Нейросеть предсказала цены на нефть точнее статистических моделей

Главная цель исследования — определить наиболее точный метод прогнозирования цен на нефть в условиях влияния множества переменных. Ученые сравнили возможности традиционной статистики и современного машинного обучения, а также выявили ключевые факторы, влияющие на точность прогнозирования.

В эксперименте участвовали две статистических и одна нейросетевая модель. Классическая ARIMA работает только с историческими данными о цене, расширенная SARIMAX учитывает сезонность и внешние факторы (индексы фондового рынка, курс доллара, объемы запасов нефти), а нейросетевая модель LSTM (Long Short-Term Memory) способна запоминать и анализировать сложные нелинейные взаимосвязи в данных. Период исследования: 2015–2019 годы — относительно стабильное время без крупных кризисов, что позволило оценить модели в «штатном режиме».

Для анализа использовалась обширная база данных, включающая индексы промышленности и фондового рынка, разницу в ценах между сортами Brent и WTI, стоимость морских перевозок, показатели добычи, переработки и запасов нефти в США. Самый точный краткосрочный прогноз показала нейросеть LSTM: среднеквадратичная ошибка составила всего полтора доллара за баррель. «Модели машинного обучения демонстрируют превосходство над авторегрессионными подходами благодаря способности выявлять нелинейные взаимосвязи в данных», — отмечает руководитель департамента финансов НИУ ВШЭ — Санкт-Петербург Варвара Назарова.

Однако исследователи подчеркивают важное ограничение: в период резких потрясений (как, например, обвал цен до отрицательных значений в 2020 году) нейросеть может воспринять краткосрочный шок как начало новой тенденции и ошибиться. Статистические модели в таких случаях более консервативны и ориентируются на долгосрочный тренд.

«Нейросеть не знает, был ли это реальный фундаментальный фактор или информационный шум. Поэтому мы рекомендуем использовать несколько подходов и сравнивать результаты. Искусственный интеллект пока не заменяет аналитика — это мощный инструмент, который позволяет взглянуть на процессы под другим углом, найти новые зависимости, потенциально предсказать будущие значения», — подчеркивает преподаватель департамента финансов Борис Лодягин.

Результаты исследования могут использоваться компаниями для выбора оптимального момента закупки нефти и нефтепродуктов, трейдерами для принятия торговых решений на товарно-сырьевых рынках.  

«Индустрия уже активно использует ИИ-модели. Им важен результат, а нам в академии необходимо проверить — насколько точно работает нейросеть, в каких случаях не точно, можно ли доверять и почему. На первом этапе мы использовали самую простую версию LSTM. А в дальнейшем хотим попробовать различные вариации этой модели. Еще важный момент: мы взяли относительно стабильный период. А вот если изучить 2020-й, когда цены обвалились до отрицательных значений, все может измениться. Это поле для дальнейших экспериментов», — резюмирует Борис Лодягин.

Исследование опубликовано в журнале AlterEconomics.