以一致和合理的准确度预测未来的商品价格是行业分析师和市场参与者面临的主要挑战之一。基于机器学习算法的复杂模型可以提供全新的视角。此 Insight 演示了如何将机器学习应用于 CRU 数据以提取有用的见解。
我们实施了集成决策树回归算法来评估每月 1050 种常见合金的转换费用。该模型在过去 7 个月中使用真实数据进行了测试。结果是有希望的，并且有可能扩展到季度和年度预测。但是，也存在挑战和限制，我们将在后面介绍。
2023 年 1 月，我们在《铝产品监测》月度报告中推出了一个跟踪欧洲软经济数据发展的章节。这个想法是将几个主要经济指标与评估的铝产品转换费保持一致。测试后，我们重点关注通货膨胀、消费者信心、经济景气指数 （ESI） 和采购经理人指数 （PMI）。过去一年中市场情绪的月度变化也有助于我们衡量对轧制和挤压产品的需求状况。
此外，在我们讨论需求状况和转换费评估时，通常会提到几个价格点，例如 LME 铝价、鹿特丹锭完税溢价和欧洲的不锈钢价格。通过经验，我们可以确认所有这些价格点和软经济数据都是转换费评估难题的一部分。
然而，问题仍然存在——这些价格、疲软的经济数据和转换费用之间有什么关系？我们如何使用这些数学关系来评估特定月份的转换费水平？
我们比较了从 2002 年 9 月开始的 1050 合金的月度转换费，包括六个特征——欧洲不锈钢板价格、LME 3 个月铝价格、鹿特丹铸锭完税溢价、美元/欧元汇率、ESI 指数和通货膨胀。我们的数据集总共包含 266 个观测值。相关性分析的结果显示在下面的热图中。
我们可以看到，从历史上看，1050 转换费与不锈钢价格 （0.7） 和 LME 铝价 （0.63） 有很强的相关性。相比之下，与铸锭溢价 （0.45） 和通货膨胀 （0.56） 的相关性为低到中等，美元/欧元汇率与 1050 费用呈较小的负相关。有趣的是，不锈钢价格与 LME 3 个月铝价格之间存在很强的相关性 （0.8），这表明可能存在多重共线性。
为了进一步探索这些关系，我们构建了一个回归模型，根据上述六个特征来预测 1050 次转化费用。我们试验了一个基于集成决策树算法的复杂模型，并将其统计输出与传统多元线性回归模型的统计输出进行了比较。
机器学习算法具有许多优势，例如提高准确性和捕获变量之间非线性关系的能力。然而，我们的数据集仅包含 266 个观察值，不足以训练一个稳健的模型。过拟合是一个主要问题，因为当模型对训练数据（包括异常值）学习得太好时，就会发生过拟合，从而导致对新的、看不见的数据的泛化效果不佳。这种数据限制也是意料之中的，因为欧元是在 2000 年初引入的，这使得所有先前的数据都属于不同的制度，没有可比性。
为了解决这一限制，我们扩充了可用的数据集，并引入了 "fat tail" 噪声。如下面的摘要所示，每月 1050 转换费、不锈钢和 LME 3 个月铝的分配呈现"肥尾"。
机器学习模型的另一个挑战是解释其预测背后的逻辑。我们应用的 ensemble decision tree 算法也不例外。但是，我们可以计算特征重要性，它衡量每个特征对模型预测的贡献。这有助于确定哪些特征对目标变量影响最大，在我们的例子中是 1050 转化费。
对于我们的模型，特征重要性输出如下所示。我们可以看到，LME 3 个月和不锈钢价格都显着影响了 1050 转换费的预测。这与我们的预期和上面介绍的相关性分析一致。
然而，有趣的是，LME 3 个月价格的重要性大于不锈钢。相反，后者接近 ESI 的特征重要性级别。尽管 1050 转换费和 ESI 之间的相关性较弱 （0.33）。因此，模型可能已经学习了特征之间的一些非线性关系。
下图中最后的三个特征是通货膨胀、铸锭税痛价和美元/欧元汇率。它们不会对 1050 转换费的预测产生重大影响，因此可能会被排除在外。但是，我们更愿意保留这些功能以实现上下文和可解释性，因为我们的模型计算量不大。
机器学习模型旨在泛化和处理看不见的输入。通过扩充数据以创建更大的数据集，我们能够将其拆分为训练和测试子集。这使我们能够微调模型，在偏差和方差之间找到平衡，从而提高准确性。
还有许多统计方法可用于改进多元回归模型。我们使用 1050 转换费和讨论的六个特征，对我们的复杂模型和基本的多元线性回归模型进行了高级比较。如下图所示，我们的复杂模型有望比基本的多元回归模型表现得更好。但是，最终的测试应该在现实生活中真正看不见的数据上进行。
自 2024 年 3 月以来，我们一直在使用开发的复杂模型进行实验。现在我们已经积累了 7 个月的成果。
我们可以得出结论，复杂模型在用真实输入测试的 7 个月中有 5 个月表现得相当不错。下一步，我们将 根据 CRU 铝和钢团队提供的长期预测（LME 价格预测、铸锭溢价、不锈钢价格）以及 CRU 经济团队（通货膨胀、 ESI，汇率），这些报告发表在《铝市场展望》、《不锈钢板材市场展望》和《全球经济展望》中。我们的目标是评估长期预测的合理性，以及它们将如何根据不同的未来情景而变化。
请求演示以更详细地探索 CRU 的铝市场展望。
