Китай: моделирование статком цена тренды? 

Когда слышишь ?моделирование статистических ценовых трендов в Китае?, первое, что приходит в голову многим — это просто взять исторические данные по стали, меди, алюминию, загнать их в какой-нибудь Python-скрипт с ARIMA или LSTM и ждать прогноза. На деле, это самый верный путь получить красивый график, который разойдётся с реальностью за пару кварталов. Проблема не в моделях, а в том, что за цифрами часто не видят самого процесса формирования цены в Китае — это не только спрос и предложение на бирже, но и политика ?двойного контроля? за энергопотреблением, сезонные кампании по экологии, реальная ситуация с логистикой из внутренних провинций и даже неписаные правила местных промышленных кластеров. Я лет десять занимаюсь поставками электротехнических компонентов, и цена на сталь для корпусов или медь для шин — это всегда головная боль, которую Excel-таблицей не решить.

Почему готовые модели дают сбой на китайских данных

Брал когда-то готовое решение для прогнозирования цен на кремнистую сталь — ключевой материал для сердечников трансформаторов. Данные были за пять лет, модель обучена, всё вроде гладко. А в 2021 году в провинции Аньхой, откуда мы многое закупаем, внезапно ужесточили нормы по энергосбережению на местных сталелитейных заводах. Не общенациональная политика, а именно локальное решение. Производство встало на три недели. Ни одна готовая модель, работающая на макростатистике, этого не предсказала — у неё просто не было таких входных данных. Пришлось вручную заводить фактор ?региональные экологические инспекции? и пытаться оценивать его через частоту упоминаний в отраслевых чатах WeChat и сводках местных СМИ. Не идеально, но стало хоть как-то работать.

Ещё один нюанс — статком из открытых источников часто даёт усреднённую картину. Например, средняя цена на алюминий по стране. Но если твоё производство, как у нашего партнёра ООО Аньхой Чжундянь Электрик (их сайт — https://www.zddq.ru), находится в технологическом парке в Бэнбу, то тебе важна цена с доставкой до твоего завода, а не до порта Шанхая. А это — отдельный мир фрахтовых ставок, доступности грузовиков и даже погоды на определённых трассах. Моделирование, которое не учитывает логистическую составляющую в конкретном регионе, для производственника почти бесполезно.

Поэтому сейчас мы не столько моделируем общие тренды, сколько строим набор дашбордов. Один — с официальной биржевой статистикой. Другой — с индексами грузоперевозок по ключевым для нас маршрутам. Третий — мониторинг новостей и официальных объявлений из провинций, где сидят наши основные поставщики металла и комплектующих. Сводить это в единый прогноз — всё ещё искусство, а не наука. Часто решение принимается на созвоне после вопроса: ?Ребята из Цзянсу в чате пишут, что на следующей неделе проверка. Кто-то подтверждает??. Это и есть тот самый ?неформальный индикатор?.

Кейс: как колебания цен на сталь влияют на конечный продукт (и наши провалы)

Возьмём для примера производство шкафов компенсации реактивной мощности — это как раз профиль ООО Аньхой Чжундянь Электрик. Основа — стальной корпус, медные шины, силовые полупроводниковые модули (IGBT). В 2020 году мы решили, что главный риск — это цена на IGBT-модули, и закупили их с запасом. А цена на стальной прокат, который всегда был относительно стабилен, за полгода выросла на 40%. Наша модель, заточенная под волатильность электронных компонентов, этот скачок пропустила. Оказалось, мы плохо отслеживали политику сокращения производственных мощностей в угледобывающих регионах — она привела к дефициту и подорожанию коксующегося угля, а следом — и стали. Урок: цепочка причинно-следственных связей в Китае может начинаться в абсолютно смежной отрасли.

Тогда мы попытались перейти на долгосрочные фиксированные контракты с металлотрейдерами. Ещё одна ошибка. Контракт был в юанях, привязан к биржевой цене с небольшой фиксированной надбавкой. Когда цены взлетели, поставщик стал ?тормозить? отгрузки, ссылаясь на форс-мажор, предлагая отгрузить материал по факту по новой, спотовой цене. Судиться бесполезно, время дороже. Пришлось соглашаться. Теперь мы понимаем, что надёжность контракта в Китае часто зависит не от его формулировок, а от истории личных отношений и объёма будущих заказов. Моделирование юридических и реляционных рисков — вот о чём вообще мало кто говорит.

Сейчас для таких ключевых позиций, как сталь, мы держим не одного, а трёх поставщиков из разных регионов (Хэбэй, Цзянсу, Аньхой). И наша внутренняя ?модель? включает еженедельный мониторинг их загрузки и слухов об их экологической сертификации. Если у одного начинаются проблемы, мы оперативно перераспределяем объёмы. Это не математическая модель, а сеть живых контактов. Но без этого любая цифровая статком модель — просто абстракция.

