?
Применение методов машинного обучения для прогнозирования нефтяных котировок
Статья посвящена сравнительному анализу точности краткосрочного прогнозирования цен на нефть с использованием традиционных статистических моделей (ARIMA, SARIMAX) и модели глубинного обучения LSTM. Актуальность исследования обусловлена высокой волатильностью нефтя ного рынка и необходимостью повышения точности прогнозов в условиях нестабильной макроэконо мической среды, где нефтяные котировки зависят не только от собственной динамики, но и от внеш них факторов. Исследование восполняет недостаток работ, напрямую сравнивающих модели статисти ческого и нейросетевого прогнозирования при единых условиях, а также оценивающих влияние кон кретных экзогенных переменных. В качестве прогнозируемой переменной рассматривается цена на нефть марки WTI. В выборку включены ежедневные данные за 2015–2019 годы — период с относи тельно стабильными макроэкономическими условиями без выраженных экзогенных кризисов. В мо дели SARIMAX и LSTM использованы экзогенные макроэкономические и финансовые переменны е-предикторы, отражающие состояние фондового, финансового и сырьевого рынков США: индексы Dow Jones, Wilshire 5000, DXY, танкерный индекс BDTI, спред Brent–WTI, а также объемы добычи, пе реработки, запасов и потребления нефти. Результаты показывают, что модель LSTM с включением ин декса Dow Jones демонстрирует наименьшую среднеквадратичную ошибку прогноза (RMSE = 1,5), что подтверждает превосходство методов машинного обучения над авторегрессионными подходами в рас смотренных условиях и при наличии нелинейных взаимосвязей. Включение экзогенных факторов при водит к улучшению точности прогноза как для SARIMAX, так и для LSTM, однако эффект для послед ней модели оказывается умеренным. Полученные результаты позволяют заключить, что применение нейросетевых моделей с учетом рыночного контекста повышает точность краткосрочного прогнозиро вания. В качестве направлений будущих исследований предлагается тестирование других архитектур машинного обучения (Random Forest, XGBoost), использование альтернативных наборов переменных и адаптация моделей к условиям высокой волатильности (regime-switching models).