Для цитирования:
Назарова, В. В., Лодягин, Б. А., Круглов, Ф. А., Круглов, А. В. (2025). Применение методов машинного обучения для прогнозирования нефтяных котировок. AlterEconomics, 22(3), 482–502. https://doi.org/10.31063/AlterEconomics/2025.22-3.6
Аннотация:
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 нефтяного рынка и необходимостью повышения точности прогнозов в условиях нестабильной макроэкономической среды, где нефтяные котировки зависят не только от собственной динамики, но и от внешних факторов. Исследование восполняет недостаток работ, напрямую сравнивающих модели статистического и нейросетевого прогнозирования при единых условиях, а также оценивающих влияние конкретных экзогенных переменных. В качестве прогнозируемой переменной рассматривается цена на нефть марки WTI. В выборку включены ежедневные данные за 2015–2019 годы — период с относительно стабильными макроэкономическими условиями без выраженных экзогенных кризисов. В модели SARIMAX и LSTM использованы экзогенные макроэкономические и финансовые переменные-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, переработки, запасов и потребления нефти. Результаты показывают, что модель LSTM с включением индекса Dow Jones демонстрирует наименьшую среднеквадратичную ошибку прогноза (RMSE = 1,5), что подтверждает превосходство методов машинного обучения над авторегрессионными подходами в рассмотренных условиях и при наличии нелинейных взаимосвязей. Включение экзогенных факторов приводит к улучшению точности прогноза как для SARIMAX, так и для LSTM, однако эффект для последней модели оказывается умеренным. Полученные результаты позволяют заключить, что применение нейросетевых моделей с учетом рыночного контекста повышает точность краткосрочного прогнозирования. 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).
Назарова Варвара Вадимовна — кандидат экономических наук, доцент департамента финансов СпбШЭиМ, Национальный исследовательский университет «Высшая школа экономики»; https://orcid.org/0000-0002-9127-1644 (Российская Федерация, 190008, г. Санкт-Петербург, ул. Кантемировская, д. 3А; e-mail: nvarvara@list.ru).
Лодягин Борис Алексеевич — преподаватель департамента финансов СПбШЭиМ, Национальный исследовательский университет «Высшая школа экономики»; https://orcid.org/0009-0001-0434-7381 (Российская Федерация, 190008, г. Санкт-Петербург, ул. Кантемировская, д. 3А; e-mail: blodyagin@hse.ru).
Круглов Фёдор Аркадьевич — магистрант, СпбШЭиМ, Национальный исследовательский университет «Высшая школа экономики» (Российская Федерация, 190008, г. Санкт-Петербург, ул. Кантемировская, д. 3А; e-mail: fakruglov@edu.hse.ru).
Круглов Арсений Вадимович — магистрант, СпбШЭиМ, Национальный исследовательский университет «Высшая школа экономики» (Российская Федерация, 190008, г. Санкт-Петербург, ул. Кантемировская, д. 3А; e-mail: avkruglov@edu.hse.ru).
