Zespoły zakupowe chcą prognoz, których da się bronić przed dyrektorem finansowym. To wyższa poprzeczka niż wykres z linią. Oznacza wiedzę o tym, co stoi za tą linią: jakich danych wejściowych używa model, skąd one pochodzą i dlaczego krzywa ruszyła dziś rano, skoro wczoraj stała w miejscu.
Ten artykuł pokazuje, jak Vesper buduje swoje prognozy cen oparte na AI: architekturę, cztery warstwy danych wejściowych oraz źródła, które zasilają jedną konkretną prognozę, czyli amerykański WPC80 instant, wiodący koncentrat białka serwatkowego stosowany w odżywkach sportowych, napojach RTD i żywności wzbogacanej.
Jeśli metodyka stojąca za prognozami surowcowymi opartymi na AI zawsze wydawała się czarną skrzynką, to jest artykuł, który ją otwiera.
Jak czytać prognozę Vesper: co widać na wykresie
Powyższy wykres to widżet prognozy zarejestrowany 29 kwietnia 2026 dla amerykańskiego WPC80 instant, wyceniany w USD za funt i zakotwiczony na własnym benchmarku Vesper, czyli VPI, w formule EXW. Są w nim cztery elementy do odczytania.
Ciągła niebieska linia to historyczna seria cen, czyli poziomy, po jakich amerykański WPC80 instant faktycznie handlował przez ostatnie dwanaście miesięcy. Linia przerywana, która zaczyna się tam, gdzie kończy się seria historyczna, to krzywa prognozy AI, rzutująca cenę sześć miesięcy do przodu. Zacieniony obszar wokół linii przerywanej to przedział ufności, czyli zakres, który model uznaje za prawdopodobny w każdym punkcie prognozy. Im węższy przedział, tym większa pewność modelu.
Najedź kursorem na dowolny punkt linii historycznej, a podpowiedź pokaże obok siebie dwie liczby: rzeczywistą cenę z danego dnia oraz wartość, jaką model prognozował dla niej miesiąc wcześniej. Na przykład 12 listopada 2025 miesięczna prognoza modelu wynosiła 6,07 USD/lb wobec ceny rzeczywistej 6,35 USD/lb, czyli odchylenie o 4,4 %. 15 kwietnia 2026 prognoza wynosiła 10,38 USD/lb wobec 10,80 USD/lb rzeczywiście zapłaconych, czyli odchylenie o 3,9 %. Obie trafnie wskazały kierunek i obie zmieściły się w przeciętnym paśmie błędu modelu. To wbudowana w produkt kontrola dokładności: każdy kupujący może zestawić model z rzeczywistością bez opuszczania ekranu.
Podana po prawej stronie wartość 96 % dokładności historycznej podsumowuje ten obraz dla prognoz miesięcznych z ostatnich dwóch lat na tej serii. Miarą jest MAPE (średni bezwzględny błąd procentowy), co oznacza, że model mijał się z ceną zrealizowaną średnio o około cztery procent. Przełącznik pozwala sprawdzić tę samą wartość dla horyzontów trzy-, sześcio- i dwunastomiesięcznego; dokładność spada wraz z wydłużaniem horyzontu, czego należy oczekiwać od każdego uczciwego modelu prognostycznego.
Dla wszystkich ponad 4000 serii surowcowych objętych pokryciem Vesper średnie w skali platformy wynoszą 97 % dla miesiąca, 94 % dla trzech miesięcy, 91 % dla sześciu, 88 % dla dziewięciu i 85 % dla dwunastu: to uporządkowany spadek, jaki powinien dawać uczciwy model. Dla samego amerykańskiego WPC80 instant wartości te wynoszą 96 % dla miesiąca, 88 % dla trzech miesięcy i 79 % dla sześciu. Dystans między WPC80 a średnią platformy rośnie wraz z wydłużaniem horyzontu i sam w sobie jest informacją: WPC80 jest bardziej zmienny niż przeciętny surowiec objęty pokryciem Vesper, więc model jest tu na dłuższych horyzontach sprawdzany ostrzej niż na stabilniejszym benchmarku sera czy masła.
Teraz część, na którą najbardziej czekają zainteresowani: jak powstaje linia przerywana?
Architektura: modele podstawowe dla szeregów czasowych
Prognozy Vesper opierają się na modelach podstawowych (foundation models) dla szeregów czasowych, czyli architekturze odpowiadającej temu, jak duże modele językowe działają na tekście, tyle że zastosowanej do danych liczbowych rozłożonych w czasie.
