Modele ARIMA w prognozowaniu cen wyrobów hutniczych
Transkrypt
Modele ARIMA w prognozowaniu cen wyrobów hutniczych
Bogdan Rębiasz Akademia Górniczo-Hutnicza, Wydział Zarządzania Modele ARIMA w prognozowaniu cen wyrobów hutniczych Decyzje dotyczące działalności gospodarczej przedsiębiorstwa moŜna zdecydowanie poprawić, jeśli wybór będzie oparty na wiarygodnych prognozach. Wśród wielu prognoz w zarządzaniu przedsiębiorstwem szczególnie waŜną rolę odgrywają prognozy sprzedaŜy. Rozmiary sprzedaŜy są bowiem podstawą podejmowania decyzji dotyczących produkcji, zaopatrzenia, finansów, siły roboczej itp. Prognozy sprzedaŜy mogą być wyraŜane zarówno ilościowo, jak i wartościowo. Prognozowanie wartości sprzedaŜy wymaga z jednej strony prognozowania ilości sprzedaŜy, a z drugiej strony prognozowania cen wyrobów. Do prognozowania cen stosuje się zarówno metody ilościowe, jak i heurystyczne. Krajowa literatura dotycząca prognozowania cen stalowych wyrobów hutniczych nie jest zbyt bogata. Nieliczne publikacje z tego zakresu przedstawiają zmiany cen stalowych wyrobów hutniczych w wybranych przedziałach czasu1. Podkreśla się znaczne wahania cen na stalowe wyroby hutnicze. Wahania te są widoczne, zarówno kiedy analizuje się średnie ceny roczne, jak i średnie ceny miesięczne. Wahania cen wywołują wśród producentów stalowych wyrobów hutniczych niepewność odnośnie do przychodów, wśród odbiorców tych wyrobów – odnośnie do kosztów, a wśród dystrybutorów – co do osiąganych marŜ. Efektywne planowanie finansowe realizowane przez te podmioty wymaga trafnego prognozowania cen stalowych wyrobów hutniczych. Nie podejmowano dotychczas prób modelowania cen stalowych wyrobów hutniczych i wykorzystania tych modeli do prognozowania. Krajowi producenci stalowych wyrobów hutniczych prognozują ceny, wykorzystując metody heurystyczne (głównie opinie handlowców) lub korzystając ze źródeł wtórnych. Poprawę trafności prognoz cen stalowych wyrobów hutniczych moŜna by uzyskać dzięki zastosowaniu metod prognozowania na podstawie szeregów czasowych. Dostępna literatura zagraniczna przedstawia wiele przykładów modelowania cen metali nieŜelaznych. WiąŜe się to zapewne z faktem dostępności dostatecznie długich szeregów czasowych dla tych cen. Pochodzą one zazwyczaj z notowań LMN (London Metal Exchange). W artykule przedstawia się próbę wykorzystania prezentowanych w literaturze metod modelowania i prognozowania cen metali nieŜelaznych do prognozowania cen 1 B. Garbarz, A. Maciosowski, J. Wojtas, J. Marcisz, B. Rębiasz, Identyfikacja aplikacyjnych wymagań rynku na wyroby hutnicze. „Prace Instytutu Metalurgii śelaza im St. Staszica” 2000, nr 4 (54). 1 stalowych wyrobów hutniczych. Zastosowano tutaj głównie modele autoregresji i średniej ruchomej. Modelowanie cen wyrobów hutniczych Prekursorami modelowania cen wyrobów hutniczych byli W.C. Labys, C. Elliot i H. Rees2. Wykorzystując analizę spektralną, wskazali oni na regularności w kształtowaniu się cen metali. Do analizy cykliczności cen wyrobów z metali nieŜelaznych wykorzystali średnie ceny miesięczne. ZaleŜność pomiędzy cyklami cen róŜnych metali a cyklami koniunkturalnymi badali m.in.: T. Teyssiere, C.L. Gilbert i C. Brunetti3, N. Davuyan i M. Roberts4 oraz M. Slade5. Autorzy wskazują, Ŝe w kształtowaniu się cen wyrobów z metali nieŜelaznych moŜna wyróŜnić dwa typy wahań cyklicznych. Pierwszy ma zwykle okres krótszy niŜ rok, podczas gdy drugi ma okres znacznie