Качественные модели прогнозирования мировых цен на сырье

Общее описание качественных моделей и связанных с ним групп представлено в п. 2.1.4.

Место данных моделей в общей классификации моделей прогнозирования цен на сырье представлено на рис.

Рис. 2.8. Общая классификация качественных моделей, применяемых в прогнозировании цен на сырье

Модели данной группы учитывают, в том числе неколичественные факторы, влияющие на стоимость нефти — политические события, стихийные бедствия, спекуляции. Моделируются случайные, нерегулярные события. Используются суждения экспертов, часто на консенсусной основе.

Пример применения метода Дельфи (Delphi method) в прогнозировании цен на нефть приводится в работе Нельсона (Nelson et al.)¹ модель Калифорнийской энергетической комиссии (California Energy Commission), сокращенно — модель CEC. Абрамсон и Финицца (Abramson and Finizza) использовали байесовские сети (Belief Networks, BNs)^{[130] [131]}. Как указывают источники, эти две модели демонст­рировали низкий уровень прогностической способности.

В первом случае в рамках метода Дельфи осуществлялись:

1) выбор группы экспертов и периодический анонимный опрос членов груп­пы по ожидаемым ценам на нефть и связанным с ними экономическим перемен­ным. Опрос проводился методом анкетирования и включал два этапа: началь­ный и повторный;

2) обработка результатов начального опроса путем усреднения данных и по­вторное направление компилированных результатов экспертам для уточнения прогнозов, сделанных на начальном этапе;

3) формирование базового прогноза на основе результатов повторного опроса.

Ключевым для такой модели является отбор экспертной группы. При этом:

1) рассматривается развернутый перечень известных национальных и между­народных компаний, занятых в добыче и переработке сырья, образовательных организаций и финансовых институтов, занимающихся проблемами сырьевых рынков и механизмов ценообразования на сырье на финансовых рынках, а также государственных органов, отвечающих за политику и регулирование в области сырьевых ресуров;

2) из отобранного перечня организаций формируется поименный список экспертов — физических лиц, ответственных за подготовку и обоснование про­гнозов цен на нефть.

3) исходные данные для построения прогноза формируются на базе анкетно­го опроса и отражают его структуру. Модель CEC предусматривает развернутую структуру анкеты. Респонденты должны указать три варианта прогнозируемой цены на нефть (самый низкий, наиболее вероятный и самый высокий уровень), в дополнение представить ранжированную по значимости систему факторов, влияющих на цены на международном рынке нефти (табл. 2.32).

Условиями модели предполагается, что 90% всех возможных движений цен на нефть будут лежать выше минимальной и ниже максимальной цены.

Таблица 2.32. Прогнозные значения цен на нефть, полученные путем применения метода Delphi на период 1995—2016 гг. (год прогнозирования — 1993)

Окончание табл.

Источник: Nelson Y., StonerS., Gemis G., Nix, H.

В качестве значимых экспертами перечислялись прежде всего фундаменталь­ные факторы, оказывающие воздействие на ценообразование. Пример факто­ров, обозначенных экспертами в 1995 г., с результатами ранжирования приво­дится в табл. 2.33 и 2.34^[132].

Таблица 2.33. Факторы, определяющие значения цены на нефть по нижней границе (a low oil price case), прогноз 1993 г.

Таблица 2.34. Факторы, определяющие значения цены на нефть по верхней границе (a high oil price case), прогноз 1993 г.

Полученные результаты применения модели отличались низкой прогности­ческой способностью. Во многом это связано с неучетом (в 1995 г. — начальной точке составления прогноза в модели) финансовых факторов ценообразования (волатильной динамики фьючерсных цен на нефть и быстрых темпах роста бир­жевых рынков производных товарных инструментов) в последующие периоды.

Результаты прогнозирования цен на нефть с помощью модели CEC (Delphi method) приведены в табл. 2.35.