Modele podstawowe są wstępnie trenowane na ogromnych zbiorach danych z wielu dziedzin, zanim w ogóle zobaczą Twój konkretny surowiec. W przypadku modeli językowych są to miliardy stron tekstu. W przypadku szeregów czasowych są to miliardy punktów danych z rynków finansowych, cen energii, wzorców pogodowych, plonów rolnych i długiej listy innych zbiorów danych rozłożonych w czasie. Zanim model zostanie dostrojony konkretnie do amerykańskiego WPC80, zdążył już nauczyć się, jak w danych cenowych wyglądają szoki podażowe, sezonowość, cykle popytu i zmiany reżimu, nawet jeśli wcześniej nie widział ani jednej obserwacji WPC80.
To istotny wybór architektoniczny. Starsze podejścia prognostyczne, ARIMA, wygładzanie wykładnicze, wczesne modele uczenia maszynowego, traktują każdy surowiec jako układ zamknięty. Uczą się z historii tej jednej serii i ekstrapolują ją w przód. Modele podstawowe przenoszą natomiast wiedzę o wzorcach między seriami. Dlatego prognoza dla stosunkowo niszowego produktu, jakim jest WPC80 instant, handlowanego w mniejszych wolumenach niż choćby masło czy mleko klasy III, wciąż może korzystać z wzorców, które model przyswoił sobie z tysięcy serii powiązanych i niepowiązanych.
Następnie model jest wzbogacany własnymi danymi treningowymi Vesper i dostrajany do specyficznej dynamiki surowców rolnych. Powstaje warstwa prognostyczna przejrzysta z założenia: użytkownik widzi dane wejściowe i założenia zasilające krzywą, zamiast dostawać wynik z czarnej skrzynki.
Gdzie prognozowanie AI Vesper mieści się w spektrum metod
Prognozowanie cen surowców nie jest nową dyscypliną. Metody znane zespołom zakupowym układają się w spektrum, które podejście oparte na modelach podstawowych rozbudowuje, a nie zastępuje.
Najprostszy poziom to wyłącznie fundamenty: bilanse podaży i popytu, wskaźniki inflacji, ceny energii, kursy walut, pogoda. To standard analitycznego biurka i wiele rzeczy trafia poprawnie. Poziom bardziej zaawansowany nakłada na to wskaźniki techniczne: RSI, wstęgi Bollingera, MACD, średnie kroczące, oscylatory stochastyczne i podobne narzędzia zapożyczone z rynków finansowych i zastosowane do serii surowcowych. Oba te poziomy da się wykonać ręcznie, w arkuszu kalkulacyjnym i z odpowiednią dyscypliną.
Prognozowanie z użyciem AI zaczyna się tam, gdzie kończy się podejście prowadzone przez człowieka. Obejmuje wszystko, co dają fundamenty i wskaźniki techniczne, a następnie dokłada trzy rzeczy, do których proces ręczny nie sięgnie: korelacje międzytowarowe na tysiącach serii powiązanych i niepowiązanych, wzorce wydobyte maszynowo wewnątrz tych korelacji oraz „wyuczone” wskaźniki, które model rozpoznaje sam, czyli zależności między zmiennymi, jakich nie wskazałby żaden podręcznik. Na tym poziomie działają prognozy Vesper, na ponad 4000 serii cen surowców.
Nie chodzi o to, że starsze metody są błędne; są fundamentem. Prognozowanie z użyciem AI je kumuluje, a przyrost dokładności jest dokładnie taki, jakiego należy się spodziewać, gdy każda warstwa wnosi nową informację.
Cztery warstwy danych wejściowych stojące za prognozą
Po wytrenowaniu model korzysta z czterech kategorii danych wejściowych, by wykreślić krzywą terminową. Dla amerykańskiego WPC80 instant warstwy te wyglądają następująco.
Wzorce cenowe. Punktem wyjścia jest sama seria, czyli historyczny zapis obrotu amerykańskim WPC80 instant na VPI Vesper. Wokół niej model czyta także serie sąsiednie i powiązane: WPC34, WPI, MPC, kazeinę, laktozę, ceny amerykańskiego sera w blokach oraz mleko klasy III z CME. WPC80 nie funkcjonuje w oderwaniu od innych rynków. Serwatka jest koproduktem serowarstwa, więc ekonomika produkcji sera przekłada się wprost na dostępność serwatki. WPI i WPC34 są substytutami na różnych poziomach zawartości białka; kiedy kupujący przesuwają się w górę lub w dół drabiny białkowej, serie te poruszają się razem, a model wychwytuje tę zależność.
