采购团队为黄油、乳清蛋白、糖或植物油等农产品大宗商品确定远期合约规模时，在把预算投向一份预测之前，通常会问两个问题：它是怎么建出来的？在我真正采购的那个品类上，它的准确率有多高？
大多数预测工具对第一个问题含糊其辞，对第二个问题只给一个笼统的数字。Vesper 两个都回答。本文先给出 Vesper 在全部大宗商品价格覆盖范围内公开的准确率数据，再说明这些数据与多数采购团队评估过的其他方案有何不同，最后以美国黄油为例，演示如何读懂屏幕上的一条预测。
Vesper 在 4,000 多条价格序列上的预测准确率
Vesper 公开了覆盖 4,000 多条大宗商品价格序列的平台整体准确率，测算区间为过去两年的预测。在 Vesper 覆盖的所有品类中，从 CME 干酪、MATIF 小麦、三类牛奶这类流动性很高的市场，到交投清淡的特种蛋白、符合 EUDR 要求的棕榈分提物和区域性糖类基准，主要数字如下。
| 预测周期 | 准确率（1 − MAPE） |
| 1 个月预测 | 97% |
| 3 个月预测 | 94% |
| 6 个月预测 | 91% |
| 9 个月预测 | 88% |
| 12 个月预测 | 85% |
Vesper 价格预测的表现，以 1 − MAPE 衡量，覆盖过去两年的 4,000 多条价格序列。
这些数字背后的指标是平均绝对百分比误差（MAPE），取其反向作为准确率。机制很直接：如果提前一个月的预测在 1 月偏离 3%、2 月偏离 4%、3 月偏离 2%，平均误差就是 3%，因此模型显示为 97% 准确。同一套定义适用于每一条序列和每一个周期，这正是该数字可比的原因。
表格中有两个规律值得指出。
随着预测周期拉长，准确率曲线平滑下滑。从一个月的 97% 到十二个月的 85%，下降 12 个百分点，这正是一个诚实的预测模型会呈现的结果。要求模型看得越远，考验就越严苛。
而且这些数字是数千条序列的平均值，不是某一个精挑细选的品类。在一个平静的市场上取几个月，做出一个高准确率的说法并不难；把 4,000 多条序列、两年区间平均之后再公开，则完全是另一种考验。
预测的三个层次，以及 Vesper 所处的位置
预测大宗商品价格并不是一门新学科。采购团队熟悉的方法处在一条谱系上，而 AI 预测是在其之上叠加，而非取而代之。
大宗商品预测的三个层次。Vesper 的 AI 层在下方各层方法之上叠加。
最基础的一层只用基本面：供需平衡表、通胀率、能源与原油价格、汇率、天气。这是分析师案头的通行标准，训练有素的人靠它能判断对很多事情。
更进一层是在其上叠加技术指标：相对强弱指数（RSI）、布林带、MACD、移动平均线、随机振荡指标，这些都取自金融市场，再应用到大宗商品序列上。这两层人力都能完成，只需要电子表格和足够的细致。
AI 预测从人力主导的方法止步之处开始。它涵盖基本面和技术指标提供的一切，再加上人工流程无法企及的三样东西：横跨数千条相关与不相关序列的跨品类相关性、这些相关性内部由机器提炼出的模式，以及模型自行识别出的“习得”指标，也就是任何规则手册都不会标注的变量间关系。Vesper 的预测正是运行在这一层。
更早的方法并没有错，它们是基础。AI 在其上叠加，而准确率的提升，正是每一层都带来新信息时应有的结果。
Vesper 预测的与众不同之处
运行在 AI 层只是其中一部分。把这种能力转化为采购团队能够对外解释的准确率，靠的是随后的一系列取舍。下面这些问题值得向任何一家预测供应商提出，后面是 Vesper 写在页面上的答案：
• 多周期准确率是公开的，而不是混合成一个数。一个月、三个月、六个月、九个月和十二个月的 MAPE 对每条序列分别列示，各周期之间的衰减清晰可见。一个笼统的、或者动态引用的准确率数字，恰恰掩盖了买方真正关心的那个周期；按周期披露才让这个问题有答案。
• 预测全天候自动更新。只要有新数据抵达，一份 USDA 报告、一个新的 Vesper 价格跳动、一份更新后的供需平衡表，曲线就会重新计算。无需等待分析师介入，也不存在预测滞后于重要市场事件的风险。
• 每条预测都基于自身基本面，外加相关产品的基本面。有些预测方法会把衍生产品挂靠到某个“母商品”上，例如用干酪来给乳清蛋白定价。Vesper 构建蛋白曲线时，既用蛋白自身的基本面，也用决定乳清供应量的干酪基本面。两层都会加权；任何一层都不是另一层的替代捷径。