Таблица 2.35. Результаты прогнозирования цен на нефть с помощью модели CEC (Delphi method) с 1982 по 1995 гг. (наиболее вероятное значение)

Окончание табл. 2.35

В целом преимуществами качественных моделей прогнозирования (на примере Delphi method) в прогнозировании цен на сырье являются:

• задание любого прогнозного периода, в том числе долгосрочного (в опи­санной выше модели — 20 лет);

• гибкость метода прогнозирования и его настраиваемость на востребован­ные в целях прогнозирования сопутствующие вопросы формирования цен на сырье, универсальность составляющих объекта прогнозирования, возможность их быстрого расширения и конкретизации;

• возможность последовательного улучшения метода по мере его примене­ния и сохранения истории предшествующих прогнозов как результат «отладки» профессиональной способности экспертов к оценке большого числа фундамен­тальных и «шумовых» факторов, влияющих на цену на нефть;

• метод позволяет приводить к единому целому мнения большого числа экс­пертов с уникальными мнениями, географически удаленных друг от друга и имеющих разные направления профессиональной подготовки в области сырье­вого рынка и ценообразования на этом рынке;

• эффективность применения таких методов зависит, в том числе, от пра­вильности подбора группы экспертов, однако в случае выполнения такого усло­вия каждый пункт полученных результатов опросных данных отражает охват всего многообразия фундаментальных факторов как экономического, так и ин­женерно-технического содержания.

Вместе с тем эффективность применения метода зависит от горизонта про­гнозирования и от «правильности» выбора экспертов. В целом рассмотренная выше модель демонстрировала низкую прогностическую способность, зависи­мость мнения экспертов от текущих факторов, влияющих на цены на нефть, и сложности с предвидением появления новых «долгоиграющих» факторов в пер­спективе на 10—20 лет вперед. Не учитывалось, например, то, что нефть может стать финансовым активом и на ее цену будут влиять особенности механизма це­нообразования на финансовых рынках.

Автоматизированная модель консенсус-прогнозов на базе экспертных оценок

Характеристика модели представлена в табл. 2.36.

Таблица 2.36. Характеристика автоматизированной модели консенсус-прогнозов на базе экспертных оценок

Belief networks, BN (байесовские сети)

Представляют особый класс моделей, основанных на системе знаний (knowledge based models). Базовые принципы построения байесовских сетей:

1) учет эвристики и предвзятости;

2) извлечение результатов анализа принятия решений, позволяющее устра­нить эффект «предвзятости»;

3) аксиомы байесовской вероятностной теории.

Байесовская есть включает в себя информацию о прямых связях между пере­менными. В скрытой форме в этой информации представлена информация о не­прямых рыночных связях. Задачей прогнозного механизма является извлечение непрямых связей между внесистемными переменными и будущими ценами. Для этого применяются, прежде всего, статистические процедуры — анализ Монте- Карло (единственный вид анализа, полностью соответствующий особенностям байесовских сетей).

Для рынка нефти наиболее известными являются модели ARCO 1 (кратко­срочное прогнозирование — на период один квартал) и ARCO 2 (средне- и дол­госрочное прогнозирование). Они разработаны и ведутся калифорнийской ком­панией Atlantic Richfiel Company (ARCO) и Южнокалифорнийским университе­том (University of South California). Представляют собой красочное графическое описание консенсуса мнений команды прогнозистов с использованием системы MAC II. Данная система прогнозирует цены на сырую нефть с использованием метода Монте-Карло. При этом рассматривается несколько моделей рынка неф­ти. Прогнозная система быстро обновляется и отличается высокой гибкостью. Несмотря на комплексность самой структуры модели она концептуально проста в применении.

Байесовская сеть, реализованная в моделях ARCO 1 и 2, представляет собой ориентированный ациклический (бесконтурный) граф (Directed Acyclic Graph, DAG), в котором воспроизводится модель рынка нефти 1990 г. Исходя из пони­мания временной природы выстраиваемой модели прогнозирование выстраива­лось на период в один год в поквартальной разбивке.

