Нейросетевой подход к прогнозированию стоимости ферросплавной продукции
https://doi.org/10.17073/0368-0797-2020-1-78-83
Аннотация
В работе отмечается возрастающая роль ферросплавной подотрасли в качественном развитии металлургии в целом. В условиях усиления рисков глобального экономического развития осложняется прогнозирование развития металлургии не только в средне- и долгосрочной перспективе, но и на краткосрочные периоды. Негативное влияние оказывает также высокая волатильность цен на основные ферросплавы. В связи с этим возрастает необходимость в развитии методического инструментария прогнозирования изменений рыночных цен на металлургическую продукцию с высокой степенью точности. Одним из важных направлений применения в металлургии прогнозного инструментария является построение моделей прогнозирования стоимости ферросплавной продукции, что определило основную цель исследования. На примере построения прогнозной модели изменения цены на ферросилиций обоснована актуальность нейросетевого подхода к прогнозированию стоимости ферросплавной продукции. В рамках задач отраслевого развития возможности нейронных сетей на сегодняшний день изучены достаточно слабо. В работе приведено формальное описание модели прогнозирования временных рядов на базе нейронных сетей. Отмечено, что при построении нейросетей любая задача временного ряда представляется в виде многомерной регрессии. С учетом этого выделены основные параметры обучения прогнозных сетей. В качестве входных переменных использована средняя цена на ферросилиций на российском рынке, а также цены субъектов РФ. При проведении исследования обучены сети, удовлетворяющие качественным критериям прогнозных моделей. Отбор моделей проведен с учетом результатов графического анализа и кросс-проверки. В результате проведенного исследования построена нейросетевая модель, которая может быть использована для прогнозирования изменения цены на ферросилиций на внутреннем рынке РФ на краткосрочную перспективу. Полученная модель отличается высокой точностью прогнозирования и может быть полезна при обосновании стратегических решений в деятельности отраслевых научно-исследовательских институтов и металлургических предприятий.
Об авторе
Д. В. СиротинРоссия
к.э.н., научный сотрудник лаборатории моделирования пространственного развития территорий
620014, Россия, Екатеринбург, ул. Московская, 29
Список литературы
1. Галкин М.П., Бродов А.А. Современные требования к производству специальных сталей и сплавов // Сб. тр. XV Междунар. конгресса сталеплавильщиков, 15 – 19 октября 2018. – М.: Ас- социация сталеплавильщиков, 2018. С. 23 – 26.
2. Катунин В.В., Петракова Т.М., Иванова И.М. Основные пока- затели работы черной металлургии России в 2018 г. // Черная металлургия. Бюл. ин-та «Черметинформация». 2019. № 3. С. 293 – 314.
3. Жучков В.И., Леонтьев Л.И., Дашевский В.Я. Состояние и развитие металлургии ферросплавов в России // Перспективы развития металлургии и машиностроения с использованием завершенных фундаментальных исследований и НИОКР: ФЕР- РОСПЛАВЫ: Тр. науч.-практич. конф. с междунар. участием, 29 октября – 2 ноября 2018. – Екатеринбург: Изд. и тип. «Альфа Принт», 2018. С. 12 – 20.
4. Глазьев С.Ю. Рывок в будущее. Россия в новых технологическом и мирохозяйственном укладах. – М.: Книжный мир, 2018. – 768 с.
5. Perez K. Technological revolutions and the role of government in unleashing golden ages // Journal of Globalization Studies. 2012. Vol. 3. No. 2. P. 19 – 25.
6. Романова О.А., Сиротин Д.В. Металлургический комплекс Среднего Урала в условиях развития Индустрии 4.0: дорожная карта перепозиционирования комплекса // Проблемы прогнози- рования. 2019. № 2. С. 37 – 50.
7. Адно Ю.Л. Итоги 2018 года: проблемы и противоречия экономического развития // Черные металлы. 2019. № 7. С. 73 – 82.
8. Cubadda G., Guardabascio B. Representation, estimation and forecasting of the multivariate index-augmented autoregressive model // Int. J. Forecast. 2018. Vol. 35. No. 1. P. 67 – 79.
9. Сиротин Д.В. Анализ пространственной интеграции отраслевых рынков металлопродукции // Изв. вуз. Черная металлургия. 2017. Т. 60. № 1. С. 74 – 79.
10. Pradhan R.P., Kumar R. Forecasting exchange rate in India: An application of artificial neural network model // Journal of Mathematics Research. 2010. Vol. 2. No. 4. P. 111 – 117.
11. Yildiz B., Yalama A., Coskun M. Forecasting the Istanbul Stock Exchange National 100 Index using an artificial neural network // An International Journal of Science, Engineering and Technology. 2008. Vol. 46. P. 36 – 39.
12. Catalao J. etc. An artificial neural network approach for day-ahead electricity prices forecasting // 6th WSEAS Int. Conf. on Neural Networks, USA, Stevens Point. 2005. P. 80 – 83.
13. Widrow B., Hoff M.E. Adaptive switching circuits // IRE WESCON. – N.Y., 1960. P. 96 – 104.
14. Minsky M.L., Papert S.S. Perceptrons: An Introduction to Comtutational Geometry. – MIT Press, Cambrige, MA, 1969. – 258 p.
15. McCulloch W.S., Pitts W.A. A Logical calculus of the ideas immanent in nervous activity // Bull. Math. Biophys. 1943. Vol. 5. P. 115 – 133.
16. Розенблатт Ф. Аналитические методы изучения нейронных сетей // Зарубежная радиоэлектроника. 1965. № 5. С. 40 – 45. 17. Hebb D.O. The Organization of Behavior: A Neuropsychological Theory. – New-York: John Wiley & Sons, Inc., 1949. – 335 p.
17. Hopfield J. Neural networks and physical system with emergent collective computational properties // Proceeding of the National Academy of Sciences of the USA. 1982. Vol. 79. No. 8. P. 2554 – 2558.
18. Романова О.А., Сиротин Д.В. Методологический подход к оценке перепозиционирования металлургического комплекса региона: препринт. – Екатеринбург: Институт экономики УрО РАН, 2017. – 91 с.
19. Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4. – М.: ИПРЖР, 2001. – 256 с.
20. Graupe D. Principles of Artificial Neural Networks / 3rd Ed. – World Scientific, 2013. – 363 p.
21. Филатова Т.В. Применение нейронных сетей для аппроксимации данных // Вестник Томского
22. государственного университета. 2004. № 284. С. 121 – 125.
Рецензия
Для цитирования:
Сиротин Д.В. Нейросетевой подход к прогнозированию стоимости ферросплавной продукции. Известия высших учебных заведений. Черная Металлургия. 2020;63(1):78-83. https://doi.org/10.17073/0368-0797-2020-1-78-83
For citation:
Sirotin D.V. Neural network approach to forecasting the cost of ferroalloy products. Izvestiya. Ferrous Metallurgy. 2020;63(1):78-83. (In Russ.) https://doi.org/10.17073/0368-0797-2020-1-78-83