Zespoły zakupowe, które wymiarują kontrakty terminowe na surowce rolne takie jak masło, białko serwatkowe, cukier czy olej roślinny, zadają zwykle dwa pytania o prognozę, na którą mają przeznaczyć budżet: jak została zbudowana i jaka jest jej dokładność dla surowca, który faktycznie kupują.
Większość narzędzi prognostycznych odpowiada na pierwsze pytanie ogólnikowo, a na drugie jedną nagłówkową liczbą. Vesper odpowiada na oba. Ten artykuł zaczyna się od wskaźników dokładności, które platforma Vesper publikuje dla całego pokrycia cen surowców, wyjaśnia, czym te wskaźniki różnią się od rozwiązań ocenianych wcześniej przez większość zespołów zakupowych, i pokazuje, jak czytać pojedynczą prognozę na ekranie, na przykładzie masła amerykańskiego.
Dokładność prognoz Vesper na ponad 4000 serii cenowych
Platforma Vesper publikuje dokładność w skali całego systemu dla ponad 4000 serii cen surowców, mierzoną na prognozach z dwóch ostatnich lat. We wszystkich kategoriach objętych pokryciem Vesper, od rynków o wysokiej płynności, takich jak ser CME, pszenica MATIF i mleko klasy III, po rzadko handlowane białka specjalistyczne, frakcje palmowe zgodne z EUDR i regionalne benchmarki cukru, główne liczby wyglądają następująco.
| Horyzont prognozy | Dokładność (1 − MAPE) |
| Prognoza 1-miesięczna | 97 % |
| Prognoza 3-miesięczna | 94 % |
| Prognoza 6-miesięczna | 91 % |
| Prognoza 9-miesięczna | 88 % |
| Prognoza 12-miesięczna | 85 % |
Skuteczność prognoz cenowych Vesper, mierzona jako 1 − MAPE na ponad 4000 serii cenowych z dwóch ostatnich lat.
Za tymi wartościami stoi średni bezwzględny błąd procentowy (MAPE), odwrócony na potrzeby nagłówkowego wskaźnika dokładności. Mechanizm jest prosty: jeśli prognoza z wyprzedzeniem miesięcznym myli się o 3 % w styczniu, o 4 % w lutym i o 2 % w marcu, średni błąd wynosi 3 %, więc model pokazywany jest jako dokładny w 97 %. Ta sama definicja obowiązuje dla każdej serii i każdego horyzontu, i właśnie to czyni tę liczbę porównywalną.
W tabeli warto zwrócić uwagę na dwie prawidłowości.
Krzywa dokładności opada równomiernie wraz z wydłużaniem horyzontu. Spadek o 12 punktów procentowych, z 97 % przy jednym miesiącu do 85 % przy dwunastu, to efekt, jaki daje uczciwy model prognostyczny. Im dalej model ma sięgnąć wzrokiem, tym trudniejszy staje się sprawdzian.
Poza tym są to średnie z tysięcy serii, a nie z jednego starannie wybranego surowca. Wysoką deklarowaną dokładność dla spokojnego rynku w kilkumiesięcznym oknie łatwo wytworzyć; publikowana wartość uśredniona z ponad 4000 serii i dwóch lat to zupełnie inny sprawdzian.
Trzy poziomy prognozowania i miejsce Vesper
Prognozowanie cen surowców nie jest nową dyscypliną. Metody znane zespołom zakupowym układają się w spektrum, które prognozowanie z użyciem AI rozbudowuje, a nie zastępuje.
Trzy poziomy prognozowania surowców. Warstwa AI w Vesper kumuluje metody leżące poniżej.
Najprostszy poziom opiera się wyłącznie na fundamentach: bilansach podaży i popytu, stopach inflacji, cenach energii i ropy, kursach walut, pogodzie. To standard pracy analityka i przy odpowiedniej dyscyplinie daje wiele trafnych wniosków.
Poziom bardziej zaawansowany nakłada na to wskaźniki techniczne: RSI, wstęgi Bollingera, MACD, średnie kroczące, oscylatory stochastyczne, zapożyczone z rynków finansowych i zastosowane do serii surowcowych. Oba te poziomy da się wykonać ręcznie, w arkuszu kalkulacyjnym i z odpowiednią starannością.