dłuŜszy niŜ rok. Drugi z tych cykli ma charakter stochastyczny i jest zmienny w czasie. JednakŜe długość cykli wyznaczana przez róŜnych autorów jest róŜna. I tak np. W.C. Labys i inni określili cykl dla miedzi na ok. 3 lata, podczas gdy N. Davutyan i M. Roberts6 określili ten cykl na 12 lat, a M. Slade7 na 10 lat. Podobne róŜnice występują dla innych metali. W przypadku cynku to 4, 13 i 11 lat, dla cyny – 7, 18 i 13 lat. MoŜna przypuszczać, Ŝe wskazane róŜnice wynikają z tego, autorzy korzystali z róŜnych danych. Mianowicie N. Davutyan i M. Roberts oraz M. Slade korzystali ze średnich cen rocznych. W.C. Labys, J.B. Lesourd i D. Badillo8 przedstawiają kształtowanie się cen na wybrane metale w postaci modeli, w których wyróŜniono stochastyczny trend i składnik cykliczny. W pracy Metal prices and the business cycle9 autorzy analizują wspólne tendencje w kształtowaniu się cen na wybrane metale. Wykorzystują w tym celu analizę czynnikową. 2 W.C. Labys, C. Elliot, H. Rees, Cooper Price Behavior and the London Metal Exchange, “Applied Economics” 1971, No 3, pp. 99-113. 3 T. Teyssiere, C.L. Gilbert, C. Brunetti, Non-ferrous Metals Prices Volatility. A Fractionally Integrated Process. In: Managing Metals Prices Risk. Risk Books, London 1997. 4 N. Davutyan, M. Roberts, Cyclicality in Metal Prices. “Resources Policy” 1994, No 20, pp. 49-57. 5 M. Slade, Cycles in Natural Resource Commodity Prices: An Analysis of the Frequency Domain. “Journal of Environment Economics and Management” 1981, No 9, pp. 138-148. 6 N. Davutyan, M. Roberts, Cyclicality..., jw. 7 M. Slade, Cycles in Natural Resource..., jw. 8 W.C. Labys, J.B. Lesourd, D. Badillo, The Existence of Metal Price Cycles. “Resources Policy”1998, No 3, pp. 147-155. 9 W.C. Labys, A. Achouch, M. Terraza, Metal Prices and the Business Cycle. “Resources Policy” 1999, No 25, pp. 229-238. 2 Analizują ceny aluminium, miedzi, cyny, ołowiu i cynku. Część wariancji cen wyjaśniana przez czynnik główny była róŜna dla róŜnych metali i wahała się w granicach 71% dla miedzi i 16% dla cyny. Dalej autorzy stwierdzają, Ŝe zasadniczy wpływ na kształtowanie się czynnika głównego ma wielkość produkcji przemysłowej. Wpływ innych czynników makroekonomicznych jest znacznie mniejszy. K. Albertson i J. Aylen10 analizują kształtowanie się cen na złom stalowy na rynku amerykańskim. Do analizy cen wykorzystują średnie kwartalne ceny złomu. Wskazują, Ŝe ceny złomu reprezentują niestacjonarny szereg czasowy. W długim okresie średni roczny wzrost cen złomu moŜna szacować na 2,5%. Jednocześnie stwierdzają, iŜ ceny złomu wykazują wahania sezonowe. Autorzy porównują błędy prognoz wygasłych uzyskanych dzięki zastosowaniu róŜnych modeli prognozowania. Stwierdzają, Ŝe wykorzystanie modeli autoregresyjnych wyŜszych rzędów daje w efekcie prognozy z mniejszymi błędami. Ponadto uwzględnienie w tych modelach zmiennych sztucznych dla wyraŜenia sezonowości w kształtowaniu się cen złomu poprawia trafność prognoz. Tak więc model ARIMAd (12,1,7), czyli model ARIMA (12,1,7) ze zmiennymi sztucznymi, dawał prognozy o najmniejszym błędzie, szczególnie dla okresów dłuŜszych niŜ trzy lata. Interesującą metodę prognozowania cen złomu dla rynku angielskiego przedstawiają K. Albertson i J. Aylen w pracy Forecasting Using a Periodic Transfer Function: with an Application to the UK Price of Ferrous Scrap11. Autorzy na wstępie stwierdzają, Ŝe ceny złomu na rynkach lokalnych w długim