材的供求差，若供求差大于0，即供給大于需求，則預示價格將要下跌，反之價格則要上漲。

(2)

2 實證分析

2.1 數(shù)據(jù)說明

本文特征體系的歷史數(shù)據(jù)來源于Wind數(shù)據(jù)庫，未來預測數(shù)據(jù)來源于騰景數(shù)科。數(shù)據(jù)均選取2008年1月—2021年10月的月度數(shù)據(jù)，共166個樣本。將數(shù)據(jù)進行歸一化處理以消除量綱。本文對數(shù)據(jù)劃分訓練集、驗證集和測試集。訓練集從2008年1月—2020年7月，驗證集為2020年8月—2021年4月，測試集從2021年5—10月。為防止使用未來數(shù)據(jù)，使用訓練集的均值和方差將全部數(shù)據(jù)集進行標準化。為驗證模型對未來的預警性，作為測試集的輸入x，本文使用騰景數(shù)科在2021年4月發(fā)布的2021年5—10月的數(shù)據(jù)代替目前已經(jīng)發(fā)布的真實值，以得到對應的預測結(jié)果。

2.2 基于GBDT 和 FCN 的模型系統(tǒng)效果分析

影響鋼材實際需求監(jiān)測預警模型的因素主要有：是否進行特征組合、特征組合GBDT模型迭代次數(shù)、神經(jīng)網(wǎng)絡層數(shù)及形狀、是否添加隨機失活機制、訓練次數(shù)及學習率。本文采用控制變量實驗針對不同的影響因素作出實驗分析，實驗結(jié)果中準確率均為驗證集的結(jié)果計算出的供求缺口和價格漲跌的正確率。

根據(jù)實驗結(jié)果，選擇驗證集準確率最高、MSE最小的參數(shù)組合，最終選擇的參數(shù)組合見表1。

表1 最終參數(shù)組合

選擇上述的參數(shù)組合進行模型訓練，最終得到的結(jié)果為：訓練集準確率為92.72%，驗證集準確率為88.89%。

2.3 鋼材實際需求監(jiān)測預警模型擬合需求量與表觀消費量的對比分析

鋼材實際需求擬合消費量在同比值上與表觀消費量波動方向類似，但波動幅度較表觀消費量更加敏感。在絕對值上，與表觀消費量相關(guān)性較強，在2015—2017年數(shù)值上有所偏差(見圖2)。

圖2 鋼材實際需求與表觀需求量對比圖

表觀消費量的計算方法為：當年進口量-當年出口量+當年產(chǎn)量。在反映市場真實需求時，表觀消費量存在兩大不足：一是大量的鋼材庫存被忽略，未能反映其中；二是由于計算公式中出口項前邊是負號，因此當出口需求較大時很有可能對于實際需求量造成低估。本文通過將供需缺口與實際市場價格變化相綁定的做法，讓擬合的需求量更接近于直接影響價格變化的理論值，從而得到的數(shù)據(jù)顯示在供給側(cè)改革階段(2015—2017年)，鋼材實際需求擬合消費量要高于公布的表觀消費量。接下來，從鋼材庫存指標和鋼材出口指標為這段時間的價格偏差加以解釋。

2.3.1 鋼材庫存指標與鋼材實際需求擬合消費量

2015—2017年供給側(cè)改革使得鋼材產(chǎn)量增速放緩，表觀消費量受到影響出現(xiàn)下行，但從鋼材庫存指標來看，該時間段內(nèi)庫存出現(xiàn)大幅下滑，極大可能通過庫存彌補了實際需求造成表觀消費量相較實際消費量的低估。

為了證明鋼材實際需求擬合消費量(以下簡稱擬合消費量)在一定程度上彌補了表觀消費量對于鋼材庫存的忽略，本文分析了擬合消費量和表觀消費量的差值。從年度數(shù)據(jù)來看，鋼材庫存年度同比和擬合消費量與表觀消費量之差的同比有非常強的負相關(guān)關(guān)系。當擬合消費量與表觀消費量之差擴大時，鋼材的庫存反而縮小。這表明：當擬合消費量相較表觀消費量變大時，將伴隨著鋼材的大量出庫，出庫的鋼材對于市場需求提供了大量的補充，最終留存下來的庫存反倒較少。因此，鋼材庫存是擬合消費量與表觀消費量不同的重要原因，也證明了擬合消費量相較于表觀消費量更能反映真實需求。