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 nieosiągalne w procesie ręcznym: korelacje międzysurowcowe na tysiącach serii powiązanych i niepowiązanych, wzorce wyprowadzone maszynowo wewnątrz tych korelacji oraz „wyuczone” wskaźniki, które model identyfikuje samodzielnie, czyli zależności między zmiennymi, których żaden podręcznik by nie wskazał. Na tym poziomie działają prognozy Vesper.
Starsze metody nie są błędne, są fundamentem. AI je kumuluje, a przyrost dokładności jest dokładnie taki, jakiego można oczekiwać, gdy każda warstwa wnosi nową informację.
Co wyróżnia prognozy Vesper
Praca na warstwie AI to jedna część historii. Drugą są decyzje, które zamieniają tę zdolność w dokładność, której zespoły zakupowe mogą bronić. Poniższe punkty warto zadać jako pytania każdemu dostawcy prognoz, a obok znajdują się odpowiedzi, które platforma Vesper podaje wprost:
• Dokładność dla wielu horyzontów jest publikowana, a nie uśredniana. MAPE dla jednego, trzech, sześciu, dziewięciu i dwunastu miesięcy pokazywany jest osobno dla każdej serii, wraz z widocznym spadkiem między horyzontami. Płaska lub dynamicznie podawana wartość dokładności ukrywa właśnie ten horyzont, który interesuje kupującego; ujawnienie wyników dla każdego horyzontu sprawia, że na to pytanie da się odpowiedzieć.
• Prognozy aktualizują się automatycznie, przez całą dobę, siedem dni w tygodniu. W chwili gdy pojawia się nowy punkt danych, raport USDA, świeży tick cenowy Vesper, zaktualizowany bilans podaży i popytu, krzywa jest przeliczana od nowa. Nie trzeba czekać na interwencję analityka i nie ma ryzyka, że prognoza pozostanie w tyle za ważnym wydarzeniem rynkowym.
• Każda prognoza działa na własnych fundamentach oraz na fundamentach produktów powiązanych. Niektóre podejścia prognostyczne przypinają produkt pochodny do „surowca macierzystego” i wyceniają na przykład białko serwatkowe na podstawie sera. Vesper buduje krzywą białka z fundamentów białka oraz z fundamentów sera, które decydują o dostępności serwatki. Obie warstwy są ważone; żadna nie jest skrótem dla drugiej.
• Wyrywkowa kontrola bezpośrednio w platformie, na interesującym horyzoncie. Najedź kursorem na dowolny historyczny punkt wykresu i odczytaj parę wartości: prognozowaną i rzeczywistą. Ten sam panel dokładności przełącza się między dokładnością historyczną dla 1, 3, 6 i 12 miesięcy dla tego konkretnego surowca, więc kupujący widzi, jak model radzi sobie w horyzoncie odpowiadającym decyzji. Ma to znaczenie, bo większość współczesnych prognoz (w tym prognoz Vesper) jest dynamiczna: dostosowują się codziennie wraz z napływem nowych danych i właśnie to utrzymuje ich ostrość. Pojedyncza wartość dokładności bez przypisanego horyzontu nie mówi nic o tym, z jakim wyprzedzeniem prognozę sporządzono; predykcja wystawiona dzień przed zrealizowaną ceną wykaże wysoką dokładność niemal niezależnie od umiejętności. To przełącznik horyzontu nadaje tej liczbie sens.
• Perspektywa AI i perspektywa analityka są celowo rozdzielone. Krzywa prognozy budowana jest wyłącznie z danych. Analitycy Vesper publikują obok niej pisemne raporty rynkowe, ale ich oceny nigdy nie mieszają się z krzywą. Tam gdzie AI i analityk są zgodni, przekonanie jest wysokie; tam gdzie się rozchodzą, to sygnał, by wejść głębiej. A najczęściej najbardziej liczy się kierunek: nawet gdy prognoza nie trafia co do ceny, trafienie kierunku, w górę albo w dół, mówi kupującemu, czy odłożyć zakup, czy działać teraz. AI i analityk niemal zawsze zgadzają się co do kierunku, a to właśnie tam rozgrywa się większość decyzji zakupowych.
