Цены на сырье
Карта современных исследований в области прогнозирования мировых цен на сырье представлена по результатам анализа инструментария прогнозирования мировых цен на нефть, газ, металлы и продовольствие (п.
2.3).Общая карта моделей прогнозирования мировых цен на сырье (по основным группам моделей) в зависимости от орентированности на долго-, средне- или краткосрочный период прогнозирования, а также практической значимости
Размер кружка — теоретическая значимость модели (чем больше, тем выше) Цвет кружка — точность прогнозирования (чем темнее, тем выше)
Рис. 2.13. Карта ключевых моделей прогнозирования валютных курсов
Рис. 2.14. Карта ключевых центров прогнозирования валютных курсов
222 Международная практика прогнозирования цен на финансовых рынках
(участия в определении макроэкономической и финансовой динамики рынков) приведена на рис. 2.15.
Рис. 2.15. Общая карта моделей прогнозирования мировых цен на финансовых рынках (сырье)
Общая карта моделей прогнозирования мировых цен на сырье (по основным группам моделей) в зависимости от степени универсализации, а также практической значимости (участия в определении макроэкономической и финансовой динамики рынков) приведена на рис. 2.16.
Карта моделей прогнозирования (по основным группам моделей) в зависимости от степени универсализации и дифференциации по видам сырьевых рынков приведена на рис. 2.17.
Результаты анализа популярности (распространенности) авторских моделей по индексу цитируемости Google[199] приведены в табл. 2.41. Для конкретизации поиска и привязки имени автора к рассматриваемой модели в поисковом запросе указывалось имя автора и спецификации модели (сокращенное наименование или базовый метод, на котором она простроена).
Е сли модель представлена несколькими авторами, выбирался автор с наибольшим индексом ци- тируемости.
Рис. 2.16. Карта моделей прогнозирования мировых цен на сырье на финансовых рынках: по практике их применения организациями
Рис. 2.17. Карта моделей прогнозирования мировых цен на сырье на финансовых рынках: по степени универсализации и дифференциации — виды сырьевых рынков
224 Международная практика прогнозирования цен на финансовых рынках
Таблица 2.41. Характеристика моделей прогнозирования цен на сырье в разрезе авторов и их популярности по индексу цитирования
Автор, индекс цитирования (ИЦ) | Модель | Характеристика |
Модели частичного равновесия | ||
Эрроу—Дебре / + + функция Кобба—Дугласа (производственная функция) ИЦ — 16200 | Модель Эрроу—Дебре (модель равновесия). Типовая. Классическая оптимизационная модель: максимизация прибыли, минимизация издержек, максимизация полезности | Многоуровневые статические, Многоуровневые динамические модели равновесия. Производственная функция с постоянной или переменной эластичностью замещения факторов производства |
Лоуренс Роберт Клейн (Lawrence Robert Klein) — лауреат Нобелевской премии1 ИЦ — 121000 | Project Linked System (LSP) гибридные программные модели | Используются различные методы линейного программирования (Linear Programming, LP2), квадратичное (Quadratic Programming, QP) и линейное дополнительное (Linear Complementarity Programming, LCP). На LSP базируется построение известных моделей National Energy Modeling System (NEMS)3 Управления энергетической инфрмации США (EIA) |
Дж. Форрестер (Forrester) ИЦ — 31200 | Модель динамических производственных циклов Форрестера (Industrial Dynamics Approach of Forrester) | На рынке сырья получила дальнейшее развитие в работах Д. Медоуза, для создания модели динамических сырьевых циклов (Dynamic Commodity Cycle, DCC), построенной на использовании запасов как фактора, балансирующего систему сырьевого рынка в направлении достижения их оптимального уровня; вторым основанием модели является поведение производителей и потребителей, свободных в использовании информации о текущих и прошлых ценах для формирования ожиданий относительно будущих цен |