okresie zmieniają się podobnie jak światowe ceny złomu. Jedynie okresowo, na skutek lokalnych warunków, moŜe następować odchylenie cen na rynku lokalnym od trendów światowych. Autorzy zakładają dalej, Ŝe ceny na rynku amerykańskim, z uwagi na jego rozmiary, moŜna traktować jako ceny światowe. Przyjmują więc, Ŝe zmiany cen na rynku angielskim są wywoływane są przez zmiany cen na rynku amerykańskim. Cel swoich badań formułują następująco: mając daną prognozę cen dla rynku amerykańskiego, opracować prognozę cen dla rynku angielskiego. Tak sformułowany cel realizują, budując model funkcji przenoszenia. Autorzy estymują pięć róŜnych modeli, które opisują trend i wahania sezonowe cen złomu na rynku angielskim. Wskazują, Ŝe uwzględnienie w modelach wahań sezonowych ma znaczenie przede wszystkim dla prognoz długookresowych, zwiększając istotnie ich trafność. 10 K. Albertson, J. Aylen, Modelling the Great Lakes Freeze: Forecasting and Seasonality in the Market for Ferrous Scrap. “International Journal of Forecasting” 1996, No 12, pp. 345-359. 11 K. Albertson, J. Aylen, Forecasting Using a Periodic Transfer Function: with an Application to the UK Price of Ferrous Scrap. International Journal of Forecasting 1999, 15, 409-419 3 Zapotrzebowanie na profesjonalnie opracowane prognozy cen wyrobów hutniczych jest aktualnie na tyle duŜe, iŜ powstały wyspecjalizowane ośrodki badawcze zajmujące się komercyjnie prognozowaniem cen metali. Jednym z nich jest np. Bloomsbery Minerals Economics z Londynu12, które udostępnia odpłatnie wieloletnie prognozy cen na wybrane metale. Modele szeregów czasowych Szereg czasowy jest zbiorem obserwacji następujących po sobie w czasie13. Do modelowania stacjonarnych szeregów czasowych lub szeregów niestacjonarnych dających się sprowadzić do stacjonarnych najczęściej są stosowane modele autoregresji i średniej ruchomej. Szereg stacjonarny to taki, w którym występują jedynie wahania losowe wokół średniej. Szereg niestacjonarny moŜe być przekształcony w szereg stacjonarny przez operację róŜnicowania. Polega ona na d-krotnym obliczeniu róŜnic sąsiednich wyrazów. Budowa modeli autoregresji i średniej ruchomej opiera się na zjawisku autokorelacji. Autokorelacja to korelacja wartości zmiennej prognozowanej z jej wartościami opóźnionymi w czasie. Modele autoregresji i średniej ruchomej ARIMA (Autoregressive Integrated Moving Average) mają postać: yt = φ1 y t −1 + φ 2 y t − 2 + L + φ p y t − p + et + Θo − Θ1 et −1 − Θ2 et − 2 − L − Θq et − q , gdzie: yt , y t −1 , y t − 2 , K , y t − p – wartości zmiennej y w czasie t, t-1, t-2,.., t-p; φ1 , φ 2 ,L , φ p , Θ0 ,Θ1 ,L ,Θ p – parametry modelu; et , et −1 , L , et − q – błąd (reszta) modelu w czasie t, t-1, t-2,.., t-q; p, q – wielkość opóźnienia. W modelu tym zakłada się więc, Ŝe wartość zmiennej y w okresie t zaleŜy od przeszłych jej wartości oraz od róŜnic między przeszłymi wartościami rzeczywistymi zmiennej prognozowanej a jej wartościami uzyskanymi z modelu. Modele autoregresji i średniej ruchomej opisuje się za pomocą umownej notacji ARIMA (p ,d, q). W notacji tej p oznacza rząd autoregresji (wielkość opóźnienia), d – krotność róŜnicowania, q – liczbę parametrów Θi (wielkość opóźnienia) średniej ruchomej. 12 13 http://www.bloomsburyminerals.com . G.E.P. Box, G.M. Jenkins, Analiza szeregów czasowych. Prognozowanie i sterowanie. PWN, Warszawa 1983. 