<<
>>

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.

<< | >>
Источник: Международная практика прогнозирования мировых цен на финансовых рынках (сырье, акции, курсы валют) / под ред. Я. М. Миркина. — М. : Магистр,2014. — 456 с.. 2014

Еще по теме Цены на сырье:

  1. Инфляция как фактор роста цены на сырье
  2. Мировые цены на сырье
  3. Денежная политика и цены на сырье и активы
  4. Выводы по оценке достоверности прогнозов на цены на сырье
  5. Ключевые факторы и причинно-следственные связи, формирующие мировые цены на сырье
  6. 20. Сущность,структура, виды и функции цены. Механизм формирования равновесной цены.
  7. 2.5. Рыночные и гарантированные цены. Целевые цены
  8. Теория цены товара. Равновесные цены
  9. Изменения в механизме формирования цен на сырье
  10. Временная структура факторов, формирующих цену на сырье
  11. Системные ошибки в прогнозах цен на сырье
  12. Макроэкономическая потребность в сырье и в улучшении качества окружающей среды.
  13. Сырье