• 在平台内、在您关心的周期上做抽查。将鼠标悬停在图表上任意一个历史点，即可读出预测值与实际值这一对数字。同一个准确率面板可在该品类的 1 个月、3 个月、6 个月和 12 个月历史准确率之间切换，买方由此可以看到模型在与决策相匹配的时间跨度上表现如何。这一点之所以重要，是因为多数现代预测（包括 Vesper 的）都是动态的：它们随新数据每日调整，这正是保持敏锐的原因。一个不附带周期的孤立准确率数字，无法说明该预测是提前多久做出的；一条在实际价格出现前一天才发出的预测，几乎无论水平高低都会报出很高的准确率。正是周期切换让这个数字具有意义。
• AI 视角与分析师视角被刻意分开。预测曲线完全由数据构建。Vesper 分析师会在旁边发布书面市场报告，但他们的观点绝不会混入曲线。AI 与分析师一致时，把握度高；两者分歧时，那就是需要深入研究的信号。而通常最重要的是方向：即便预测在价位上不够精准，方向判断正确，无论向上还是向下，就足以告诉买方是推迟采购还是立即行动。AI 与分析师在方向上几乎总是一致，而大多数采购决策实际上就落在这里。
• 自研 AI，远早于 ChatGPT 家喻户晓就已起步。Vesper 的预测模型由位于阿姆斯特丹的团队自主研发，那里是欧洲的 AI 中心之一。这套架构自当前 AI 热潮之前很久就在持续迭代，积累下来的经验体现在模型如何处理各品类特有的边缘情况，以及新方法能多快在生产环境中完成验证。
如何读懂一条 Vesper 预测：以美国黄油为例
平台整体数字是最醒目的一组。为了让它落到实处，下面看看一条具体预测在屏幕上是什么样子，以及实务中怎么读。下面的例子是美国黄油，锚定 Vesper Price Index（VPI），采用 EXW 条件，单位为美元每磅。
美国黄油预测小组件：历史预测值、六个月远期曲线，以及该序列 94% 的一个月历史准确率。
图表上有四样东西要读。
实线是历史价格，回溯十二个月。虚线从历史序列结束处接续，向前推演六个月的价格。虚线周围的阴影带是置信区间，即模型认为在预测各点上合理的取值范围。带越窄，模型越有把握。图表右侧是该序列的准确率面板：这一具体品类一个月 94%、三个月 83%、六个月 77%，并配有周期切换，便于买方选择与眼前决策相匹配的时间跨度。
拿到任何一条新预测，第一件事都是做合理性核对。将鼠标悬停在历史线的任意一点上，提示框会并排显示两个数字：该日期的实际价格，以及模型在一个月前对它的预测值。美国黄油的三个例子：
• 2025 年 6 月 18 日 - 实际值：2.54 美元/磅。提前一个月的预测值：2.43 美元/磅。偏差：4.5%。
• 2025 年 10 月 29 日 - 实际值：1.58 美元/磅。提前一个月的预测值：1.59 美元/磅。偏差：0.8%。
• 2026 年 3 月 18 日 - 实际值：1.88 美元/磅。提前一个月的预测值：1.73 美元/磅。偏差：8.1%。
三次都判断对了方向。两次落在模型平均一个月误差带之内；第三次偏离更多，当时该序列正处于一波更急的行情中。这种参差正是真实世界中准确率的样子，而提示框让该序列过去的每一次预测都能用同样的方式核对。这个练习的意义不在于确认某一个数字，而在于在把预算投向远期曲线之前，先对模型过去如何处理您眼前这个品类形成判断。
另外请注意，单条序列的数字（黄油为 94/83/77）低于平台整体均值（97/94/91/88/85）。黄油比 Vesper 覆盖范围内的平均品类波动更大，模型在这里受到的考验比在更平稳的序列上更严苛。这个差距是信息，不是需要掩盖的东西。
曲线背后：四个数据输入层
训练完成后，Vesper 的模型使用四类输入。对美国黄油而言，这些层次如下。
价格模式。起点是序列本身，加上与之同向变动的邻近产品。对美国黄油来说，这意味着 CME 三类牛奶、美国稀奶油价格、欧盟黄油（EEX）以及无水奶油一并汇入同一条曲线。黄油不是孤立交易的，模型会捕捉这些交叉关系。
市场基本面。USDA Dairy Products 与 USDA Cold Storage 报告、USDA NASS Milk Production、USDA FAS 出口数据、欧盟牛奶市场观察局的数据，以及来自新西兰的 DCANZ 数据，因为全球供应会影响美国出口定价。CBOT 玉米、豆粕和 DDGS 的饲料成本同样纳入，因为它们影响原奶生产利润，利润影响原奶供应，供应再向下影响黄油可得量。
