运用机器学习与深度学习预测关键矿产价格:来自适应性市场假说的实证证据

《Resources Policy》:Forecasting critical mineral prices with machine learning and deep learning: Evidence from the Adaptive Market Hypothesis

【字体: 大 中 小 】 时间:2026年10月01日 来源:Resources Policy CS20.3

编辑推荐:

   •九个模型对六种关键矿物的价格进行了2022–2026年的样本外预测。•每种矿物的最佳模型各不相同,支持适应性市场假说。•预测收益具有体制依赖性,Bai–Perron结构性断点检验证实了这一点。•微小的MASE增益在国家采购规模上每年价值可达约3600万美元。•模型择时买入/

  
  • •
    九个模型对六种关键矿物的价格进行了2022–2026年的样本外预测。
  • •
    每种矿物的最佳模型各不相同,支持适应性市场假说。
  • •
    预测收益具有体制依赖性,Bai–Perron结构性断点检验证实了这一点。
  • •
    微小的MASE增益在国家采购规模上每年价值可达约3600万美元。
  • •
    模型择时买入/推迟规则可将每种矿物的采购成本降低0.3–3.3%。

引言

全球能源转型已使锂、铜、镍、钴、锰和稀土元素从普通的工业大宗商品上升为对全球脱碳至关重要的战略资源。欧盟《关键原材料法案》(European Parliament and Council, 2024)和美国《通胀削减法案》(US Congress, 2022)均承认这些矿物是供应链不可或缺的组成部分。然而,这些矿物的价格行为尚未像传统农产品那样得到充分研究。机器学习(ML)和深度学习(DL)为建模关键矿物价格动态提供了有前景的方法。尽管ML和DL已被应用于原油(Costa et al., 2021)、天然气(Herrera et al., 2019)和基础金属(Varshini et al., 2024)的预测,但仍存在三个显著的研究空白。首先,最先进的神经营养网络架构——时间序列的神经基扩展分析(N-BEATS)(Oreshkin et al., 2020)、时间序列的神经层级插值(N-HiTS)(Challu et al., 2023)和时间融合Transformer(TFT)(Lim et al., 2021)——尚未被应用于关键矿物价格预测。其次,现有研究很少采用正式的统计推断方法,如Diebold–Mariano(1995)、Clark–West(2007)和Pesaran–Timmermann(1992)检验。第三,尚无研究在适应性市场假说(Lo, 2004)的框架下探讨关键矿物价格的动态。
尽管这些矿物具有战略意义,但关于关键矿物市场的研究寥寥无几,也鲜有尝试相对于石油和农产品价格来预测这些价格。准确的预测至关重要,因为预测误差可以直接转化为数十亿美元的采购损失、战略储备配置失当和低效的政策回应。迄今为止,这些市场尚不存在标准化的预测框架。因此,我们采用九个模型——随机游走(RW)、自回归积分滑动平均(ARIMA)、最小绝对收缩和选择算子(LASSO)、极端梯度提升(XGBoost)、随机森林(RF)、长短期记忆网络(LSTM)以及较新开发的模型(N-BEATS、N-HiTS和TFT)——对六种关键矿物的月度对数收益率序列进行分析。我们的评估采用滚动窗口的逐步预测方法(Tashman, 2000),并结合MASE(Hyndman and Koehler, 2006)、MAE、RMSE以及正式的Diebold–Mariano、Clark–West和Pesaran–Timmermann检验。
我们的研究结果显示,六种矿物的结果存在显著差异。TFT模型在镍和稀土方面优于随机游走模型,XGBoost在锂方面优于随机游走模型,ARIMA对钴最有效,N-HiTS对铜表现最佳。对于锰,没有模型能以统计上稳健的幅度超越随机游走,使其实际上不可预测。总体而言,这些结果表明,关键矿物市场的预测表现本质上具有矿物特异性和体制依赖性。
本研究对文献做出了三项贡献。第一,它在六种关键矿物市场上比较了先进的深度学习架构,包括N-BEATS、N-HiTS和时间融合Transformer。第二,它使用Diebold–Mariano、Clark–West和Pesaran–Timmermann检验评估预测表现,弥补了以往基于ML的大宗商品预测研究中正式统计检验使用不足的问题。第三,它通过不同矿物以及随时间变化的相对预测表现来检验适应性市场假说。

章节摘要

机器学习与深度学习在商品价格预测中的应用

自Gu等人(2020)展示机器学习方法在资产定价中的潜力以来,ML和DL在商品价格预测中的应用加速发展。例如,Costa等人(2021)使用随机森林和神经网络改进了布伦特原油的预测,Herrera等人(2019)将类似方法应用于多种能源大宗商品。最近,Foroutan和Lahmiri(2024)在石油和贵金属上测试了16种深度学习架构,发现时间卷积网络……

数据

我们使用国际货币基金组织初级商品价格数据集中六种关键矿物的月度价格数据:锂(电池级,99.5% Li2CO3)、钴(最低99.80%,LME现货)、镍(LME现货)、锰(电解,CIF西北欧)、碳酸稀土(REO 42–45%,中国国产)和铜(A级阴极,LME现货)。镍、钴和铜的价格数据可追溯至过去36年——从1990年1月到2026年1月。然而,锂、锰和稀土的国际货币基金组织数据则……

锂

锂具有中等程度的可预测性,机器学习模型仅对随机游走提供边际性改善,但在方向准确率上表现强劲。表3显示,XGBoost是唯一略微超越随机游走的模型,将预测误差降低了约0.6%,在所有误差指标上均有一致的改善。尽管改善幅度较小,但在以极端价格波动为特征的整个样本外期间持续存在。

矿物间的预测差异

第4节记录的矿物间预测差异最好通过适应性市场假说(AMH)的视角来解读。与有效市场假说所暗示的资产间可预测性均匀分布不同,我们的结果显示可预测性在不同矿物之间以及随时间变化而存在显著差异,这与适应性市场动态相符。
结果揭示了三个主要模式。首先,模型表现高度依赖于市场结构。深度……

结论

本研究对机器学习和深度学习模型在预测关键矿物价格方面的表现进行了全面评估,在适应性市场假说框架下,对六种战略重要金属应用了九种预测方法。结果表明,可预测性本质上具有矿物特异性和时变性。虽然某些模型在特定矿物上优于随机游走——如时间融合Transformer在镍和稀土上的表现,XGBoost……

CRediT作者贡献声明

Dennis Olson:撰写 – 审阅与编辑、验证、监督、方法论、概念化。Iakov Sadchikov:撰写 – 原稿、可视化、软件、调查研究、形式化分析、数据整理。

声明:在稿件准备过程中使用生成式AI和AI辅助技术

在准备本工作期间,作者使用Claude协助语言编辑和写作清晰度。使用此服务后,作者根据需要审阅和编辑了内容,并对已发表文章的内容承担全部责任。

利益冲突声明

作者声明以下财务利益/个人关系,可能被视为潜在的利益冲突:
Iakov Sadchikov报告与KIMEP大学Bang商学院存在关系,包括博士奖学金。Dennis Olson报告与KIMEP大学Bang商学院存在关系,包括雇用关系。作者没有其他可能影响本工作的竞争性财务利益或个人关系。

致谢

本研究未收到来自公共、商业或非营利部门基金机构的任何专项资助。
Dennis Olson | Iakov Sadchikov
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号