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.
The purpose of this article is to present the results of a study examining the feasibility of using machine learning models for nowcasting average monthly prices of fuel commodities using higher-frequency daily data. The task of forecasting current, yet unobserved, values of economic indicators arises quite frequently for a number of reasons. The author constructed monthly average and month-end forecasts of futures prices for fuel commodities — oil, natural gas, heating oil, and others — using machine learning models and compared them with a naive forecast obtained using a random walk model. Daily data was used to construct the forecasts, and the author attempted to improve the quality of the forecasts by forecasting daily data and calculating the corresponding monthly values. The following models were used in the paper: random walk, exponential smoothing, autoregressive moving average model, neural autoregressive model, long short-term memory model, gradient boosting, and adaptive Bayesian bridge aggregation. It was shown that, over the forecast period examined in the paper, complex models failed to outperform random walk in forecast quality. This result is consistent with a large body of empirical work, beginning with the papers by Meese and Rogoff. It is important to note that a relatively simple neural autoregressive model was able to produce results comparable to random walk.