Документ посвящен среднесрочному и краткосрочному прогнозированию цен на нефть марки Brent с использованием различных моделей. Установлено, что для среднесрочного прогнозирования на горизонте в 2 года лучше всего подходят нейронные сети, в то время как для краткосрочного - модели ARIMA и TBATS. Также рассматриваются результаты тестирования моделей на основе различных выборок данных за 2014 и 2015 гг.

1. Среднесрочное прогнозирование
нефтяных цен в R

2. Данные
• Спотовые цены в долл. на нефть марки
Брент за месяц.

3. Декомпозиция временного ряда демонстрирует
наличие сезонного фактора
Сезонность дает незначительное увеличение цены.(меньше полдоллара)
Подозрительное поведение шума…..
Амплитуда шума больше амплитуды сезонности
???

4. Тест Дика-Фуллера на стационарность
Применительно к
ценам:
p-value = 0.237
Ряд не
стационарен
Применительно к
доходностям
p-value < 0.01
Ряд стационарен
Интегрированный
ряд первого
порядка
Однопараметрическое преобразование Бокса-
Кокса позволяет стабилизировать дисперсию и
привести данные к нормальному виду

5. Прогнозирование
в статье «Crude Oil Price Forecasting Techniques:
a Comprehensive Review of Literature» авторы
отмечают, что в зависимости от длинны
горизонта применимость моделей такова:
• Для среднесрочного и долгосрочного
прогнозирования - нелинейные модели
(нейронные сети, машина опорных векторов)
• Для краткосрочного прогнозирования –
ARIMA +модели с экспоненциальным
сглаживанием.

6. Среднесрочное прогнозирование нейронными сетями на горизонте в 2 года
Модель отловила последнее
движение и
экстраполировала
его в будущее

7. Среднесрочное прогнозирование на горизонте в 2 года
TBATS 22,35%
ARIMA 23,79%
NN 61,13%
Mean Absolute Percent Error

8. • Тренировочная выборка – вторая половина 2014 г.
• Тестовая выборка – январь 2015.
Краткосрочное прогнозирование цены на нефть

9. Краткосрочное прогнозирование по
нейронным сетям

10. Результаты краткосрочного прогнозирования
Mean Absolute Percent Error
TBATS 4,99%
ARIMA 5,28%
NN 23,67%
Нейронные сети - ацтой 