2025. — Т 17. — № 6 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://esj.today/36ecvn625.html

Полный текст статьи в формате PDF (объем файла: 1.6 Мбайт)

Ссылка для цитирования этой статьи:

Зямалов, В. Е. Наукастинг цен на топливные продукты: помогают ли дневные данные прогнозировать цены текущего месяца / В. Е. Зямалов // Вестник Евразийской науки. — 2025. — Т 17. — № 6. — URL: https://esj.today/PDF/36ECVN625.pdf (дата обращения: 12.03.2026).

Наукастинг цен на топливные продукты: помогают ли дневные данные прогнозировать цены текущего месяца

Зямалов Вадим Евгеньевич
ФГБОУ ВО «Российская академия народного хозяйства и государственной службы
при Президенте Российской Федерации», Москва, Россия
Старший научный сотрудник
Кандидат экономическиз наук
E-mail: zyamalov@ranepa.ru
ORCID: https://orcid.org/0000-0003-4283-8787
РИНЦ: https://elibrary.ru/author_profile.asp?id=679501

Аннотация. Целью настоящего исследования является изучение возможности применения моделей машинного обучения для наукастинга среднемесячных цен на топливные продукты с использованием более частотных дневных данных. Задача построения прогнозов текущих, пока не наблюдаемых значений экономических показателей, встает достаточно часто по ряду причин. Автором проводилось построение прогнозов фьючерсных цен, среднемесячных и цен на конец месяца на топливные биржевые товары — нефть, природный газ, мазут и др. — с применением моделей машинного обучения и их сравнение с наивным прогнозом, полученным при помощи модели случайного блуждания. Для построения прогнозов использовались дневные данные, автор предпринял попытку улучшить качество прогнозов, строя прогнозы дневных данных и рассчитывая соответствующие месячные значения. В исследовании использовались следующие модели: случайной блуждание, экспоненциальное сглаживание, авторегрессия с ошибкой в форме скользящего среднего, нейронная авторегрессия, длинная модель с краткосрочной памятью, градиентный бустинг, символьное агрегирование с применением байесовского моста.

Было показано, что на рассматриваемом в работе прогнозном периоде сложные модели не смогли превзойти случайное блуждание по качеству прогнозов. Этот результат согласуется с большим количеством эмпирических работ (например, Миза и Рогоффа). При этом важно отметить, что относительно несложная модель нейронной авторегрессии смогла показать результаты, сопоставимые со случайным блужданием.

Ключевые слова: эконометрика; машинное обучение; прогнозирование; наукастинг; случайное блуждание; экспоненциальное сглаживание; нейронные сети

Скачать