Д. Медоуз (Meadows, 1970) ИЦ — 130000 | Модель динамических сырьевых циклов Медоуза (Dynamic Commodity Cycle, DCC) | Первоначально применялась на рынках мяса бройлеров, крупного рогатого скота, свиней. В последующем Гамильтон (Hamilton, 1979) применил ее к рынку угля, Choucri, 1981 — к рынку нефти, Стронгмэн (Strongman, 1976) — к рынку меди, общая модель Линнмана (Linneman, 1976) — к рынку сельскохозяйственного сырья |
Штакельберг, Нэш— Курно / модель Штакельберга (Stac- kelberg Model) ИЦ — 31500 | Оптимизационная модель /учитывает взаимодействие в интересах максимизации прибыли участников двух типов: 1) устанавливающие цену и принимающие количество товаров и 2) принимающие цену и устанавливающие количество товаров | Применительно к прогнозированию цен, устанавливаемых ОПЕК реализована в работах Гилберта (Gilbert), 1978. Модель Нэша-Курно (Nash- Cournot) использовалась для объяснения поведения рынка нефти4 и угля5. Также активно применялись: 1) в моделировании предложения нефти в различных интерпретациях механизма взаимодействия стран-членов ОПЕК и остальных стран6; 2) в моделирование нефтяного рынка как монополистического или картельного с элементами конкуренции7 |
Автор, индекс цитирования (ИЦ) | Модель | Характеристика |
Джордж Бернард Данциг (George Bernard Dantzig), (1940) ИЦ — 7610 | Математическая модель достижения пространственновременного равновесия, SPTA | Применялась во многих направлениях бизнеса — управление производством, региональное, межрегиональное и международное планирование, оценка проектов. Была впоследствии расширена за счет включения инвестиционной модели, в которой установление оптимальной концентрации производственной активности и синхронизация инвестиционной емкости (потенциала) достигалось за счет минимизации общих издержек (сумма инвестиционных, операционных и транспортных расходов) |
Takayama T., Judge G. G. (1964, 1971) Всемирный банк ИЦ — 5490 | Модель частичного пространственно-временного равновесия сельскохозяйственного сектора | На рынке сырья получила дальнейшее развитие в модели мирового рынка нефти Kennedy, 1974; Реализуются программными методами: линейное (Linear Programming, LP), квадратичное (Quadratic Programming, QP) и линейное дополнительное (Linear Complementarity Programming, LCP) про граммирование и т.д. Европейские модели PRIMES, POLES |
Dammert and Palani- appan (1985) ИЦ—17 | Глобальная модель добычи, переработки меди и изготовления из нее продукции Смешанное целочисленное программирование (Mixed Integer Prosraming, MIP). Реализуются программными методами: линейного программирования (Linear Programming, LP). | Применение моделей связано с моделированием, как правило, отраслей в целом. Предшествовали: Langston (1983) / модель нефтегазового комплекса Мексиканского залива; Kwang-Ha (1981) / модель отрасли электроэнергетики в Южной Корее; Jung Suh (1982) / модель нефтехимической отрасли в Южной Корее |
Hogan and Weyant (1983) ИЦ — 239 | Комбинированная модель энергоресурсов (Combined Energy Model) Интеграция экономических (на стороне спроса) и инженерных, технологических (на стороне предложения) условий достижения равновесия | Распространенное практическое применение — Project Linked System8 (LSP): национальные экономики представляют субмодели, которые приводятся в соответствие на базе общего торгового равновесия. Условия равновесия — соответствие макроэкономических условиях и составляющих торговой системы (модель сырьевого рынка) на базе метода итераций. На LSP базируется построение известных моделей National Energy Modeling System (NEMS)9 Управления энергетической информации США (EIA) |
Крюгер (Kruegar, 1976) ИЦ — 20200 | Модели затраты-выпуск для рынков минеральных ресурсов, коэффициентов материалопотребления, которые связывают материальное | Объясняет, как будущее потребление черных и цветных металлов может быть спрогнозировано комбинацией прогнозов значений коэффициентов материалопотребления |
Автор, индекс цитирования (ИЦ) | Модель | Характеристика |
потребление отдельных отраслей со спросом на производство этой отрасли. Используется таблица «затраты-выпуск» | ||