4 Estymacja parametrów modeli ARIMA jest zadaniem trudnym. Obecnie na rynku jest dostępnych wiele pakietów statystycznych wyposaŜonych w moduły analizy szeregów czasowych, które ułatwiają przeprowadzenie identyfikacji, estymacji i sprawdzenia diagnostycznego tych modeli. Prezentowane poniŜej obliczenia wykonano, wykorzystując Statgraphics Plus 5.1. Program ten umoŜliwia uŜytkownikowi wybór kilku typów modeli szeregów czasowych, w tym modelu ARIMA. Dla tych modeli są estymowane parametry i obliczane kryteria jakości. Kryteria te pozwalają wybrać odpowiedni model. W przypadku modeli ARIMA jest deklarowana maksymalna wartość p . Program analizuje wszystkie warianty modelu dla p = 1,2 L , p i q = p − 1 . MoŜna równieŜ indywidualnie zadeklarować parametry modelu. Program oblicza równieŜ wiele statystyk pozwalających zweryfikować adekwatność modelu. Podstawowym testem adekwatności modelu jest test Box-Pierce, który umoŜliwia weryfikację hipotezy o braku korelacji reszt modelu. Do weryfikacji tej hipotezy wykorzystuje się fakt, iŜ statystyka: K Q = n ∑ rk2 k =1 ma w przybliŜeniu rozkład χ 2 (K − p − q ) , gdzie n=N-d jest liczbą elementów szeregu czasowego wykorzystanych przy estymacji modelu, N jest liczbą elementów szeregu czasowego a rk2 oznacza autokorelację reszt modelu dla odstępu k. Test hipotezy o braku korelacji reszt modelu jest przeprowadzany przez porównanie zaobserwowanych wartości Q z tablicą rozkładu χ 2 . Ponadto w procesie sprawdzania diagnostycznego modeli Statgraphics realizuje następujące testy dotyczące reszt modelu: − test losowości dodatnich i ujemnych odchyleń reszt od ich mediany, − test losowości wzrostów i zmniejszania się reszt modelu, − test istotności róŜnic pomiędzy średnimi reszt dla pierwszej i drugiej połowy szeregu, − test istotności róŜnic pomiędzy wariancjami reszt dla pierwszej i drugiej połowy szeregu. Statgraphics generuje równieŜ prognozy dla zadanego wyprzedzenia, wykorzystując wybrany model. Modelowanie cen stalowych wyrobów hutniczych Do modelowania cen wykorzystano średnie roczne ceny prętów stalowych na rynku amerykańskim oraz średnie miesięczne ceny blach stalowych walcowanych na gorąco na 5 rynku angielskim. W pierwszym przypadku estymowany model pozwala prognozować ceny prętów stalowych na koleje lata. W drugim przypadku – ceny blach w kolejnych miesiącach. Dane dotyczące cen prętów stalowych pochodziły ze źródeł internetowych14. Prezentowane tam średnie roczne ceny bieŜące przeliczono na ceny wyraŜone w dolarach z 2004 r., stosując wskaźnik CPI (consumer price index). Dane te obejmują lata 1900-2004. Średnie miesięczne ceny blach walcowanych na gorąco15 wyraŜono w dolarach z czerwca 2004 r. Obejmują one okres od stycznia 1982 r. do paźdzernika 2004 r. Do estymacji modeli wykorzystano szeregi czasowe cen po ich logarytmowaniu. Zgodnie z procedurą dostępną w programie Statgraphics estymowano dla kaŜdego szeregu kilka modeli. Wyboru modelu dokonano na podstawie kryterium AIC (Akaike’s Information Criterion). Rysunek 1 pokazuje rzeczywiste ceny prętów stalowych oraz ceny prognozowane przez model ARIMA (2,0,1). Na wykresie naniesiono teŜ prognozę cen tych prętów na 6 lat. W tabeli 1 przedstawiono parametry modelu wraz z ich błędami standardowymi oraz podstawowe miary dopasowania modelu do danych rzeczywistych. Rysunek 1 Rzeczywiste i prognozowane na podstawie modelu ARIMA (2,0,1) ceny prętów stalowych 1200 1000 Cena, USD/t 800 600 400 200 2008 2004 2000 1996 1992 1988 1984 1980 1976 1972 1968 1964 1960 1956 1952 1948 1944 1940 1936 1932 1928 1924 1920 1916 1912 1908 1904 1900 0 Rok Dane rzeczywiste 14 15 Prognoza Dolna granica przedziału ufności Górna granica przedziału ufnosci http://minerals.usgs.gov/minerals/pubs/commodity/iron_&_steel/350798.pdf, http://www.meps.co.uk . Źródło danych: http://www.meps.co.uk, http://www.steelonthenet.com/frameTRE.html . 