В графе выделяют:

— узлы, представляющие индивидуальные переменные, характеристики, ис­точники знаний. К ним относятся семь категорий переменных (табл. 2.37);

— дуги, отражающие взаимовлияние между узлами;

— функции, связанные с дугами, определяют природу взаимовлияния — арифметическую, вероятностную, эконометрическую (всего 140 уравнений с временными лагами и несколько —с вероятностными возможностями).

Таблица 2.37. Основные переменные модели ARCO 1

Основу модели составляют узлы и дуги, в то время как характеристики сети — исторические данные, приоритетные вероятности, числовые связи по­зволяют дать ответ на поставленные перед системой вопросы.

Модель, выстраиваемая на основе байесовской сети, требует предваритель­ной длительной настройки — коэффициенты регрессии, вероятности оценива­ются экспертным и опытным путем, проводятся предварительные аналитиче­ские процедуры (количественные анализы влияния на ценовую динамику раз­личных политических и налоговых решений). Например, налоговая политика США может оказать влияние на рынок нефти сразу по нескольким направлени­ям —рост налогообложения приведет к сокращению платежеспособного спроса,

к снижению цены на импортируемую нефть, а также цены на мировом рынке в целом. Повышение одного налога может оказать благоприятный эффект, так как снижает вероятность повышения другого налога, оказывающего прямое воздей­ствие на цену на нефть и т.д.

Модели выстраиваются для нескольких сценариев, один из которых призна­ется основным.

ARCO 2 отличается наличием трех входных узлов, на базе которых развива­ются сценарии:

— конец эмбарго на поставки нефти Ираком (в 1993, 1994 и 1995 гг.) (два ва­рианта распределения вероятности снятия эмбарго);

— общий спрос (с вероятностью его распределения) (три варианта распреде­ления вероятности);

— другое мировое производство (с вероятностным распределением произ­водства за рамками шести ключевых производителей нефти и бывшего Совет­ского Союза) (три варианта распределения вероятности).

Для расчетов по различным комбинациям распределения вероятностей было создано восемь идентичных прогнозных сетей. Каждая прогнозная сеть базировалась на методе Монте-Карло и включала анализ за три года по средне­годовым показателям (1993, 1994, 1995 гг.). В итоге создавалось 1000 различных состояний сети и анализировалось 54000 возможных будущих сценария. Оцен­ка результатов прогнозирования показала большую значимость выявленных трендов в динамике цен на нефть, чем конкретных количественных значениях будущих цен¹.

По проведенной оценке прогностической способности модели были сделаны выводы о том, что полученные результаты соответствуют среднегодовой рыноч­ной цене, которая находилась в диапазоне 15—25 долл. за баррель (17 из 18 сетей)^{[139] [140]}.

Прогнозирование с помощью обозначенных выше методов качественного анализа имеет ряд недостатков:

1) моделями удается охватить, как правило, только факторы спроса и предло­жения, слабо учитывается взаимодействие факторов, которое может привести к результату, отличному от ожидаемого, в частности, это относится к политиче­ским событиям, военным конфликтам, природным катаклизмам, спекуляциям и сформировавшимся ожиданиям относительно спроса и предложения;

2) существуют проблемы в количественной оценке качественных факторов (из-за их неопределенной природы, например, переменные, связанные с факто­рами государственных политик).

На решение этих проблем направлены технологии анализа информации

(knowledge-based forecasting system), содержащейся в web-документах.

Web-Based Text Mining, WTM

Примером служит Web-Based Text Mining, WTM. Характеристику этих техноло­гий см. в табл. 2.38. На этой основе делается попытка решения трех проблем в прогнозировании цен на сырье:

1) поиск и идентификация всех возможных факторов, влияющих на ценовую динамику;

2) извлечение и систематизация всех возможных факторов;

3) решение проблем несоответствия, когда извлеченная информация содер­жит противоречия.