Роуз и Колк (Rose and Kolk, 1987) ИЦ — 4210 | Модели затраты-выпуск для рынков энергоресурсов | Модель спроса на энергоресурсы по видам сырого производства энергоресурсов и продуктов их переработки, учитывает влияние новых технологий и макроэкономические условия |
P. Krugman, 1991: ИЦ — 108 000 | Модель ОПЕК, другие модели на рынке сельхозпродукции | Устраняют недостатки моделей частичного равновесия, в частности, труднопредсказуемость поведения ОПЕК, ошибки в оценке будущих запасов, а также объемов предложения нефти странами — не членами ОПЕК |
Ye et al. (2002, 2005) ИЦ — 782 000 | Модель запасов | Используют только одну переменную для объяснения динамики цен на нефть — извлекаемые запасы нефти ОПЕК |
A. Merino and A. Ortiz (2005) ИЦ—17000 | Комбинация модели поведения и модели запасов | Расширили модель выше за счет: 1) расчета премии (фактическая цена — оценочная); 2) тестирование зависимости премии от ряда переменных методом Грейнджера (учет разницы в ценах на наличном и фьючерсном рынках, спекуляции, производственные возможности ОПЕК, запасы бензина в США, мощности НПЗ США, процентные ставки, курс доллара к евро, разницы в ценах на другие сырьевые товары |
Robert K. Kaufmann (1995, 2004) ИЦ — 190 000 | Комбинация модели поведения и модели запасов | |
C. Yang (2002) ИЦ — 1 690 000 | Модель спроса и предложения | Модель, учитывающая факторы спроса на нефть в США — добыча нефти ОПЕК, реальный ВВП США и эластичность спроса на нефть к цене и доходу + GARCH для оценки волатильности цен + коинтеграционный тест и модель ECM для оценки краткосрочных и долгосрочных зависимостей между спросом на нефть и ценами, реальным ВВП, ценами на уголь для определения эластичности спроса на нефть по цене и доходам. Несколько сценариев сокращения добычи нефти ОПЕК |
S. Mirmirani and H. C. Li (2004) ИЦ — 264 | Модель спроса и предложения | Использовали методы VAR модели ANN для сравнения их прогностической возможности, дополнительно учитывались факторы — фьючерсные |
Автор, индекс цитирования (ИЦ) | Модель | Характеристика |
цены на нефть марки light sweet (NYMEX), предложение и потребление нефти, предложение дене | ||
R. Lalonde (2003) ИЦ—67600 | Модель ненефтяных переменных | Использование так называемых разрывов и возможных случайных событий по примеру революции в Иране 1979 г. |
Модели временных рядов | ||
Walter C. Labys and Granger (1970). Всемирный банк, Департамент международных рынков ИЦ — 2250 | Модели временных радов / долгосрочные циклы Стохастические нелинейные модели длинных циклов, рассматривающие динамику цен на сырье с позиций влияния природных условий | Предшествующие исследования: Национальное бюро экономических исследований США (NBER), анализ роли динамики цен на сырье в развитии Великой Депрессии 1929—1939 гг. в США (Lewis, 1949), которое затем было развито в серию исследований бизнес-циклов и их влияния на рынок сельскохозяйственной продукции (Mills (1927, 1936), Bosworth (1982), Lawrence (1982), Ding (1988), Kaldor (1987)). Второе направление исследований — исследование влияния на ценовую динамику временных шоков — изменение природных условий и его влияние на предложение и производство сельхозпродукции, а также рыночные цены (Adams and Behram (1978), Ghosh et al. (1987), Labys (1973.1999), Marquez (1984), Rausser and Hoch- man (1989) |
R. Pindyck (1999) ИЦ—35800 | Модель временных рядов | Включение детерминированного линейного тренда (deterministic linear trend), динамика цен на сырье на наличном и фьючерсном рынках |
S. Radchenko (2005) ИЦ—13100 | Модель временных рядов авторегрессионная | Модель сдвигающегося тренда в авторегрессии для учета поведения ОПЕК (a shifting trend model with an autoregressive process) |
A. Lanza, M. Manera. (2005): ИЦ — 59600 | Модель временных рядов | Оценка взаимовлияния цен на сырую нефть и нефтепродукты в Европе и США, сопоставление прогнозных и фактических значений |
S. Wang et al. (2005) ИЦ — 1 940 000 | Модель временных рядов авторегрессионная — ARIMA | На ежемесячных значениях цен на WTI сравнивал точность прогнозирования с использованием моделей линейной ARIMA, нелинейных искусственных нейронных сетей, нелинейных моделей нечеткой логики (Fuzzy System Models (FSM)) |