• Własna AI, budowana na długo przed tym, zanim ChatGPT stał się powszechnie znany. Modele prognostyczne Vesper rozwijane są wewnętrznie przez zespół z siedzibą w Amsterdamie, jednym z europejskich ośrodków AI. Architektura jest iterowana od czasów znacznie poprzedzających obecny boom na AI, a nagromadzona wiedza widoczna jest w tym, jak modele radzą sobie z przypadkami brzegowymi typowymi dla poszczególnych surowców i jak szybko można testować nowe podejścia na produkcji.
Jak czytać prognozę Vesper: masło amerykańskie jako przykład
Liczby dla całej platformy to nagłówek. Aby je skonkretyzować, zobaczmy, jak pojedyncza prognoza wygląda na ekranie i jak czytać ją w praktyce. Poniższy przykład to masło amerykańskie, zakotwiczone na Vesper Price Index (VPI) w formule EXW, w USD za funt.
Widżet prognozy dla masła amerykańskiego: predykcje historyczne, sześciomiesięczna krzywa terminowa i 94 % dokładności historycznej w horyzoncie miesięcznym dla tej konkretnej serii.
Na wykresie należy odczytać cztery rzeczy.
Linia ciągła to cena historyczna, dwanaście miesięcy wstecz. Linia przerywana zaczyna się tam, gdzie kończy się seria historyczna, i rzutuje 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. Po prawej stronie wykresu znajduje się panel dokładności dla danej serii: 94 % dla miesiąca, 83 % dla trzech miesięcy i 77 % dla sześciu miesięcy dla tego konkretnego surowca, z przełącznikiem horyzontu, aby kupujący mógł wybrać okres odpowiadający decyzji, przed którą stoi.
Pierwszą rzeczą, jaką należy zrobić z każdą nową prognozą, jest sprawdzenie jej wiarygodności. 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. Trzy przykłady dla masła amerykańskiego:
• 18 czerwca 2025 - rzeczywista: 2,54 USD/lb. Prognoza sprzed miesiąca: 2,43 USD/lb. Odchylenie: 4,5 %.
• 29 października 2025 - rzeczywista: 1,58 USD/lb. Prognoza sprzed miesiąca: 1,59 USD/lb. Odchylenie: 0,8 %.
• 18 marca 2026 - rzeczywista: 1,88 USD/lb. Prognoza sprzed miesiąca: 1,73 USD/lb. Odchylenie: 8,1 %.
Wszystkie trzy trafnie wskazały kierunek. Dwie zmieściły się w przeciętnym miesięcznym paśmie błędu modelu; trzecia odbiegła bardziej, w trakcie ostrzejszego ruchu w tej serii. Taka mieszanka to obraz dokładności w praktyce, a podpowiedzi sprawiają, że każdą wcześniejszą predykcję w serii można sprawdzić w ten sam sposób. Celem tego ćwiczenia nie jest potwierdzenie pojedynczej liczby, lecz wyrobienie sobie wyczucia, jak model radził sobie dotąd z surowcem, który masz przed sobą, zanim jakikolwiek budżet zostanie związany z jego krzywą terminową.
Zwróć też uwagę, że wartości dla pojedynczej serii (94/83/77 dla masła) leżą poniżej średnich dla całej platformy (97/94/91/88/85). Masło jest bardziej zmienne niż przeciętny surowiec w pokryciu Vesper, a model jest tu sprawdzany ostrzej niż na serii stabilniejszej. Ta różnica jest informacją, a nie czymś do ukrycia.
Za krzywą: cztery warstwy danych wejściowych
Po wytrenowaniu model Vesper korzysta z czterech kategorii danych wejściowych. Dla masła amerykańskiego warstwy te wyglądają następująco.
Wzorce cenowe. Punktem wyjścia jest sama seria oraz produkty sąsiednie, które poruszają się razem z nią. Dla masła amerykańskiego oznacza to, że mleko klasy III z CME, ceny śmietanki amerykańskiej, masło unijne (EEX) i bezwodny tłuszcz mleczny zasilają tę samą krzywą. Masło nie funkcjonuje w oderwaniu od innych rynków, a model wychwytuje zależności krzyżowe.
