Stainless Steel Price Forecasting : case Outokumpu Oyj

Abstract

Price forecasting enables businesses to make informed decisions, manage risks, optimise resource allocation, and stay competitive in dynamic markets. This thesis seeks to investigate various quantitative forecasting methods to predict case company’s pricing data. The thesis compares four different forecasting methods: two univariate models and two multivariate models which utilise external data.

The pricing dataset encompasses Net Reference Prices (NRP) and consists of 33 observations from January 2021 to September 2023. Six clusters are chosen from the pricing dataset for this study based on their volumes, grades, and customers, to ensure both the cluster's significance to the company and a diverse range representation of the clusters in the study. The exponential smoothing model, the family of autoregressive integrated moving average (ARIMA), vector autoregressive (VAR) and random forest regression models are tested for each of the six clusters the performance of the models will be assessed by their ability to predict the final three observations of the time series.

Results of the study suggest that for each of the six clusters both exponential smoothing and random forest regression outperformed the benchmark model which consisted of forecasts made by experts in the company. Based on the mean absolute percentage errors, random forest regression demonstrated highest performance compared to the other models in three out of six clusters, exponential smoothing model had the highest performance in two clusters and ARIMA model in one. Moreover, across all clusters, random forest regression outperformed at least one univariate model, while VAR was outperformed by at least one univariate model in all cases.

Hinnan ennustamisen avulla yritykset voivat tehdä tietoon perustuvia päätöksiä, hallita riskejä, optimoida resurssien allokointia sekä pysyä kilpailukykyisinä dynaamisilla markkinoilla. Tämä tutkimus pyrkii tutkimaan erilaisia kvantitatiivisia hinnan ennustamismalleja ennustakseen tapausyrityksen hinnoitteludataa. Tutkimuksessa käytettiin neljä eri kvantitatiivista mallia, joista kaksi ovat yhden muuttujan mallia ja kaksi monimuuttuja mallia, joissa hyödynnetään myös ulkoista dataa.

Hinnoitteludata kostui netto vertailuhinnoista (NRP) ja siinä oli 33 havaintoa tammikuusta 2021 syyskuuhun 2023. Tutkimuksessa käytettyyn aineistoon oli valittu kuusi erilaista muuttujaa hinnoitteludatasta, jotka vaalittiin niiden volyymien, laatujen ja asiakkuuksien perusteella. Tarkoituksena oli varmistaa sekä muuttujien merkitys yritykselle, että muuttujien monipuolinen edustus tutkimuksessa. Eksponentiaalinen tasoitusmalli, autoregressiivisen integroidun liukuvan keskiarvon (ARIMA) perhe, vektori autoregressiivisen (VAR) ja satunnainen metsä regressio mallit testatiin näille kuudelle klusterille ja mallit arvioitiin sen perusteella, kuinka hyvin ne pystyvät ennustamaan aikasarjan viimeiset kolme havaintoa.

Eksponentiaalinen tasoitus ja satunnainen metsä regressio suoriutuivat paremmin kuin bencmark-mallina toimivat eksperttien ennusteet jokaisessa kuudessa muuttujassa. Keskimääräisen absoluuttisen prosentuaalisen virheiden perusteella, satunnainen metsä regressio menestyi parhaiten kolmessa kuudesta muuttujasta verrattaessa muihin malleihin, eksponentiaalinen tasoitus menestyi parhaiten kahdessa muuttujassa ja ARIMA-malli yhdessä kulsterissa. Lisäksi satunnainen metsärergessio suoriutui paremmin kuin ainakin yksi yhden muuttujan malli kaikissa tapauksissa, kun taas vektori-autoregressiivinen mallia paremmin suoriutui ainakin yksi yhden muuttujan malli kaikissa tapauksissa.