Preview

Известия высших учебных заведений. Черная Металлургия

Расширенный поиск

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. Сиротин
Институт экономики УрО РАН
Россия

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

Просмотров: 470


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 0368-0797 (Print)
ISSN 2410-2091 (Online)