Даст прогнозы по ценам на нефть – в НИУ ВШЭ оценили перспективы искусственного интеллекта
Исследование экономистов НИУ ВШЭ — Санкт-Петербург Варвары Назаровой и Бориса Лодягина показало, что современные нейросетевые подходы способны превзойти классические статистические методы в задаче краткосрочного прогнозирования цен на нефть. Работа, опубликованная в журнале AlterEconomics, представляет методологически выверенное сравнение моделей ARIMA, SARIMAX и LSTM на базе данных 2015–2019 гг. и содержит практические рекомендации для трейдеров, аналитиков и корпоративных закупщиков, сообщает rbc.ru.
Авторы поставили задачу выбрать наилучший инструмент прогнозирования в условиях многопараметричности. В базу вошли индексы промышленного производства и фондовых рынков, разница в ценах Brent и WTI, фрахтовые ставки, запасы нефтепродуктов в США, данные по добыче и переработке. Классические подходы оценивались в режиме традиционной авторегрессии и с учетом сезонности и внешних регрессоров, нейросеть LSTM училась учитывать длинные временные зависимости и сложные нелинейные соотношения между индикаторами.
ИИ против стандартных прогнозов цен на нефть
По итогам эксперимента LSTM показала наилучшую краткосрочную точность: среднеквадратичная ошибка составила примерно 1,5 доллара за баррель. Это подтверждает тезис о том, что модели глубокого обучения умеют улавливать тонкие системные связи в данных и извлекать сигнал там, где линейные регрессии демонстрируют слабую чувствительность.
Читайте по теме: точно оценил проницаемость пластов – ИИ-комплекс сработал без остановки добычи нефти
Авторы отмечают ограничение. При внезапных шоках нейросеть способна принять аномалию за новый тренд, что приводит к ошибочным прогнозам в период высокой турбулентности. В таких ситуациях статистические модели демонстрируют более консервативное поведение, ориентируясь на долгосрочные тренды.
Потенциал прогнозов искусственного интеллекта
Методологический вклад исследования состоит не только в сравнении моделей, но и в описании практических приемов подготовки данных и валидации. В отчете подробно расписаны этапы очистки временных рядов, выделения сезонных компонент и выбора лагов, а также настройка гиперпараметров LSTM с кросс-валидацией по временным окнам. Авторы акцентировали внимание на риске переобучения и важности настоящего тестирования на данных, удерживаемых в стороне от обучения, чтобы оценить поведение алгоритмов в режиме реального времени.
Практическая значимость полученных результатов шире, чем чисто академическая оценка точности. Компании, занимающиеся закупками сырья, могут использовать автопрогнозы LSTM в сочетании с классическими сценариями для оптимизации момента входа на рынок. Трейдеры получают дополнительный инструмент скоринга сигналов, позволяющий фильтровать ложные импульсы. Однако специалисты по рискам подчеркивают, что полагаться исключительно на один метод нельзя: ансамблевые стратегии, объединяющие нейросеть и авторегрессионные модели, дают более устойчивые решения в условиях смены режимов рынка.
Ранее на сайте pronedra.ru писали, что искусственный интеллект поможет контролировать качество удобрений – разработка НовГУ
