Price forecasting with machine learning : an application in stainless steel industry

Abstract

Paslanmaz çelik beyaz eşyadan otomobile hayatın her alanında kullanılan katma değeri yüksek olan bir malzemedir. Fiyattaki sapmalar gibi herhangi bir değişikliğin paslanmaz çelik tedarik zincirine güçlü etkileri bulunmakta ve bu da bizlerin yaşantılarını doğrudan etkilemektedir. Bu çalışma paslanmaz çelik fiyat tahmini üzerine yapılmıştır. Çalışmada mevsimsel otoregresif entegre hareketli-ortalama (SARIMAX) ve uzun kısa vadeli hafıza (LSTM) zaman serileri tahminleme yöntemleri olarak kullanılmıştır. Çelik endüstrisinde tahminleme üzerine yazılmış birçok çalışma olmasına rağmen, paslanmaz çelik üzerine literatürde herhangi bir çalışma bulunmamaktadır. Bu nedenle bu çalışma, gelecekte bu alanda yapılacak çalışmalara örnek olması açısından da önemli olmaktadır. Bu çalışmanın amaçlarından bir tanesi de klasik ve yapay sinir ağları metodlarının performanslarını sırasıyla SARIMAX ve LSTM kullanarak kıyaslamaktır. Modellerin performanslarını ölçmek için iki paslanmaz çelik grubu olan 304 ve 430 serileri için farklı alt veri kümeleri ile birlikte 6 farklı senaryo oluşturulmuştur. Modellerin performansları ise hata kareler ortalamasının karekökü (RMSE), R-kare (R2), ortalama mutlak hata (MAE) ve ortalama mutlak yüzde hata (MAPE) gibi metrikler kullanılarak ölçülmüştür. 304 serisinde 5 yıllık veri kümesi ile birlikte SARIMAX, 430 serisinde ise 7 yıllık veri ile LSTM yöntemi daha iyi sonuçlar ortaya koymaktadır. Nihai olarak, uygun tahminleme metodunun verinin tipine ve boyutuna göre seçilmesi gerektiği sonucuna varılabilir.

Stainless steel is a high value-added material used in various fields of life from white goods to cars. Any changes like price deviations have strong effects on supply chain in stainless steel and it directly affects our lives as well. This study is carried out in order to forecast the price of stainless steel. Seasonal auto-regressive integrated moving average with exogenous factors (SARIMAX) and long short-term memory (LSTM) are used as time series forecasting methods in this study. Although there are many studies written on forecasting in steel industry, none of the studies is about stainless steel in the literature. That is why this study is also important to be an example for future studies in this field. One of the purposes of this study is to compare the performance of classical and neural network methods by using SARIMAX and LSTM, respectively. We built 6 different scenarios for both 304 Series and 430 Series by creating subsets with different training and test set sizes in order to measure the performance of models. The performances of models are measured by using metrics such as root mean square error (RMSE), R-squared(R2), mean absolute Error (MAE) and mean absolute percentage error (MAPE). SARIMAX performs better for 304 series with 5 years of data set while 430 series is forecasted with high performance by LSTM model with 7 years of data set. Finally, it can be concluded that proper forecasting method should be chosen based on the data type and size.