W. Xie et al. (2006) ИЦ — 1 730 000 | Модель временных рядов | Точность прогнозов цен на WTI с помощью методов: ARIMA, SVN, ANN |
S. M. Kang et al. (2009) ИЦ — 597 000 | Модель временных рядов авторегрессионная — GARCH | На базе нефти марки Brent и WTI — точность прогнозов различных моделей GARCH |
Автор, индекс цитирования (ИЦ) | Модель | Характеристика |
Vo (2009) ИЦ — 517 000 | Модель временных рядов авторегрессионная — GARCH | для WTI — прогнозные возможности моделей MSSV, SV, MS, GARCH |
W.Abel 1935 ИЦ — 763 000 | Стохастические нелинейные модели прогнозирования временных рядов цен на сырье (общая модель) — на долгосрочном горизонте прогнозирования. Рассматривает динамику цен на сырье с позиций стохастической природы, подверженности структурным, политическим и техногенным шокам | Различные сырьевые рынки и математические исследования в области анализа временных рядов |
Lewis (1949) ИЦ — 386 000 | Прогнозирование цен на газ и погодные условия | |
Duncan ИЦ — 152 000 | Прогнозирование долгосрочной динамики цен для оценки инвестиций в сырьевые отрасли (добыча энергетических и минеральных ресурсов) | |
L. D. Brown ИЦ — 1040 000 | Стохастические нелинейные модели прогнозирования, рассматривающие динамику цен на сырье с позиций влияния инфляции, процентных ставок и других монетарных факторов — на долгосрочном горизонте прогнозирования | Динамика цен на сырье, корректируемая монетарными факторами — динамикой процента и связанной с ней инвестиционной привлекательностью финансовых инструментов в противовес ликвидным биржевым товарам. Политика низких процентных ставок является сильным фактором роста цен на сырье |
Bai and Perron (1998) ИЦ — 6130 | Стохастические нелинейные модели прогнозирования, построенные на анализе временных шоков и их последствий — на долгосрочном горизонте прогнозирования | Анализ временных разрывов и структурных разломов |
Mills (1927, 1936) ИЦ—85100 | Стохастические нелинейные модели прогнозирования временных рядов цен с использованием бизнесциклов — на среднесрочном горизонте прогнозирования | Структурный и спектральный анализ временных рядов |
Автор, индекс цитирования (ИЦ) | Модель | Характеристика |
Marquez (1984) ИЦ—89100 | Стохастические нелинейные модели прогнозирования, рассматривающие динамику цен на сырье с позиций влияния природных условий | Структурный и спектральный анализ временных рядов |
Модели искусственного интеллекта | ||
A. Azadeh (2012) ИЦ — 5620 | Модели на базе ANN, горизонт прогнозирования — один год | Искусственные нейронные сети с методами нечеткого регрессионного анализа и обычного регрессионного анализа, ANN+ FR+ CR |
Mingming T. & Jinli- ang Z. (2009) ИЦ — 251 | Модели на базе BPNN, краткосрочная | Многоуровневая рекуррентная нейронная сеть10 с Вейвлет-функциями (Multiple wavelet recurrent neural network, (MWRNN)) = Wavelet function + RNN+ BPNN. Динамическая модель |
Xie W., Yu L., Xu S., & Wang S. (2006) ИЦ — 540 000 | Модели на базе Support vector machine (SVM), Горизонт прогнозирования — один месяц | Модель демонстрирует лучшие результаты, чем применение к входным данным модели ARIMA и BPNN, однако слабо учитывает нерегулярные (неожиданные) события |
Liu J., Bai Y., & Li B. (2007) ИЦ — 739 000 | Модели на базе FNN, Горизонт прогнозирования — один день | Нейронные сети с нечеткой логикой (Fuzzy neural network) + NN с радиально-базисными функциями (RBF) + Цепи Маркова (Markov chain) + Вейвлет-функции (wavelet analysis) |
L. Yu et al. (2007, 2008) ИЦ — 438 000 | Модели искусственного интеллекта: FNN | Multi Scale Neural Network (EMD-FNN-ALNN) для прогноза WTI и Brent: (ценовой ряд раскладывается на составляющие с их обработкой Feedforward neural network (FNN) с последующим выделением корреляций их обработкой Adaptive Linear Neural Network (ALNN) |
M. A. Kaboudan (2001) ИЦ — 570 | Модели искусственного интеллекта: GP, краткосрочный | Genetic Programming (GP) + ANN |
Yu L., Wang S., & Lai K. ИЦ—45500 | Модели на базе FNN, краткосрочный | Multi Scale Neural Network (EMD-FNN-ALNN): |
