Vergelijkende evaluatie van de complexiteit van deep learning-modellen voor het voorspellen van prijzen van niet-ferrometaal

LiangHong Li; TaiHua Guan; LongXuan Li; Jin Zeng

doi:10.3791/71032

Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Onderzoeksartikel

Vergelijkende evaluatie van de complexiteit van deep learning-modellen voor het voorspellen van prijzen van niet-ferrometaal

88 weergaven

⸱

DOI:

10.3791/71032

⸱

5 juni 2026

LiangHong Li¹ , TaiHua Guan² , LongXuan Li³ , Jin Zeng⁴

¹The Institute for Sustainable Development, Macau University of Science and Technology, ²Faculty of Innovation Engineering, Macau University of Science and Technology, ³School of Computer Science, Beijing Institute of Technology, ⁴Business School, Guangzhou College of Technology and Business

In dit artikel

Samenvatting

Een systematische herwaardering van 13 architecturen voor metaalprijsvoorspelling toont aan dat een eenvoudige gated recureur-eenheid beter presteert dan complexere hybride modellen. Modellen getraind op koper en getest op aluminium en zink tonen consequent een hoge voorspellende nauwkeurigheid, wat het gebruik van zuinige benaderingen bij het voorspellen van grondstoffenprijzen ondersteunt.

Samenvatting

Deze studie onderzoekt of toenemende architecturale complexiteit de prognosenauwkeurigheid in op deep learning gebaseerde financiële modellen verbetert. Met behulp van dagelijkse spotprijsgegevens van de Shanghai Metals Market voor koper (Cu), aluminium (Al) en zink (Zn) van januari 2015 tot september 2025, werd een gestandaardiseerde preprocessing-pijplijn toegepast, inclusief z-score normalisatie en het opstellen van sliding window-sequenties (vensterlengte = 30, prognosehorizon = 1). In totaal werden achttien modellen systematisch geëvalueerd, waaronder gated recurrent units (GRU's), long short-term memory (LSTM) netwerken, convolutioneel neuraal netwerk–bidirectioneel LSTM–aandacht hybriden (CNN–BiLSTM–Attention), evenals traditionele econometrische modellen (autoregressief geïntegreerd voortschrijdend gemiddelde en gegeneraliseerde autoregressieve conditionele heteroskedasticiteit), machine learning-modellen (random forest en extreme gradient boosting), en een op Transformer gebaseerd model. Alle deep learning-modellen zijn uitsluitend getraind op Cu-data en geëvalueerd op onafhankelijke Al- en Zn-datasets om de generaliseerbaarheid te beoordelen. De resultaten tonen aan dat het standaard GRU-model de laagste foutpercentages behaalt (gemiddelde absolute fout [MAE] = 1032,85; wortelgemiddelde kwadratische fout = 1344,30) en de hoogste verklarende kracht (determinatiecoëfficiënt [R²] = 0,907) op de Cu-testset, terwijl het ook sterk presteert op Al (MAE = 167,51, R² = 0,918) en Zn (MAE = 254,23, R² = 0,952). Ablatieanalyse toont aan dat het toevoegen van architecturale componenten zoals aandachtsmechanismen, bidirectionele lagen en convolutionele modules de voorspellende nauwkeurigheid vermindert. Statistisch testen met de Diebold–Mariano-test geeft aan dat de meeste prestatieverschillen significant zijn (p< 0,05). Deze bevindingen benadrukken de beperkingen van onnodige modelcomplexiteit en ondersteunen het gebruik van eenvoudigere, robuuste benaderingen voor het voorspellen van grondstoffenprijzen.

Inleiding

De wereldwijde markt voor non-ferrometalen — waaronder koper (Cu), aluminium (Al) en zink (Zn) — is een spil van de wereldeconomie. Deze metalen zijn fundamenteel voor de bouw, productie, transport en de snel groeiende groene energie-infrastructuur ^1,2. Daardoor worden hun prijsdynamiek gekenmerkt door hoge volatiliteit, gedreven door een complex samenspel van macro-economische krachten, geopolitieke spanningen, verstoringen in de toeleveringsketen, speculatieve financiële activiteiten en verbindingen met energiemarkten ^3,4^<....