[논문 리뷰] Cross-border Commodity Pricing Strategy Optimization via Mixed Neural Network for Time Series Analysis

Lijuan Wang, Yucai Hu외 1명|arXiv (Cornell University)|2024. 08. 22.

Stock Market Forecasting MethodsDecision Sciences인용 수 3

한 줄 요약

이 논문은 시계열 분석을 활용하여 교차 국경 상품 가격 전략을 최적화하기 위해 하이브리드 CNN-BiGRU-SSA 신경망 모델을 제안한다. 이 모델은 UNCTAD 데이터셋에서 MAE를 4.357로 줄이고 RMSE를 5.406으로 낮히며 R²는 0.961을 기록하여 기존 방법들보다 다수의 국제 무역 데이터셋에서 뚜렷하게 뛰어난 성능을 보였다.

ABSTRACT

In the context of global trade, cross-border commodity pricing largely determines the competitiveness and market share of businesses. However, existing methodologies often prove inadequate, as they lack the agility and precision required to effectively respond to the dynamic international markets. Time series data is of great significance in commodity pricing and can reveal market dynamics and trends. Therefore, we propose a new method based on the hybrid neural network model CNN-BiGRU-SSA. The goal is to achieve accurate prediction and optimization of cross-border commodity pricing strategies through in-depth analysis and optimization of time series data. Our model undergoes experimental validation across multiple datasets. The results show that our method achieves significant performance advantages on datasets such as UNCTAD, IMF, WITS and China Customs. For example, on the UNCTAD dataset, our model reduces MAE to 4.357, RMSE to 5.406, and R2 to 0.961, significantly better than other models. On the IMF and WITS datasets, our method also achieves similar excellent performance. These experimental results verify the effectiveness and reliability of our model in the field of cross-border commodity pricing. Overall, this study provides an important reference for enterprises to formulate more reasonable and effective cross-border commodity pricing strategies, thereby enhancing market competitiveness and profitability. At the same time, our method also lays a foundation for the application of deep learning in the fields of international trade and economic strategy optimization, which has important theoretical and practical significance.

연구 동기 및 목표

• 동적인 국제 시장에서 기존 가격 전략의 한계를 해결하기 위해 예측 정확도와 민첩성을 향상시키기 위해.
• 교차 국경 상품 가격 시계열에서 복잡한 시간 패턴을 포착할 수 있는 딥 러닝 모델을 개발하기 위해.
• 정확한 예측 기반으로 가격 전략을 최적화하여 시장 경쟁력과 수익성을 향상시키기 위해.
• 다양하고 실제 국제 무역 데이터셋을 통해 모델의 효과성을 검증하기 위해.
• 국제 무역 및 경제 전략 최적화 분야에서 딥 러닝 응용의 기초를 마련하기 위해.

제안 방법

• 제안된 모델은 시계열 데이터에서 국소적 특징을 추출하기 위해 합성곱 신경망(CNN)을 통합한다.
• 양방향 게이팅 순환 유닛(BiGRU)은 정방향과 역방향 양쪽에서 장거리 의존성과 시간 동적 패턴을 포착하는 데 사용된다.
• 사람개미 군집 알고리즘(SSA)은 딥 러닝 모델의 하이퍼파라미터를 최적화하여 수렴성과 일반화 능력을 향상시킨다.
• 하이브리드 아키텍처는 CNN의 공간적 특징 학습 능력과 BiGRU의 순차적 모델링 능력을 조합하고, SSA를 통해 최적의 파라미터 튜닝을 강화한다.
• 모델은 UNCTAD, IMF, WITS, 중국 세관과 같은 국제 무역 자료에서 온 다변량 시계열 데이터를 종합적으로 훈련한다.
• 성능 평가는 표준 회귀 지표인 평균 절대 오차(MAE), 근미제곱오차의 제곱근(RMSE), 결정계수(R²)를 사용한다.

실험 결과

연구 질문

• RQ1 기존 방법에 비해 하이브리드 딥 러닝 모델이 교차 국경 상품 가격 예측 정확도를 향상시킬 수 있는가?
• RQ2 CNN, BiGRU, SSA의 통합이 국제 무역 시계열의 복잡한 시간 패턴을 얼마나 효과적으로 포착하는가?
• RQ3 제안된 모델이 다양한 실제 무역 데이터셋에서 기존 모델보다 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ4 모델에서 유도된 최적화된 가격 전략이 교차 국경 무역에서 시장 경쟁력과 수익성을 향상시킬 수 있는가?
• RQ5 모델의 일반화 능력은 다양한 국제 무역 데이터 소스 간에 어느 정도인가?

주요 결과

• UNCTAD 데이터셋에서 모델은 MAE 4.357, RMSE 5.406, R² 0.961을 기록하여 뛰어난 예측 정확도를 입증하였다.
• 모델은 IMF 및 WITS 데이터셋에서 기준 모델보다 뚜렷한 성능 향상을 보이며 MAE, RMSE, R² 모두 일관되게 향상되었다.
• 하이퍼파라미터 최적화를 위한 SSA 통합은 모든 데이터셋에서 모델 수렴성 향상과 과적합 감소에 기여하였다.
• CNN-BiGRU-SSA 모델은 UNCTAD, IMF, WITS, 중국 세관을 포함한 다양한 데이터 소스 간에 강력한 일반화 능력을 보였다.
• 결과는 모델이 실제 교차 국경 상품 가격 전략 최적화에 있어 신뢰할 수 있고 효과적임을 확인하였다.
• 본 연구는 국제 무역 및 경제 전략 응용 분야에서 실용적 가치를 지닌 견고한 딥 러닝 프레임워크를 구축하였다.