Сравнительная оценка сложности модели глубокого обучения для прогнозирования цен на цветные металлы

LiangHong Li; TaiHua Guan; LongXuan Li; Jin Zeng

doi:10.3791/71032

Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

Сравнительная оценка сложности модели глубокого обучения для прогнозирования цен на цветные металлы

88 просмотров

⸱

DOI:

10.3791/71032

⸱

5 июня 2026 г.

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

В этой статье

Краткое содержание

Систематическая переоценка 13 архитектур для прогнозирования цен на металлы показывает, что простая гейтированная рекуррентная единица превосходит более сложные гибридные модели. Модели, обученные на меди и протестированные на алюминии и цинке, демонстрируют стабильно высокую предсказательную точность, что подтверждает использование экономичных подходов при прогнозировании цен на сырьевые товары.

Аннотация

В данном исследовании рассматривается, повышает ли рост архитектурной сложности точность прогнозирования финансовых моделей на основе глубокого обучения. Используя ежедневные спотовые цены с рынка металлов Шанхая на медь (Cu), алюминий (Al) и цинк (Zn) с января 2015 по сентябрь 2025 года, был применён стандартизированный конвейер предварительной обработки, включающий нормализацию z-score и построение последовательности скользящих окон (длина окна = 30, прогнозный горизонт = 1). Всего было систематически оценено восемнадцать моделей, включая гейт-рекуррентные единицы (ГРУ), сети долгосрочной краткосрочной памяти (LSTM), гибриды свертковой нейронной сети–двунаправленного LSTM–внимания (CNN–BiLSTM–Attention), а также традиционные эконометрические модели (авторегрессивная интегрированная скользящая средняя и обобщённая авторегрессивная условная гетероскедастичность), модели машинного обучения (случайный лес и усиление экстремального градиента) и модель на основе трансформеров. Все модели глубокого обучения обучались исключительно на данных Cu и оценивались на независимых наборах данных Al и Zn для оценки обобщаемости. Результаты показывают, что стандартная модель ГРУ достигает наибольших уровней ошибок (средняя абсолютная ошибка [MAE] = 1032,85; средняя квадратическая ошибка корня = 1344,30) и наивысшую объяснительную степень (коэффициент определения [R²] = 0,907) на тестовом наборе Cu, при этом демонстрируя высокие результаты на Al (MAE = 167,51, R² = 0,918) и Zn (MAE = 254,23, R² = 0,952). Анализ абляции показывает, что добавление архитектурных компонентов, таких как механизмы внимания, двусторонние слои и сверточные модули, снижает точность прогнозирования. Статистическое тестирование с использованием теста Диболда–Мариано показывает, что большинство различий в производительности существенны (p < 0,05). Эти результаты подчёркивают ограничения ненужной сложности моделей и поддерживают использование более простых и надёжных подходов к прогнозированию цен на сырьевые товары.

Введение

Мировой рынок цветных металлов — включающий медь (Cu), алюминий (Al) и цинк (Zn) — является ключевым элементом мировой экономики. Эти металлы являются фундаментальными для строительства, производства, транспорта и быстро развивающейся инфраструктуры зелёной^{энергетики} ^1,2. В результате их ценовая динамика характеризуется высокой волатильностью, вызванной сложным взаимодействием макроэкономических сил, геополитической напряжённостью, сбоями в цепочках поставок, спекулятивной финансовой деятельностью и связями с энергетическими^{рынками 3,4}