Fundamenty rynkowe. To warstwa podaży i popytu i to w niej mieści się większość siły wyjaśniającej. Dla amerykańskich białek serwatkowych model pobiera dane z raportu USDA NASS Milk Production (miesięcznego), raportu USDA Dairy Products (miesięczna produkcja sera, masła, NFDM i serwatki), raportu USDA Cold Storage (zapasy produktów mlecznych) oraz z danych eksportowych USDA FAS (dokąd trafia amerykańska serwatka; motorami wolumenu są Chiny, Meksyk i Azja Południowo-Wschodnia). Wchodzą też unijne dane produkcyjne z Europejskiego Obserwatorium Rynku Mleka oraz dane mleczarskie DCANZ z Nowej Zelandii, ponieważ globalna podaż wpływa na amerykańskie ceny eksportowe. Koszty paszy z serii CBOT dla kukurydzy, śruty sojowej i DDGS trafiają do modelu, bo kształtują marżę produkcji mleka, ta kształtuje podaż mleka, a ta dalej podaż serwatki.
Wskaźniki techniczne. Model czyta klasyczne sygnały techniczne zastosowane do serii WPC80: MACD dla momentum, średnie kroczące dla kierunku trendu, RSI dla stanów wykupienia i wyprzedania, obok wstęg Bollingera i oscylatorów stochastycznych. Każdy z nich jest też pokazywany użytkownikom wprost w widoku analizy technicznej Vesper, ale na potrzeby prognozy zasilają model. Same z siebie nie rozstrzygają, natomiast wyostrzają prognozy na krótkim horyzoncie, gdy między kolejnymi publikacjami USDA brakuje danych fundamentalnych.
Wskaźniki makroekonomiczne. Szersze sygnały wpływające na wycenę surowców we wszystkich kategoriach: indeks dolara amerykańskiego (kształtuje konkurencyjność eksportową amerykańskiej serwatki), ceny energii (istotny nakład produkcyjny przy suszeniu rozpyłowym serwatki) oraz makroekonomiczne wskaźniki popytu powiązane z kategoriami żywności funkcjonalnej. Tam, gdzie Vesper dysponuje danymi partnerów, na przykład stawkami frachtowymi Upply albo danymi o kosztach wytwarzania w branży od IBISWorld, trafiają one właśnie tutaj.
Model waży wszystkie cztery warstwy łącznie. Żadna pojedyncza dana wejściowa nie dyktuje kształtu krzywej.
Co warstwa techniczna pokazuje dziś na amerykańskim WPC80
Ponieważ Vesper pokazuje warstwę techniczną wprost na platformie, kupujący może odczytać te same sygnały co model. Dla amerykańskiego WPC80 instant pod koniec kwietnia 2026 obraz wygląda następująco.
Cena wynosi 10,90 USD/lb i jest wyraźnie powyżej zarówno 100-dniowej średniej kroczącej (8,81 USD/lb), jak i 150-dniowej (7,98 USD/lb). W ujęciu rok do roku to wzrost o 126 %. Sygnał MACD jest zwyżkowy, na poziomie +1,2, a dodatnie momentum wciąż narasta. RSI wynosi 100, czyli silne wykupienie, daleko powyżej progu 70, który zwykle sygnalizuje rynek wyprzedzający sam siebie.
Czytane razem te sygnały opisują rynek, który mocno urósł, oderwał się od swojego średnioterminowego trendu i pokazuje teraz zmęczenie na końcu cyklu. Niezależnie od tego, czy kolejnym ruchem będzie konsolidacja w bok, czy ostrzejsza korekta, warstwa techniczna mówi kupującym, że przestrzeń do wzrostu zrobiła się cienka.
Dokładnie taki sam obraz kreśli krzywa prognozy AI w widżecie prognozy: łagodny spadek przez najbliższe sześć miesięcy, w miarę jak cena wraca w stronę trendu. Warstwa fundamentalna i warstwa techniczna zgadzają się co do kierunku i to właśnie buduje przekonanie do krzywej. Gdyby się rozchodziły, prognoza odzwierciedlałaby to napięcie, a przedział ufności by się poszerzył.
To jest moment, w którym wskaźniki techniczne realnie zwracają się w pracy zakupowej. Nie jako samodzielne sygnały transakcyjne, lecz jako zderzenie obrazu fundamentalnego z rzeczywistością. Fundamenty mleczarskie mogą uzasadniać wyższą cenę; wskaźniki techniczne mówią, czy rynek już ją wycenił.
Skąd pochodzą dane
Architektura danych Vesper jest celowo warstwowa, żeby każdą daną wejściową dało się prześledzić aż do źródła. Prognoza dla amerykańskiego WPC80 stoi na stosie, który biegnie od publicznych danych referencyjnych, przez dane licencjonowane i partnerskie, po benchmarki własne.