6 Tabela 1 Parametry modelu ARIMA dla rocznych cen prętów walcowanych na gorąco φ1 Parametr φ2 Θ1 Θ0 Oszacowanie 0,612391 0,201355 -0,770459 Błąd standardowy 0,154400 0,090892 0,105542 Miara dopasowania RMSPEa (%) MAPEb (%) 11,55 7,79 Wartość a 1,182200 Pierwiastek z procentowego błędu średniokwadratowego (Root Mean Squared Percentage Error), b Średni bezględny błąd procentowy (Mean Absolute Percentage Error). Rysunek 2 przedstawia autokorelacje reszt modelu. Naniesiono tam równieŜ linie wyznaczające granice przedziału ufności dla autokorelacji dla poziomu ufności 95%. Wszystkie wymienione wcześniej testy zastosowane do prezentowanego modelu nie wykazały jego nieadekwatności. Przedstawiony na rysunku 2 wykres autokorelacji reszt oraz wspomniany wynik testów statystycznych pozwalają przyjąć, iŜ reszty modelu są procesem białego szumu i moŜe on być wykorzystywany do prognozowania. Rysunek 2 Autokorelacje reszt modelu ARIMA (2,0,1) dla średnich rocznych cen prętów stalowych 1,00 0,80 Autokorelacje 0,60 0,40 0,20 0,00 -0,20 -0,40 -0,60 -0,80 -1,00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Odstęp W celu oszacowania błędów prognoz wygasłych wydzielono w zbiorze danych 8 obserwacji na końcu szeregu i estymowano model dla pozostałych danych. Prognozy 7 uzyskane z tego modelu porównano z rzeczywistymi danymi. Porównanie uzyskanych miar dopasowania dla okresu, dla którego estymowano model, i dla wydzielonego okresu weryfikacji przedstawia tabela 2. Tabela 2 Porównanie miar dopasowania modelu dla okresu estymacji i dla okresu weryfikacji modelu Miara dopasowania RMSPE (%) MAPE (%) Dla okresu estymacji 11,43 7,44 Dla okresu weryfikacji 12,77 8,24 Rysunek 3 przedstawia rzeczywiste ceny blach walcowanych na gorąco oraz ceny prognozowane przez model ARIMA (3,0,2). Na wykresie naniesiono teŜ prognozę cen tych blach na 6 miesięcy. W tablicy 3 przedstawiono parametry modelu wraz z ich błędami standardowymi oraz podstawowe miary dopasowania modelu do danych rzeczywistych. Tablica 3 Parametry modelu ARIMA dla średnich miesięcznych cen blach walcowanych na gorąco Parametr φ1 φ2 φ3 Θ1 Θ2 Θ0 Oszacowanie 1,06370 0,64357 -0,67396 -0,27647 0,33149 Błąd standardowy 0,23193 0,23127 0,21620 0,12198 0,15975 Miara dopasowania Wartość 0,138109 RMSPE ( %) MAPE (%) 3,52 2,49 Rysunek 4 przedstawia autokorelacje reszt modelu. Na rysunku tym naniesiono takŜe linie wyznaczające granice przedziału ufności dla autokorelacji na poziomie ufności 95%. śaden z wymienionych testów zastosowanych do sprawdzenia prezentowanego modelu nie wykazał jego nieadekwatności. Przedstawiony na rysunku 4 wykres autokorelacji reszt oraz wspomniany wynik testów statystycznych pozwalają przyjąć, iŜ reszty modelu są procesem białego szumu i moŜe on być wykorzystywany do prognozowania. Rysunek 3 Rzeczywiste i prognozowane na podstawie modelu ARIMA (3,0,2) ceny blach arkuszowych walcowanych na gorąco 8 800 700 Cena, USD/t 600 500 400 300 200 100 sty-05 sty-04 sty-03 sty-02 sty-01 sty-00 sty-99 sty-98 sty-97 sty-96 sty-95 sty-94 sty-93 sty-92 sty-91 sty-90 sty-89 