[发明专利]一种基于机器学习的钢材产品现货定价系统和方法

说明书

一种基于机器学习的钢材产品现货定价方法，包括根据业务需求筛选产品现货相关数据筛选，并确定分析维度；对于每一单成交记录计算特征值；对历史相似订单进行聚类，并对相似订单分别计算历史订单信息；利用历史订单聚类模块所获得的历史订单信息把历史订单二分类为调价订单和不调价订单，并对可找到历史相似订单的数据和不能找到历史相似订单的数据分别进行分类模型训练，以形成两个分类器；对当日投放未成交数据，按是否能找到类似相似订单，分别调用所述两个分类器来预测是否调价；对预测调价的数据，基于一时间段内的相似订单的历史订单信息，计算调价幅度；对调价幅度预测模块获得的调价幅度进行优化。

技术领域

技术领域本发明涉及计算机技术领域，尤其是涉及一种基于机器学习的钢材产品现货定价系统和方法。

背景技术

目前，钢材现货的捆包资源（最小销售单位）在钢材交易电商平台上进行销售时，资源定价采用营销定价的方式，其重点关注资源的成本结构、边际收益率、市场对价格变动的敏感性。这种资源定价方式未充分参考总经济价值，且捆包资源数据维度多，结构复杂，单纯依靠业务专家的经验，在应对市场价格竞争时，无法及时调整价格策略，不能全面、精准地对资源进行调价，致使资源定价偏高或偏低，降低了资源的流通性。

钢材现货产品是指可供出货、储存和制造业使用的钢材实物商品钢材。现货产品与期货产品在产品覆盖的范围、产品的规格属性及价格形成机制等方面具有一定的差异，期货产品主要是线材及螺纹，而现货产品包括一切进入流通的钢材产品，现货产品的规格属性的丰富度要远大于期货产品的规格属性的丰富度。另外，钢材期货的价格数据按月更新，而钢材现货的价格数据则按天更新。正因如此，对钢材现货产品进行定价的复杂度要明显大于对钢材期货产品的定价复杂度。

目前的定价模式体现钢材现货价格体系的固化和严谨，但对于市场竞争和突发事件的应对上不够灵活和及时，不能准确及时地把握市场动态，调整定价策略，以满足市场的合理化需求。现有的钢材现货资源定价方法，限制了钢材去库存交易过程中的合理化销售。

发明内容

本发明的一个目的在于提供一种基于机器学习的钢材产品现货定价系统和方法。

依据本发明的一个方面，提供了一种基于机器学习的钢材产品现货定价系统，包括数据探查模块，用于对产品现货相关数据进行探查，设定不同组合的层次化归并逻辑和条件，以确定用于建立模型的分析维度；和模型建立模块，用于根据数据探查模块所确定的分析维度，通过机器学习来建立用以预测是否加价的随机森林分类模型和用以预测加价幅度的多元回归模型。

依据本发明以上方面的系统，所述数据探查模块还用于基于产品的业务特征、产品的捆包规格属性和/或分析要求，对产品相关数据进行清洗和/或过滤；和/或根据业务需求来筛选典型牌号、典型厚度和/或典型吨重的捆包作为数据对象；和/或根据产品结构由粗到细和/或由品种到厚度进行细分，设定不同组合的层次化归并逻辑和条件，以对产品结构进行梳理归并；和/或确定用于定价的分析维度。

依据本发明以上方面的系统，所述模型建立模块还用于根据业务经验确定捆包的每个维度对捆包价格的影响度；和/或按照牌号、规格、和/或制造基地中的一个或多个维度将捆包划分成一个或多个区间，使得每个区间内的捆包的各维度都相似或相同；和/或通过将各区间内的历史投放未成交的捆包和历史投放已成交的捆包作为训练样本，将是否成交、未竞价成交、竞价成交以及竞价幅度中的一个或多个维度作为学习特征，通过机器学习，根据近期的历史成交数据寻找是否相似的捆包，划分成df_found和df_ not_found两个数据集，针对两个数据集分别构建随机森林分类模型；和/或通过将各区间内的历史捆包作为训练样本，近期捆包作为验证样本，构建用以预测加价幅度的多元回归模型；和/或利用双模型联合定价，将待预测捆包先经过预测是否加价的随机森林分类模型来判断其是否应该加价，需要加价的捆包再经过预测加价幅度的多元回归模型来计算得到柔性定价的数额。