Инструменты и данные: что реально работает на месте

Идеального софта нет. Используем микс. Для сбора сырых данных — подписка на китайские отраслевые платформы вроде Mysteel или Shanghai Metals Market (SMM). Их данные — основа. Но их же нужно фильтровать. Например, они могут давать ?среднюю цену на рынке?, но по факту эта цена справедлива для крупнооптовых сделок от 1000 тонн. А мы закупаем партии по 50-100 тонн специфического сортамента. Наш менеджер по закупкам вносит поправку — ?наша надбавка? — основанную на его переговорах на прошлой неделе. Эта поправка и есть та самая ?калибровка модели по реальности?.

Пробовали подключить API этих платформ к нашей ERP (у нас внедрена 1С, но сильно доработанная под наши нужды). Технически получилось. Но возникла проблема ?чистоты данных?: в период аномальной волатильности платформы обновляют цены несколько раз в день, и в истории возникают резкие пики-иглы, которые ломают любые скользящие средние. Пришлось писать правило, которое сглаживает такие выбросы, если они длятся менее одного рабочего дня. Опять же, правило эмпирическое, на основе наблюдений.

Самое ценное, что не купишь ни за какие деньги — это отраслевые WeChat-чаты. Там сидят менеджеры по продажам заводов, трейдеры, логисты. Когда кто-то пишет ?завтра наш завод в Таншане останавливается на плановый ремонт на 10 дней? — это сигнал, который опередит официальную новость на неделю. Мы не строим на этом формальных моделей, но такие сигналы становятся триггерами для ручного пересмотра прогнозов. Это и есть тот самый ?человеческий фактор?, без которого в Китае никуда.

Специфика электротехнической отрасли: APF, SVG и цены на сырьё

Вернёмся к нашему профилю — компенсациям реактивной мощности (APF, SVG). Здесь, помимо общих металлов, есть специфические тренды. Например, цена на ферриты или специфические сплавы для магнитных сердечников. Их рынок ещё уже, и данные по ним размыты. Мы, как производитель, ООО Аньхой Чжундянь Электрик, основанное ещё в 2001 году, здесь действуем от обратного: часто именно мы, через объём своих заказов, формируем небольшой локальный тренд для своих поставщиков в Бэнбу и вокруг. Наша производственная программа на квартал для них — лучший прогноз.

Ещё один момент — технологические сдвиги. Спрос на более эффективные SVG растёт, а в их производстве растёт доля дорогих полупроводников и современной электроники. Поэтому общая цена нашей продукции становится менее чувствительной к колебаниям цены на сталь корпуса и более чувствительной к рынку электронных компонентов. Наше внутреннее моделирование сместило фокус. Теперь 70% усилий по прогнозированию затрат — это мониторинг цепочек поставок микрочипов и силовых модулей, а не чёрного металла. Это важный отраслевой тренд.

При этом, себестоимость — это одно, а отпускная цена — другое. На цену конечного продукта влияет и политика госзакупок, которые в энергетическом секторе Китая огромны. Здесь тренды предсказывать чуть проще: можно анализировать график публикации тендеров различных государственных сетевых компаний (State Grid, China Southern Power Grid) за предыдущие годы. Их планы более предсказуемы и создают сезонные всплески спроса, которые уже можно заложить в модель.

Выводы для практика: что в итоге делать?

Итак, моделирование ценовых трендов в Китае — это не поиск идеального алгоритма. Это создание гибридной системы. Её костяк — данные с профессиональных платформ (Mysteel, SMM), очищенные и дополненные поправками на специфику вашего бизнеса (объём партии, регион, сорт). Её нервная система — мониторинг неформальных каналов (чаты, отраслевые новости), который служит системой раннего предупреждения о шоках. Её мозг — опытный закупщик или аналитик, который знает, какому сигналу верить, а какой — пропустить.

Не гонитесь за сложностью моделей. Иногда простая регрессия на трёх ключевых факторах (биржевая цена, региональный индекс логистики, уровень промышленного производства в провинции-поставщике), которую еженедельно вручную ?подкручивают? по итогам совещания, даёт результат лучше, чем ?чёрный ящик? на нейросети. Главное — постоянно сверяться с реальностью: что по факту заплатили за последнюю партию? Почему цена отличалась от прогноза? Ответы на эти вопросы — лучший тренировочный набор для вашей следующей итерации.

И последнее. Выстраивайте отношения. Ваша лучшая ?модель? — это прямой телефонный звонок вашему старому партнёру на заводе в Аньхое и его фраза: ?Да, на следующей неделе будет подорожание, но для тебя я старую цену на этот объём сохраню?. Ни одна программа этого не заменит. Поэтому, занимаясь статком и цифрами, никогда не забывайте, что работаете в первую очередь с людьми и их правилами игры. В этом, пожалуй, и есть главный секрет любого прогноза для китайского рынка.