Данные технологии находят широкое применение в комбинациях с другими методами компьютерного программирования и анализа, в том числе моделями искусственного интеллекта (табл. 2.39). Особенно распространен подход, в кото­ром технологии обработки текстовых данных представляют качественную сторо­ну анализа, так называемые лингвистические или нечеткие (неопределенные) переменные, а количественную сторону анализа и количественные переменные представляют нейронные сети (NN).

Таблица 2.38. Основные компьютерные методы обработки текстовых данных (на примере взаимодействия с ANN)

Источник: Abdullah S. N. Approach for Crude Oil Price Prediction / The University of Manchester. Thesis forthedegreeofDoctorofPhilosophyintheFacultyofEngineeringandPhysicalSciences.2013.

Таблица 2.39. Характеристика моделей с использованием технологий knowledge-based

forecasting system

¹ Yi Y., Qin N. Oil Price Forecasting Based on Self-organizing Data Mining // Grey Systems and Intelligent Services. GSIS 2009. IEEE International Conference. 2009. P. 1386—1390.

² Abdullah S. N., Zeng X. Machine Learning Approach for Crude Oil Price Prediction with Artificial Neural Networks-Quantitative (ANN-Q) Model // Neural Networks (IJCNN). The 2010 International Joint Conference. 2010. P. 1—8.

³ Wang S., Yu L., Lai K. K. A Novel Hybrid AI System for Crude Oil Price Forecasting // Lecture Notes in Computer Science. 2004. Vol. 3327. P. 233—242.

⁴ Ghaffari A., Zare S. A Novel Algorithm for Prediction of Crude Oil Price Variation Based on Soft computing// Energy Economics. 2009. No. 31(4). P. 531—536.

⁵ Wang S., Yu L., Lai K. K. Crude Oil Price Forecasting with TEI@I Methodology // Journal of Systems Science and Complexity. 2005. Vol. 18. No. 2. P. 145—165.

Общая характеристика прогностической способности этих моделей (табл. 2.39) позволяет сделать следующие выводы:

1. Использование только качественных моделей прогнозирования в чистом виде, как правило, не обеспечивает должный уровень прогностической точно­сти. Популярность приобретают комбинированные модели с использованием качественных методов анализа лингвистических (текстовых) переменных и компьютерных моделей искусственного интеллекта. Так, прогностические способности моделей на базе ANN и их разновидностей значительно повыша­ются путем предварительной работы с данными, путем их отбора, классифика­ции, ранжирования по значимости и представления в форме, «удобной» для обучения NN.

2. Оценка прогностической способности комбинированных моделей мето­дом наименьших квадратов (RMSE) демонстрирует более высокую прогностиче­скую способность EMD-FNN-ANN model (RMSE = 0,2730), по сравнению с TEI@I (RMSE = 1,0547) и ANN-Q (RMSE = 2,2690). Применение метода оценки D_stat отдает первое место модели TEI@I (D_stat = 95,83%), далее ANN-Q (D_stat = = 93,33%), на последнем месте EMD-FNN-ANN model (D_stat = 86,99%) ^[141] .

Неоднозначность результатов оценки свидетельствует о наличии как силь­ных, так и слабых сторон в работе рассматриваемых моделей, устранение кото­рых путем включения дополнительных инструментов, учитывающих нелиней­ный характер динамики цен на нефть и воздействие на цены качественных (лингвистических, неопределенных) переменных обеспечивает хорошие пер­спективы для развития данных прогнозных моделей.

Существуют и другие качественные модели прогнозирования цен на нефть: Fuzzy Expert System — Fuzzy System Models — Модели нечеткой логи­ки, однако их применение на сырьевом рынке получило меньшее распростра­нение в масштабах построения целостных моделей прогнозирования. Как правило, такие модели прогнозирования используются как дополнительные методы обработки входящих данных в более сложных комплексных моделях на основе компьютерных технологий. Так, системы нечеткой логики (Fuzzy System, FS) получают все большую популярность с позиций повышения точ­ности прогнозирования¹.

2.3.6.