sty-88 sty-87 sty-86 sty-85 sty-84 sty-83 sty-82 0 Rok, miesiąc Dane rzeczywiste Prognoza Dolna granica przedziału ufności Górna granica przedziału ufności Rysunek 4 Autokorelacje reszt modelu ARIMA (3,0,2) dla średnich miesięcznych cen blach arkuszowych walcowanych na gorąco Autokorelacje 1,00 0,80 0,60 0,40 0,20 0,00 -0,20 -0,40 -0,60 -0,80 -1,00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Odstęp W celu oszacowania błędów prognoz wygasłych wydzielono w zbiorze danych 8 obserwacji na końcu szeregu i estymowano model dla pozostałych danych. Prognozy uzyskane z tego modelu porównano z rzeczywistymi danymi. Porównanie uzyskanych miar dopasowania dla okresu, dla którego estymowano model, i dla wydzielonego okresu weryfikacji przedstawia tablica 4. 9 Tablica 4 Porównanie miar dopasowania modelu dla okresu estymacji i dla okresu weryfikacji modelu Miara dopasowanie RMSPE (%) MAPE (%) Dla okresu estymacji 3,14 2,19 Dla okresu weryfikacji 3,52 2,61 Przedstawione modele dobrze opisują zmiany cen analizowanych wyrobów hutniczych. Model opisujący zmiany ceny blach walcowanych na gorąco charakteryzuje się znacznie niŜszymi wartościami miar RMSPE i MAPE, co świadczy o lepszym dopasowaniu wartości estymowanych do danych rzeczywistych. Przyczyną takiego stanu rzeczy jest zapewne fakt, iŜ szereg czasowy do estymacji modelu dla blach walcowanych na gorąco był bardziej liczny niŜ szereg dla prętów stalowych. Przede wszystkim naleŜy jednak wziąć tutaj pod uwagę fakt, Ŝe dane dla prętów obejmują bardzo długi okres. Są to bowiem średnie roczne wielkości. Mechanizmy rynkowe kształtujące ceny w tak długim okresie mogą ulegać pewnym zmianom Ponadto okres ten obejmuje wiele wyjątkowych zjawisk (takich, jak np. wojny), które istotnie wpływały na kształtowanie się cen wyrobów hutniczych. Wnioski Udoskonalenie metod prognozowania cen wyrobów hutniczych ma podstawowe znaczenie dla poprawy trafności prognoz finansowych w hutnictwie. Obecnie większość przedsiębiorstw hutniczych wykorzystuje głównie heurystyczne metody prognozowania (opinie handlowców) lub teŜ korzysta ze źródeł wtórnych. Nie podejmowano dotychczas prób modelowania cen stalowych wyrobów hutniczych. Wiele zagranicznych publikacji wskazuje na skuteczność zastosowania modeli autoregresji i średniej ruchomej do prognozowania cen wyrobów hutniczych. Przedstawiono szereg przykładów skutecznego ich zastosowania do modelowania cen wybranych metali nieŜelaznych. Estymacja parametrów modeli ARIMA jest zadaniem trudnym. Obecnie na rynku są dostępne pakiety statystyczne wyposaŜone w moduły analizy szeregów czasowych. Ułatwiają one przeprowadzenie identyfikacji, estymacji i sprawdzenia diagnostycznego modeli słuŜących do prognozowania cen. Zaprezentowane w artykule modele prognozowania średnich rocznych cen prętów stalowych i średnich miesięcznych cen blach walcowanych na gorąco wskazują na potrzebę i 10 zasadność stosowania modeli autoregresji i średniej ruchomej do prognozowania cen stalowych wyrobów hutniczych. Uzyskano dobre dopasowanie modeli do danych rzeczywistych, a błędy prognoz wygasłych są na zadowalającym poziomie. Podejście ilościowe do prognozowania cen wyrobów hutniczych moŜe poprawić trafność prognoz finansowych w hutach i wzbogacić obecnie stosowany zbiór metod prognozowania cen. Połączenie metod ilościowych i jakościowych jest – jak się wydaje – najefektywniejszym podejściem do prognozowania cen wyrobów hutniczych. 11