Fundamenty rynkowe. Raporty USDA Dairy Products i USDA Cold Storage, USDA NASS Milk Production, dane eksportowe USDA FAS, wskaźniki unijnego Obserwatorium Rynku Mleka oraz dane DCANZ z Nowej Zelandii, ponieważ globalna podaż wpływa na amerykańskie ceny eksportowe. Wchodzą tu również koszty paszy z kukurydzy CBOT, śruty sojowej i DDGS, bo kształtują marżę produkcji mleka, ta kształtuje podaż mleka, a ta z kolei dalej kształtuje dostępność masła.
Wskaźniki techniczne. Klasyczne sygnały zastosowane do serii masła: MACD, średnie kroczące, RSI, wstęgi Bollingera, oscylatory stochastyczne, odczytywane bezpośrednio na platformie i jednocześnie podawane do modelu prognostycznego.
Wskaźniki makroekonomiczne. Indeks dolara amerykańskiego (konkurencyjność eksportowa amerykańskiego nabiału), koszty energii i frachtu (nakłady produkcyjne i logistyczne) oraz makroekonomiczne sygnały popytu powiązane z kategoriami handlu detalicznego i gastronomii. Tam gdzie Vesper dysponuje danymi partnerów, Upply dla frachtu i IBISWorld dla kosztów branżowych, trafiają one właśnie tutaj.
Model waży wszystkie cztery warstwy łącznie. Żadna pojedyncza dana wejściowa nie dyktuje kształtu krzywej.
Czytanie warstwy technicznej obok krzywej AI
Ponieważ platforma Vesper udostępnia warstwę techniczną bezpośrednio, kupujący może czytać te same sygnały, które czyta model.
Analiza techniczna masła amerykańskiego: przebieg ceny wobec średnich kroczących, momentum MACD oraz RSI.
Według stanu na 29 kwietnia 2026 warstwa techniczna masła amerykańskiego przedstawia się następująco. Cena wynosi 1,70 USD/lb i znajduje się powyżej zarówno 100-dniowej średniej kroczącej (1,63 USD), jak i 150-dniowej (1,61 USD), co jest strukturalnie zwyżkowym układem. MACD jest zwyżkowy z dodatnim momentum: histogram przeszedł z czerwonych słupków (wrzesień 2025 – styczeń 2026) na słupki niebieskie narastające od lutego, mimo że linia, sygnał i histogram znajdują się blisko zera. RSI wynosi 47,7, czyli neutralnie, z dużym zapasem do progu wykupienia na poziomie 70. Zmiany procentowe opowiadają to samo z innej strony: rok do roku ‒28,31 % (długi trend spadkowy), kwartał do kwartału +13,13 % (odbicie od minimów pierwszego kwartału), miesiąc do miesiąca ‒6,39 % i tydzień do tygodnia ‒0,88 % (lekkie schłodzenie w tym miesiącu).
Czytane razem, sygnały te opisują rynek, który znalazł dno w pierwszym kwartale, mocno odbił do marca i teraz konsoliduje się powyżej swojego średnioterminowego trendu, ani w kłopotach, ani nadmiernie rozciągnięty. Ten sam obraz kreśli krzywa prognozy AI: łagodny dryf w górę przez najbliższe sześć miesięcy.
Czytanie krzywej pod decyzję zakupową
Dwie części wykresu liczą się najbardziej, gdy kupujący wymiaruje zobowiązanie terminowe: przedział ufności wokół przerywanej linii prognozy oraz podpowiedzi z predykcjami historycznymi na linii przeszłej.
To w przedziale ufności rozgrywa się faktycznie decyzja zakupowa. Wąski przedział na początku horyzontu, rozszerzający się dalej, to kształt normalny: model jest pewniejszy co do przyszłego miesiąca niż co do trzeciego kwartału przyszłego roku i tak być powinno. Gdy przedział rozszerza się nietypowo szybko, model sygnalizuje, że dane wejściowe wysyłają sprzeczne komunikaty, a kupujący powinien liczyć się z większą liczbą korekt w kolejnych prognozach. Gdy przedział pozostaje nietypowo wąski, dane wejściowe są spójne, a przekonanie wysokie. Kupujący zaciągający zobowiązanie terminowe na trzeci kwartał nie obstawia, że cena wypadnie dokładnie na przerywanej linii środkowej; wymiaruje pokrycie względem zakresu, który opisuje przedział.