Agrawal, A., Kadam, S., Kapoor, P. A., & Rashid, M. (2024). Predicting crude oil prices using SARIMA-X method: An empirical study. International Journal of Financial Engineering, 12 (01), 2450007. https://doi.org/10.1142/S2424786324500075
Ariyanti, V., & Yusnitasari, T. (2023). Comparison of ARIMA and SARIMA for Forecasting Crude Oil Prices. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 7 (2), 405–413. https://doi.org/10.29207/resti.v7i2.4895
Fattouh, B., Kilian, L., & Mahadeva, L. (2012). The Role of Speculation in Oil Markets: What Have We Learned So Far? The Energy Journal, 34 (3). https://doi.org/10.5547/01956574.34.3.2
Foroutan, P., & Lahmiri, S. (2024). Deep learning systems for forecasting the prices of crude oil and precious metals. Financial Innovation, 10 (1), 111. https://doi.org/10.1186/s40854-024-00637-z
Gross, W. F., Hayden, C., & Butz, C. (2012). About the impact of rising oil price on logistics networks and transportation greenhouse gas emission. Logistics Research, 4 (3–4), 147–156. https://doi.org/10.1007/s12159-012-0072-2
Guan, K., & Gong, X. (2023). A new hybrid deep learning model for monthly oil prices forecasting. Energy Economics, 128, 107136. https://doi.org/10.1016/j.eneco.2023.107136
Gupta, N., & Nigam, S. (2020). Crude Oil Price Prediction using Artificial Neural Network. Procedia Computer Science, 170, 642–647. https://doi.org/10.1016/j.procs.2020.03.136
Kristjanpoller, W., & Minutolo, M. (2016). Forecasting volatility of oil price using an artificial neural network-GARCH model. Expert Systems with Applications, 65, 233–241. https://doi.org/10.1016/j.eswa.2016.08.045
Li, X., Shang, W., & Wang, S. (2019). Text-based crude oil price forecasting: A deep learning approach. International Journal of Forecasting, 35 (4), 1548–1560. https://doi.org/10.1016/j.ijforecast.2018.07.006
Li, Y., Jiang, S., Li, X., & Wang, S. (2021). The role of news sentiment in oil futures returns and volatility forecasting: Data-decomposition based deep learning approach. Energy Economics, 95, 105140. https://doi.org/10.1016/j.eneco.2021.105140
Mohammadi, H., & Su, L. (2010). International evidence on crude oil price dynamics: Applications of ARIMA-GARCH models. Energy Economics, 32 (5), 1001–1008. https://doi.org/10.1016/j.eneco.2010.04.009
Natarajan, G., & Ashok, A. (2018). Multivariate Forecasting of Crude Oil Spot Prices using Neural Networks. arXiv. https://doi.org/10.48550/arXiv.1811.08963
Pham, T. B., & Sala, H. (2019). The macroeconomic effects of oil price and risk-premium shocks on Vietnam: Evidence from an over-identifying SVAR analysis.
Ratti, R. A., & Vespignani, J. (2014). Oil Prices and the Economy: A Global perspective. SSRN Electronic Journal. http://dx.doi.org/10.2139/ssrn.2440986
Santos, M. V., Morgado-Dias, F., & Silva, T. (2023). Oil Sector and Sentiment Analysis —
A Review. Energies, 16 (12), 4824. https://doi.org/10.3390/en16124824
Sek, S. K., Teo, X. Q., & Wong, Y. N. (2015). A comparative study on the effects of oil price changes on inflation. Procedia Economics and Finance, 26, 630–636. https://doi.org/10.1016/s2212-5671(15)00800-x
Tang, W., Wu, L., & Zhang, Z. (2010). Oil price shocks and their short-and long-term effects on the Chinese economy. Energy Economics, 32, S3-S14. https://doi.org/10.1016/j.eneco.2010.01.002
Tian, G., Peng, Y., & Meng, Y. (2023). Forecasting crude oil prices in the COVID-19 era: Can machine learn better? Energy Economics, 125, 106788. https://doi.org/10.1016/j.eneco.2023.106788
Vo, A. H., Nguyen, T., & Le, T. (2020). Brent Oil Price Prediction Using Bi-LSTM Network. Intelligent Automation & Soft Computing, 26 (6), 1307–1317. https://doi.org/10.32604/iasc.2020.013189
Wang, Y. (2023). Oil Price Forecasting based on Improved SARIMA Model. Highlights in Science, Engineering and Technology, 39, 238–245. https://doi.org/10.54097/hset.v39i.6535
Wu, Y.-X., Wu, Q.-B., & Zhu, J.-Q. (2019). Improved EEMD-based crude oil price forecasting using LSTM networks. Physica A: Statistical Mechanics and its Applications, 516, 114–124. https://doi.org/10.1016/j.physa.2018.09.120
Zhang, K., & Hong, M. (2022). Forecasting crude oil price using LSTM neural networks. Data Science in Finance and Economics, 2 (3), 163–180. http://dx.doi.org/10.3934/DSFE.2022008
