基于機器學習的鋼材需求預測研究

崔 煜，丁 東，張 航

(哈爾濱工業大學[深圳]經濟管理學院，廣東 深圳 518055)

0 引言

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

關于如何量化鋼鐵實際需求，已有一些研究基礎。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預測法[3]、分地區消費預測法和下游行業消費預測法[4]。其中，鋼材消費系數預測法即基于鋼材消費彈性系數與GDP增速和固定資產投資完成額增速的線性關系，并結合未來趨勢分析后設定系數，并給出高速、中速、低速3種國民經濟發展狀況預測[5]。下游行業消費預測法則是根據用途和消費領域不同，將國內鋼材消費分類，結合我國各下游用鋼行業發展趨勢、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，并在方法上有所創新，在數值精確度上有更嚴格的要求。即結合鋼材下游行業以及宏觀經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造特征并訓練，得到更加復雜的神經網絡結構，形成更加精準的鋼材實際需求計算系統。目前機器學習在計算機領域、統計學領域早已有非常豐富的研究成果，而且發展速度很快，在數據計算、多維數據擬合等方面，機器學習都表現出了明顯的優勢。然而，目前在鋼鐵行業使用機器學習方法的研究還比較有限。

在學術研究層面，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對于傳統鋼鐵行業研究范式的升級優化，以及機器學習與行業研究的進一步融合。

在行業發展層面，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控的決策提供研究支持；從行業協會角度，可以為如何組織產供需市場的調派提供數據指導；從企業角度，可以通過需求的預期靈活調整生產、采購、銷售等各環節的資源配置，提高市場競爭力，實現利潤最大化。

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以及宏觀經濟面板數據轉化為輸入，利用GBDT[7]算法深度挖掘輸入變量間的非線性關系，并通過全連接網絡訓練[8-10]與鋼材供給量構造供需缺口，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構、參數和權重，并得到鋼材實際需求監測預警模型，模型基本流程如圖1所示。

圖1 鋼材實際需求監測預警模型基本流程

1.1 數據獲取

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，如房地產、建筑、機械制造、汽車制造、家電、造船以及能源等行業。

除了下游行業作為影響因子外，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實需求和潛在需求，轉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和社會融資規模來反映宏觀貨幣端的變化。最后，由于鋼鐵行業需求的變化有明顯的季節性，因此在考慮特征時，時間變量也考慮其中。

1.2 數據預處理

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

1.3 模型訓練

在GBDT完成對特征的擴充工作之后，經過特征組合得出數據輸入給神經網絡進行回歸訓練。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絡模型(FCN)。

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

(1)

網絡結構由多層線性層組成，每一層分別用ReLU作為激活函數，并設置dropout以控制網絡的過擬合。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，是從數值角度對模型體系作出的判斷。將鋼材的產量和模型給出的需求量結果作差，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 數據說明

本文特征體系的歷史數據來源于Wind數據庫，未來預測數據來源于騰景數科。數據均選取2008年1月—2021年10月的月度數據，共166個樣本。將數據進行歸一化處理以消除量綱。本文對數據劃分訓練集、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。為防止使用未來數據，使用訓練集的均值和方差將全部數據集進行標準化。為驗證模型對未來的預警性，作為測試集的輸入x，本文使用騰景數科在2021年4月發布的2021年5—10月的數據代替目前已經發布的真實值，以得到對應的預測結果。

2.2 基于GBDT 和 FCN 的模型系統效果分析

影響鋼材實際需求監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、神經網絡層數及形狀、是否添加隨機失活機制、訓練次數及學習率。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，實驗結果中準確率均為驗證集的結果計算出的供求缺口和價格漲跌的正確率。

根據實驗結果，選擇驗證集準確率最高、MSE最小的參數組合，最終選擇的參數組合見表1。

表1 最終參數組合

選擇上述的參數組合進行模型訓練，最終得到的結果為：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，與表觀消費量相關性較強，在2015—2017年數值上有所偏差(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，從而得到的數據顯示在供給側改革階段(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年供給側改革使得鋼材產量增速放緩，表觀消費量受到影響出現下行，但從鋼材庫存指標來看，該時間段內庫存出現大幅下滑，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。從年度數據來看，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關系。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

根據表觀需求量的計算公式，鋼材出口量是抵減項，代表在國內生產量基礎上要扣減出口才能代表當期國內的需求。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 鋼材實際需求監測預警模型擬合需求量與需求指數結果

在模型擬合需求量的基礎上，為了方便后續研究，本文以2012年為基年構造了鋼材實際需求指數。該指數以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。鋼材實際需求指數反應的是擬合消費量每月的情況。指數的變動反應的是擬合消費量變動的強弱，指數變動的方向反應擬合消費量的變動方向。在定基指數的基礎上可以繼續做同比或環比的計算研究。

2.5 預測數據描述

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

總體而言，每個行業未來運行態勢各異，各個行業不同的運行態勢最終共同作用于鋼材的整體需求，當一個行業的運行態勢發生變化時，鋼材的整體需求也會隨之變動，因此行業的歷史數據和預測數據都對模型整體起到至關重要的作用。

2.6 系統模型的預警性及結果

模型訓練完成后，將未來預測數據納入訓練得到未來的鋼材需求量，結果見表2。

表2 擬合鋼材需求量及需求指數

根據供求關系，運用擬合需求量和鋼材產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

根據上述結果可知，模型系統對于未來的鋼材價格漲跌情況有很好的預警性，使用預測數據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”限產政策陸續落實，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、寧夏中衛鐵合金及鋼廠、唐山燒結機等均再次限產，江蘇、浙江等地也有類似儲備限產措施。在限產作用下，鋼鐵持續擠占上游鐵礦利潤，毛利率提升空間大且具有持續性，行業經歷前所未有之變局。

3 政策建議

根據本文研究內容，提出以下3點政策建議。

1)國家和政府發揮好“指揮”和“協調”的宏觀政府職能，對惡意影響市場價格的行為進行及時監管，保證供需的動態平衡和長效平衡。建議行業協會等社會組織要著力維護鋼鐵行業和相關行業的市場經濟秩序，推進公平、公正、有序的市場競爭。鋼鐵企業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，發揮我國在鋼鐵行業上的領先優勢，通過開放的國際市場進一步實現良性的經濟循環。優化出口鋼材的產品結構，增加國際市場競爭力，促進國內產品技術的革新升級，進一步實現高質量發展。

3)推進前沿智能技術與行業決策研究的融合。積極鼓勵跨學科領域的創新并予以較高關注；重視培養鋼鐵行業與人工智能技術雙重技能的人才；重視行業數據的準確性、及時性和適度公開性，為進一步創新開發提供研究素材。