2.3.2 鋼材出口與鋼材實際需求擬合消費量

根據(jù)表觀需求量的計算公式，鋼材出口量是抵減項，代表在國內(nèi)生產(chǎn)量基礎(chǔ)上要扣減出口才能代表當期國內(nèi)的需求。但出口也是拉動需求的一項重要因素，當鋼材出口強勁時，實際市場需求是強烈的，如果通過表觀需求量減去強勁的出口，會造成嚴重低估實際市場需求的情況。從年度的鋼材出口和擬合消費量與表觀需求量之差的對比可知，出口數(shù)量高時，會拉大擬合消費量與表觀需求量的差距，因此一定程度上彌補了表觀需求量受計算方法所限而對于實際消費量反映不足的缺陷。

2.4 鋼材實際需求監(jiān)測預警模型擬合需求量與需求指數(shù)結(jié)果

在模型擬合需求量的基礎(chǔ)上，為了方便后續(xù)研究，本文以2012年為基年構(gòu)造了鋼材實際需求指數(shù)。該指數(shù)以2012年作為定基時間點，2012年全年的平均月鋼材實際需求量為100，其他月份指數(shù)由相對于2012年月均鋼材消費量計算得出。鋼材實際需求指數(shù)反應的是擬合消費量每月的情況。指數(shù)的變動反應的是擬合消費量變動的強弱，指數(shù)變動的方向反應擬合消費量的變動方向。在定基指數(shù)的基礎(chǔ)上可以繼續(xù)做同比或環(huán)比的計算研究。

2.5 預測數(shù)據(jù)描述

為了驗證鋼材實際需求監(jiān)測預警模型的預測功能，本文采用前期對于重要經(jīng)濟指標的預測研究成果作為此次預測數(shù)據(jù)來源，對2021年5—10月鋼材實際需求量進行預測。

總體而言，每個行業(yè)未來運行態(tài)勢各異，各個行業(yè)不同的運行態(tài)勢最終共同作用于鋼材的整體需求，當一個行業(yè)的運行態(tài)勢發(fā)生變化時，鋼材的整體需求也會隨之變動，因此行業(yè)的歷史數(shù)據(jù)和預測數(shù)據(jù)都對模型整體起到至關(guān)重要的作用。

2.6 系統(tǒng)模型的預警性及結(jié)果

模型訓練完成后，將未來預測數(shù)據(jù)納入訓練得到未來的鋼材需求量，結(jié)果見表2。

表2 擬合鋼材需求量及需求指數(shù)

根據(jù)供求關(guān)系，運用擬合需求量和鋼材產(chǎn)量推導出的價格漲跌和實際價格漲跌情況見表3。

表3 推導價格與實際價格對比

根據(jù)上述結(jié)果可知，模型系統(tǒng)對于未來的鋼材價格漲跌情況有很好的預警性，使用預測數(shù)據(jù)對未來的鋼材價格判斷準確率可達83.3%。2021年7月判斷錯誤主要源于2021年情況較為特殊，作為“碳達峰元年”限產(chǎn)政策陸續(xù)落實，再加之上半年原材料價格瘋漲而擠壓中下游利潤。6—7月徐州鋼廠、寧夏中衛(wèi)鐵合金及鋼廠、唐山燒結(jié)機等均再次限產(chǎn)，江蘇、浙江等地也有類似儲備限產(chǎn)措施。在限產(chǎn)作用下，鋼鐵持續(xù)擠占上游鐵礦利潤，毛利率提升空間大且具有持續(xù)性，行業(yè)經(jīng)歷前所未有之變局。

3 政策建議

根據(jù)本文研究內(nèi)容，提出以下3點政策建議。

1)國家和政府發(fā)揮好“指揮”和“協(xié)調(diào)”的宏觀政府職能，對惡意影響市場價格的行為進行及時監(jiān)管，保證供需的動態(tài)平衡和長效平衡。建議行業(yè)協(xié)會等社會組織要著力維護鋼鐵行業(yè)和相關(guān)行業(yè)的市場經(jīng)濟秩序，推進公平、公正、有序的市場競爭。鋼鐵企業(yè)要建立科學完善的價格決策機制以及適應市場變化的價格運行體系。

2)開拓國外市場，形成全球化布局，發(fā)揮我國在鋼鐵行業(yè)上的領(lǐng)先優(yōu)勢，通過開放的國際市場進一步實現(xiàn)良性的經(jīng)濟循環(huán)。優(yōu)化出口鋼材的產(chǎn)品結(jié)構(gòu)，增加國際市場競爭力，促進國內(nèi)產(chǎn)品技術(shù)的革新升級，進一步實現(xiàn)高質(zhì)量發(fā)展。

3)推進前沿智能技術(shù)與行業(yè)決策研究的融合。積極鼓勵跨學科領(lǐng)域的創(chuàng)新并予以較高關(guān)注；重視培養(yǎng)鋼鐵行業(yè)與人工智能技術(shù)雙重技能的人才；重視行業(yè)數(shù)據(jù)的準確性、及時性和適度公開性，為進一步創(chuàng)新開發(fā)提供研究素材。