Podpowiedzi z predykcjami historycznymi są tym, co w ogóle buduje wiarygodność tego przedziału. Wybierz kilka miesięcy z ostatnich dwóch lat dla surowca, który faktycznie kupujesz. Najedź kursorem na linię. Odczytaj parę wartości: prognozowaną i rzeczywistą. Jeśli model dobrze odwzorował serię, przekonanie, by działać na podstawie krzywej terminowej, przychodzi samo. Jeśli nie, podpowiedź powie Ci również o tym, zanim jakikolwiek budżet zostanie związany.
Co z tego wynika
Na wiarygodną prognozę surowcową składa się kilka elementów działających razem: architektura modelu zdolna do generalizacji na tysiącach serii, przejrzysty zestaw danych wejściowych, który da się prześledzić wstecz do znanych źródeł, wartości dokładności dla każdego horyzontu możliwe do zweryfikowania na konkretnym surowcu, który masz przed sobą, oraz dyscyplina utrzymywania rozdziału między perspektywą AI a perspektywą analityka, tak by każdą można było ocenić samodzielnie.
Tak właśnie budowane są prognozy Vesper. Metodyka jest na ekranie, dokładność jest na ekranie, a dane za nimi prowadzą do tych samych źródeł pierwotnych, którym zespoły zakupowe już ufają. Wybierz surowiec, najedź kursorem na linię i oceń samodzielnie.
FAQ: prognozowanie cen surowców z Vesper
Jaka jest dokładność prognoz Vesper dla konkretnego surowca, który kupuję? Dokładność publikowana jest dla każdego surowca i każdego horyzontu prognozy wewnątrz platformy. Możesz sprawdzić dokładność historyczną dla jednego, trzech, sześciu i dwunastu miesięcy dla dokładnie tej serii, którą kupujesz, zamiast polegać na uśrednionej wartości zbiorczej.
Z jakim wyprzedzeniem powinienem polegać na prognozie przy decyzjach zakupowych? Krótsze horyzonty są zwykle dokładniejsze, co widać w danych. Większość decyzji zakupowych mieści się w oknie od jednego do sześciu miesięcy, gdzie dokładność pozostaje najwyższa, a przedział ufności jest węższy.
Czy model opiera się bardziej na fundamentach, czy na wskaźnikach technicznych? Uwzględniane są oba, obok danych makroekonomicznych i zależności międzysurowcowych. Model waży wszystkie dane wejściowe dynamicznie, zamiast przedkładać jedną kategorię nad drugą.
Jak często aktualizowane są prognozy? Prognozy aktualizują się automatycznie w miarę pojawiania się nowych danych. Nie ma stałego harmonogramu, model przelicza je na bieżąco wraz ze zmianą danych wejściowych.
Czy mogę samodzielnie zweryfikować dotychczasową skuteczność prognoz? Tak. Predykcje historyczne widoczne są bezpośrednio na wykresie. Możesz porównać ceny prognozowane z rzeczywistymi w dowolnym punkcie, aby zrozumieć, jak model sobie radził, zanim zaufasz przyszłym projekcjom.
Co dzieje się na rynkach o wysokiej zmienności? Dokładność zwykle spada wraz ze wzrostem zmienności, co odzwierciedlają zarówno historyczne wartości dokładności, jak i rozszerzanie się przedziału ufności. Jest to spodziewane i widoczne dla użytkownika.
Czy oceny analityków wchodzą do prognozy? Nie. Prognoza jest w całości oparta na danych. Raporty analityków publikowane są obok wyniku modelu, ale pozostają od niego oddzielone, co pozwala porównać obie perspektywy.
Czy kierunek jest ważniejszy niż dokładna cena? W większości decyzji zakupowych tak. Nawet gdy dokładny poziom ceny nie zostanie przewidziany idealnie, to trafienie kierunku często decyduje o tym, czy kupić teraz, czy poczekać.