技术指标。应用于黄油序列的经典信号：MACD、移动平均线、RSI、布林带、随机振荡指标，既可在平台内直接查看，也会输入预测模型。
宏观与经济指标。美元指数（美国乳制品的出口竞争力）、能源与运费成本（生产与物流投入），以及与零售和餐饮渠道相关的宏观需求信号。在 Vesper 拥有合作方数据的地方，运费方面的 Upply、行业成本方面的 IBISWorld，也在这一层汇入。
模型对四层一并加权。没有任何单一输入能决定曲线走向。
对照 AI 曲线阅读技术层
由于 Vesper 在平台内直接呈现技术层，买方可以读到与模型相同的信号。
美国黄油技术分析：价格走势与移动平均线对比、MACD 动能以及 RSI。
截至 2026 年 4 月 29 日，美国黄油的技术层读数如下。价格为 1.70 美元/磅，同时高于 100 日移动平均线（1.63 美元）和 150 日移动平均线（1.61 美元），属于结构性看涨形态。MACD 看涨且动能为正：柱状图已从红柱（2025 年 9 月至 2026 年 1 月）翻转为自 2 月起累积的蓝柱，尽管快线、信号线和柱状图三者都接近零轴。RSI 为 47.7，处于中性，距离 70 的超买阈值仍有充足空间。百分比变动从另一个角度讲述同一个故事：同比 ‒28.31%（长期下行趋势）、季环比 +13.13%（自一季度低点的回升）、月环比 ‒6.39%、周环比 ‒0.88%（本月小幅降温）。
合起来看，这些信号描绘的是一个在一季度探明底部、一路强势反弹至 3 月、目前在中期趋势上方盘整的市场，既不疲弱，也未超买。AI 预测曲线勾勒的是同一幅图景：未来六个月温和上行。
为采购决策阅读这条曲线
当买方在确定远期承诺规模时，图表上最重要的是两部分：虚线预测线周围的置信区间，以及历史线上的历史预测提示框。
采购决策实际上就落在置信区间里。预测周期前段窄、越往后越宽，是正常形态：模型对下个月的把握本就强于对明年三季度的把握，理应如此。当区间异常快速地变宽，说明模型在提示各项输入正发出相互矛盾的信号，买方应预期后续预测会有更多修正。当区间保持异常狭窄，说明输入彼此一致，把握度高。为三季度做远期承诺的买方，赌的并不是价格恰好落在虚线中轴上；他是在按照区间所描述的范围来确定采购覆盖比例。
历史预测提示框，才是这条区间带最初赢得可信度的地方。在您真正采购的品类上，从过去两年里挑几个月份。把鼠标悬停到线上。读出预测值与实际值这一对数字。如果模型对该序列跟踪得好，依据远期曲线行动的把握自然就来了。如果跟踪得不好，提示框同样会告诉您，而这发生在任何预算被投入之前。
这一切汇总起来意味着什么
一份值得信赖的大宗商品预测，需要几件事同时成立：一套能在数千条序列上泛化的模型架构、一个透明、可回溯到已知数据源的输入体系、可在眼前这个具体品类上验证的分周期准确率数字，以及把 AI 视角与分析师视角分开、让两者各自接受检验的自律。
Vesper 的预测就是这样构建的。方法论在屏幕上，准确率在屏幕上，背后的数据可回溯到采购团队本就信赖的那些一手来源。挑一个品类，把鼠标悬停到线上，自己判断。
常见问题：用 Vesper 做大宗商品价格预测
Vesper 的预测在我具体采购的那个品类上准确率如何？ 准确率按品类、按预测周期在平台内公开。您可以查看所购具体序列的一个月、三个月、六个月和十二个月历史准确率，而不必依赖一个混合后的均值。
做采购决策时，我应该依赖多远的预测？ 周期越短通常越准确，这一点在数据中有所体现。多数采购决策落在一到六个月的窗口内，这一窗口内准确率最高，置信区间也更窄。
模型更依赖基本面还是技术面？ 两者都纳入，此外还有宏观数据和跨品类关系。模型对所有输入动态加权，而不是把某一类置于另一类之上。
预测多久更新一次？ 预测会随新数据的出现自动更新。没有固定时间表，随着输入变化，模型持续重算。
我可以自己验证过往的预测表现吗？ 可以。历史预测值直接显示在图表上。您可以在任意一点比较预测价格与实际价格，在依赖未来推演之前，先了解模型此前的表现。
在高波动市场中会怎样？ 准确率通常随波动性上升而下降，这一点既反映在历史准确率数字中，也反映在置信区间的变宽上。这是预期之内的，且对用户可见。
分析师观点会进入预测吗？ 不会。预测完全由数据驱动。分析师报告与模型输出并列发布，但保持独立，便于您对照两种视角。
方向比精确价格更重要吗？ 在多数采购决策中是的。即便价位没有被完全准确预测出来，判断对方向往往就足以决定是立即采购还是延后。
