액체 신경망을 활용한 니켈 원자재 가격 예측 = Forecasting Nickel Commodity Prices with Liquid Neural Networks

국문 초록 (Abstract)

니켈은 스테인리스강 제조뿐 아니라 전기차 배터리의 핵심 소재로서 수요가 빠르게 증가하고 있다. 이러한 배경에서 니켈은 에너지 전환 시대에 전략적 중요성이 높은 자원으로 인식되며, 공급망 관리 차원에서도 체계적인 대응이 요구된다. 예를 들어, 2022년 러시아-우크라이나 전쟁 당시 러시아산 니켈의 공급 불확실성이 확대되면서 가격이 급등한 바 있다. 이처럼 니켈 가격은 지정학적 이슈와 글로벌 공급망의 변화에 민감하게 반응하며, 이는 제조 산업의 비용 예측과 자재 조달 전략 수립에 있어 중요한 리스크 요인으로 작용한다. 기존의 니켈 가격 예측 모델은 통계 기반의 선형 회귀나 단순 시계열 기법에 주로 의존해 왔으나, 산업 간 연계성과 비선형적 변수들이 복합적으로 작용하는 원자재 시장의 특성을 충분히 반영하지 못한다는 한계가 있다. 이에 본 연구는 시계열 데이터의 비선형성과 동적 변동성에 효과적으로 대응하기 위해 액체 신경망(Liquid Neural Network, LNN)을 활용한 예측 모델을 제안한다. 액체 신경망은 기존에 널리 사용되던 RNN이나 LSTM보다 적은 수의 파라미터로도 시간에 따른 상태 변화를 유연하게 반영할 수 있는 장점을 지닌다. 본 연구는 세 단계로 구성된다. 첫째, 니켈 가격에 영향을 미치는 시차를 파악하기 위해 주요 원자재 가격 변수들과 1~10개월의 시차를 두고 상관분석을 수행한다. 둘째, 이 분석 결과를 기반으로 도출된 독립변수를 활용해 LNN 기반의 니켈 가격 예측 모델을 구축한다. 셋째, 예측 모델에 포함된 주요 변수들을 바탕으로 니켈 산업의 구조적 맥락에서 원자재 간의 관계 방향성과 해석 가능성을 제시한다. 실험 결과, 제안한 LNN 기반 모델은 기존의 RNN, GRU, LSTM, Random Forest, OLS 모델보다 더 우수한 예측 정확도를 보였다.

다국어 초록 (Multilingual Abstract)

Nickel is experiencing rapidly growing demand not only for the production of stainless steel but also as a core material in electric vehicle (EV) batteries. As such, nickel is considered a strategically important resource in the era of energy transition, requiring careful management from a supply chain management perspective. For instance, during the 2022 Russia–Ukraine war, heightened uncertainty over the supply of Russian nickel led to a sharp spike in prices. This example demonstrates that nickel prices are highly sensitive to geopolitical issues and changes in global supply chains, posing significant risks to cost forecasting and materials procurement strategies in the manufacturing sector. Traditional nickel price forecasting models have primarily relied on statistical methods such as linear regression or basic time series techniques. However, these models often fail to adequately capture the complexity of commodity markets, which are influenced by inter-industry linkages and nonlinear variables. To address this limitation, this study proposes a forecasting model based on Liquid Neural Networks (LNNs), which can effectively handle the nonlinear and dynamic nature of time series data. LNNs offer the advantage of flexibly reflecting changes in state over time, even with fewer parameters than models such as RNNs or LSTMs. The study proceeds in three stages. First, it identifies the time lags that affect nickel prices through correlation analysis between major commodity price variables with lags of 1 to 10 months. Second, based on the results of this analysis, an LNN-based forecasting model is constructed using the selected independent variables. Third, the causal relationships among commodities are interpreted within the structural context of the nickel industry based on the key variables used in the model. Experimental results demonstrate that the proposed LNN-based model outperforms conventional models, including RNN, GRU, LSTM, Random Forest, and OLS, in terms of predictive accuracy.

목차 (Table of Contents)

• 제1장. 서론 1
• 제2장. 이론적 배경 5
• 2.1. 원자재 가격 예측 선행 연구 5
• 2.2. 머신러닝을 활용한 경제지표 예측 선행 연구 11
• 2.3. LNN 모델을 활용한 선행 연구 14
• 2.4. 머신러닝 방법론 17
• 2.4.1 LNN 17
• 2.4.2 RNN 19
• 2.4.3 LSTM 20
• 2.4.4 GRU 21
• 2.4.5 OLS 23
• 제3장. 연구모델 24
• 3.1. 데이터 개요 24
• 3.2. 연구 모델 생성 단계 25
• 3.2.1 시차 기반 데이터셋 구성 26
• 3.2.2 시계열 정상성 27
• 3.2.3 상관 분석 27
• 3.2.4 모델 학습 절차 29
• 제4장. 실험 38
• 4.1. 실험 결과 38
• 4.2. 니켈 전후방 산업 해석 46
• 제5장. 결론 50
• 5.1. 연구결과 요약 및 시사점 50
• 5.2. 연구의 한계점 및 향후 연구 방향 51
• 참고문헌 53
• Abstract 58
• 부록A. 데이터셋 60
• 부록B. 상관계수 소셜 네트워크 (Lag 0, r>0.7) 69
• 부록C. 상관계수 Barplot (Lag 1~10 Month) 70
• 부록D. 덴드로그램 (Lag 0) 80