Качественные модели прогнозирования | ||
Nelson et al. ИЦ — 9890 | Модель Калифорнийской энергетической комиссии (California Energy Commission) | Delphi method |
Abramson B. & Finizza A. ИЦ—15600 | Модель Atlantic Richfiel Company, ARCO 1, 2 | Belief networks, BN (байесовские сети) |
Автор, индекс цитирования (ИЦ) | Модель | Характеристика |
Комбинированные модели на базе knowledge-based forecasting system | ||
Yu et al.[200] [201] (2009): ИЦ — 3130 | Система прогнозирования, основанная на знаниях Rough set Refined Text Mining (RSTM). Горизонт прогнозирования — еженедельно | В сравнении с регрессионными моделями и моделями временных рядов, а также ANN показывает лучшие прогнозные возможности |
Abdullah S. N. & Zeng X. (2010)12 ИЦ — 1590 | (ANN-Q) модель. Горизонт прогнозирования — 1 месяц | Взаимодействие пяти отдельных моделей (1) Hierarchical Conceptual model (HC); (2) (ANN-Q) model; (3) Linguistic Prediction Mode (4) Rule-Based Expert Model (5) Hybridisation of Linguistic and Quantitative (LQ) model |
S. Wang, L. Yu, K. K. Lai (2005)13: ИЦ — 4050 | Сложная комбинированная модель, построенная на нейронных сетях и технологиях Web-Based Text Mining (WTM). Горизонт прогнозирования — ежедневно | ANN+ BPNN+ RES+ Web-Based Text Mining (WTM) + TEI@I |
Ghaffari A., & Zare S (2009)14 ИЦ — 297 | Комбинация методов — Adaptive Neuro Fuzzy Inference Systems (ANFIS). Горизонт прогнозирования — еже дневно | (ANN +fuzzy logic) |
9 Модель американского энергетического рынка, представляющая результаты прогнозирования по угольному рынку, рынку электроэнергии, рынку нефти, газа, возобновляемых источников энергии. Дополнительные прогнозные модули — транспортный, жилой, производственный, коммерческий сектор, транспортировка энергоресурсов.
10 Рекуррентная нейронная сеть (Recursive Neural Network) — нейронная сеть с обратными связями. Представляет динамическую систему, имеющую собственную динамику. Состояние такой системы определяется исходным состоянием и входящими сигналами. Обладает «бесконечной памятью».
11 Yi Y., Qin, N. Oil Price Forecasting Based on Self-organizing Data Mining / Grey Systems and Intelligent Services. GSIS 2009. IEEE International Conference. . P. 1386—1390.
12 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.
13 Wang S., Yu L., Lai K. K. Crude Oil Price Forecasting with TEI@I Methodology // Journal of Systems Science and Complexity. Vol. 18. No. 2. P. 145—165.
14 Ghaffari, A., Zare S. A Novel Algorithm for Prediction of Crude Oil Price Variation Based on Soft computing // Energy Economics 31(4). 2009. P. 531—536.
Обобщение карты моделей прогнозирования цен на сырье составленной по именам авторов приведено на рис. 2.18—2.21.
Рис. 2.18. Первые 10 авторских моделей по индексу цитируемости (группа «Модели равновесия»)
Рис. 2.19. Первые 10 авторских моделей по индексу цитируемости (группа «Временные ряды»)
Рис. 2.20. Первые 10 авторских моделей по индексу цитируемости (группа «Модели искусственного интеллекта и модели, основанные на системе знаний», включая гибридные и экспертные модели)
Рис. 2.21. Первые 35 авторских моделей прогнозирования цен на сырье по индексу
цитируемости: ВР — модель временных рядов; ЧР — модели частичного равновесия;
NN — модели искусственного интеллекта (нейронные сети и SVM); КВ — модели, построенные на системе знаний
2.5.3.
Еще по теме Цены на сырье:
- Инфляция как фактор роста цены на сырье
- Мировые цены на сырье
- Денежная политика и цены на сырье и активы
- Выводы по оценке достоверности прогнозов на цены на сырье
- Ключевые факторы и причинно-следственные связи, формирующие мировые цены на сырье
- 20. Сущность,структура, виды и функции цены. Механизм формирования равновесной цены.
- 2.5. Рыночные и гарантированные цены. Целевые цены
- Теория цены товара. Равновесные цены
- Изменения в механизме формирования цен на сырье
- Временная структура факторов, формирующих цену на сырье
- Системные ошибки в прогнозах цен на сырье
- Макроэкономическая потребность в сырье и в улучшении качества окружающей среды.
- Сырье