Warstwa publiczna obejmuje raporty USDA, AHDB, ZuivelNL, Kempten oraz odpowiedniki tych instytucji w regionach, w których działa Vesper, czyli te same źródła pierwotne, którym amerykańskie zespoły zakupowe już ufają. Warstwa terminowa dokłada CME (nabiał, zboża, żywiec), EEX (europejskie masło i odtłuszczone mleko w proszku) oraz NZX (nabiał nowozelandzki). Warstwa partnerska wnosi dane licencjonowane od Oilworld, Fastmarkets, IBISWorld, Barchart, Upply i Euronext. Warstwa własna to Vesper Price Index, niezależne benchmarki dla produktów niszowych, dla których nie istnieje publiczny mechanizm ustalania cen, w tym seria WPC80 instant, na której opiera się ten artykuł.
Dla samej prognozy amerykańskiego WPC80 podstawową serią cenową jest VPI, podstawowym sygnałem podażowym raport USDA Dairy Products, podstawowym sygnałem ekonomiki mleka mleko klasy III z CME, a warstwę kosztów paszy kotwiczą kukurydza i śruta sojowa z CBOT. Ta sama logika obowiązuje dla ponad 4000 produktów objętych pokryciem Vesper: inny surowiec, inna mieszanka raportów publicznych, kontraktów terminowych, źródeł partnerskich i indeksów własnych, ale ta sama zasada architektoniczna.
Dlaczego widok AI i widok analityka pozostają rozdzielone
Jedna decyzja projektowa zasługuje na wyróżnienie: Vesper celowo oddziela prognozę AI od komentarza analityka.
Krzywa prognozy AI jest z założenia wolna od opinii analityka. Odzwierciedla dane i tylko dane. Zespół analityków Vesper przygotowuje obok niej raporty rynkowe pisane prostym językiem, czyli dlaczego stojące za ruchem, ale spojrzenie analityka nigdy nie miesza się z samą krzywą.
Powodem jest zaufanie zespołów zakupowych. Kiedy kupujący pyta, co według Vesper wydarzy się z WPC80 w ciągu najbliższych sześciu miesięcy, odpowiedzi są dwie i kupujący widzi obie. AI mówi jedno, analityk drugie, a tam, gdzie się zgadzają, przekonanie jest wysokie. Tam, gdzie się rozchodzą, to sygnał, żeby wejść głębiej. Konkurenci, którzy zlewają widok AI i widok analityka w jeden wynik, ten sygnał usuwają, a zespoły zakupowe wielokrotnie nam powtarzały, że to właśnie rozdzielenie buduje zaufanie do prognozy.
Jak czytać wykres pod decyzje zakupowe
Dwie części wykresu liczą się najbardziej, gdy kupujący wymiaruje zobowiązanie terminowe: przedział ufności wokół krzywej terminowej oraz podpowiedzi z predykcjami historycznymi na linii przeszłej.
To w przedziale ufności rozgrywają się faktyczne decyzje zakupowe. Wąski przedział na początku horyzontu prognozy, który poszerza się dalej w przyszłość, to normalny kształt: model jest pewniejszy co do przyszłego miesiąca niż co do trzeciego kwartału przyszłego roku i tak być powinno. Kiedy przedział poszerza się nietypowo szybko, model sygnalizuje, że dane wejściowe wysyłają sprzeczne komunikaty i że w kolejnych prognozach należy spodziewać się większych rewizji. Kiedy przedział pozostaje nietypowo wąski, dane wejściowe są zgodne, a przekonanie wysokie. Kupujący, który podejmuje fizyczne zobowiązanie terminowe na trzeci kwartał, nie zakłada się o to, że cena wypadnie dokładnie na przerywanej linii środkowej; wymiaruje pokrycie względem zakresu, który opisuje ten przedział.
Podpowiedzi z predykcjami historycznymi są tym, co w ogóle buduje wiarygodność tego przedziału. To, czy nagłówkowa wartość 96 % cokolwiek znaczy dla Twojego zespołu, ocenia się znacznie łatwiej po sprawdzeniu pięciu czy dziesięciu wcześniejszych predykcji na serii, którą faktycznie kupujesz. Wybierz kilka miesięcy z ostatnich dwóch lat, najedź kursorem na linię i odczytaj parę wartości: prognozowaną i rzeczywistą. Jeśli model dobrze odwzorował Twój surowiec, przekonanie, by działać na podstawie krzywej terminowej, przychodzi samo.
Co z tego wynika
Godna zaufania prognoza surowcowa opiera się na trzech rzeczach działających razem: architekturze modelu zdolnej do generalizacji między seriami, przejrzystym stosie danych wejściowych, który prowadzi z powrotem do znanych źródeł, oraz dyscyplinie, by trzymać krzywą AI i spojrzenie ludzkiego analityka osobno, tak aby każde z nich dało się ocenić samodzielnie.
