铁矿石价格疯涨引关注 发改委12天内三次“打铁”******

　　本报记者 杜雨萌

　　1月18日，国家发改委发布消息称，国家发改委价格司、市场监管总局价监竞争局、证监会期货部组织部分铁矿石贸易企业和期货公司召开会议，分析铁矿石市场和价格形势，详细了解有关企业参与铁矿石现货和期货交易情况，提醒告诫有关企业依法合规经营，不得编造发布虚假信息，不得选择性引用数据和信息、故意渲染涨价氛围，不得捏造散布涨价信息，不得哄抬价格，不得过度投机炒作。

　　国家发改委、市场监管总局、证监会将持续密切跟踪市场动态，进一步研究采取措施，加大现货和期货市场监管力度，严厉打击过度投机炒作等违法违规行为，切实维护市场正常秩序。

　　《证券日报》记者梳理发现，为遏制铁矿石过度投机炒作，这已是开年以来国家发改委第三次针对铁矿石市场发声。

　　此前两次分别出自国家发改委1月6日和1月15日发布的两则消息。前者针对近期铁矿石价格过快上涨等情况，国家发改委价格司组织召开会议，研究加强铁矿石价格监管工作。后者是就个别铁矿石资讯企业转载不实旧闻，混淆视听等情况，国家发改委价格司第一时间约谈有关资讯企业，提醒告诫相关企业发布市场和价格信息前必须认真核实、做到准确无误，不得编造发布虚假信息，不得捏造散布涨价信息，不得哄抬价格。

　　监管部门三次“打铁”的背后，与铁矿石现货、期货价格的“疯狂”表现有很大关系。据兰格钢铁网监测数据显示，1月18日，兰格钢铁全国钢材综合价格为4419元/吨，较去年11月初低点上涨8.6%；同期，进口铁矿石中的日照港61.5%澳粉价格为845元/吨，较去年11月份低点上涨32%。

　　再从期货价格看，截至1月18日收盘，铁矿石期价主力合约收于841.5元/吨，上涨0.9%，较去年11月初599.5元/吨的低点价格已累计上涨约40.37%。

　　兰格钢铁研究中心主任王国清在接受《证券日报》记者采访时表示，近期，铁矿石价格上涨主要是受国内稳增长的强预期影响，从而拉动黑色系商品价格。另外，临近春节，钢企补库需求也在短期内出现较为集中的释放。不过，从目前的价格涨幅来看，铁矿石价格涨幅已远超钢价涨幅，将严重蚕食钢铁行业盈利空间。

　　在上海钢联黑色产业研究员张凯东看来，过去的两周，国家发改委相关司局连续召开会议，提示潜在的输入性通胀风险，并特别关注铁矿石价格快速上涨趋势，既为市场敲响警钟，也符合业内对市场春节后走势发展的预判，即春节前后黑色系商品继续保持高位震荡，而且节后随着需求复苏可能推动钢铁产量开始回升，进而带动一轮成本推动型的价格上涨。

　　张凯东认为，需要提示的是，2023年一季度钢铁行业的需求恢复还是建立在“强基建，弱地产”的需求格局之上。如果节后钢厂因为利润改善加大复产力度，一季度末的市场需求难以消化新增产量和累积库存，预计届时钢铁及原材料价格将面临下行调整风险。

　　若拉长维度对2023年全年铁矿石价格走势做判断的话，方正中期期货研究院分析师梁海宽预计，铁矿石全年价格走势或前高后低，年内高点有望出现在二季度。

　　从供应端来看，据兰格钢铁网跟踪数据显示，必和必拓、力拓2023年供应增量分别在300万吨、600万吨左右，FMG供应增量在500万吨左右，淡水河谷供应增量在1000万吨左右。综合来看，预计2023年全年四大矿山铁矿石供应增量在2500万吨左右，同比增加2%左右。此外，印度铁矿石出口关税的下调，也将增加全球及中国铁矿石资源供应；而国内加快“基石计划”的推进，国产铁精粉产量的提升也将增加铁矿石整体供应量。

　　在需求端，王国清认为，2023年中国钢铁产量释放仍将小幅下滑，同时，废钢回收体系的恢复也将使得废钢应用比例扩大，从而带动铁矿石需求继续回落。因此，在供需趋于宽松的背景下，预计2023年铁矿石价格水平将有一定程度下移。（证券日报）

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