Анализ качественных свойств прогнозов цен на нефть и нефтепродукты с использованием различных схем прогнозирования
DOI:
https://doi.org/10.22394/1993-7601-2025-80-5-25Ключевые слова:
прогнозирование, псевдовневыборочный прогноз, скользящее среднее, скользящая схема, скользящее окно, рекурсивная схема, оценка качества прогноза, нефть, нефтепродукты, ценыАннотация
Ценовые показатели чаще всего являются нестационарными случайными процессами. Следствием этого является то, что с теоретической точки зрения наилучшим прогнозом служит последнее известное значение. В данной статье на примере фьючерсных цен на нефть и нефтепродукты рассматриваются различные подходы к построению псевдовневыборочных прогнозов. На простых эконометрических моделях (различные варианты случайного блуждания, скользящее среднее, модели линейного тренда, ARIMA) были проанализированы прогнозные свойства рекурсивной и скользящей схемы прогнозирования. По результатам исследования скользящая схема прогнозирования чаще показывала лучшие результаты, чем рекурсивная. Наиболее универсальными моделями для прогнозирования цен нефти и нефтепродуктов стали: модель линейного тренда, построенная по скользящей схеме прогнозирования с окном 6 лет; модель ARIMA, построенная по скользящей схеме прогнозирования с окнами 8 и 9 лет. Отмечается среднее ухудшение качества прогноза относительно наивного прогноза при увеличении прогнозного периода с 24 до 60 месяцев.Организации
Статья написана в рамках НИР Госзадания РАНХиГС 2025 г.Скачивания
Библиографические ссылки
Астафьева Е. В., Турунцева М. Ю. (2023). Анализ возможностей улучшения качества прогнозов цен на природные ресурсы методами комбинирования на основе регрессионных оценок весов. Экономическое развитие России, 30 (12), 24–33.
Астафьева Е. В., Турунцева М. Ю. (2024). Повышение качества прогнозирования простейшими методами комбинирования отдельных прогнозов. Прикладная эконометрика, 2 (74), 78–103. DOI: 10.22394/1993-7601-2024-74-78-103.
Аганин А. Д., Маневич В. А., Пересецкий А. А., Погорелова П. В. (2023). Сравнение моделей прогноза волатильности криптовалют и фондового рынка. Экономический журнал Высшей школы экономики, 27 (1), 49–77. DOI: 10.17323/1813-8691-2023-27-1-49-77.
Amor L. B., Lahyani I., Jmaiel M. (2016). Recursive and rolling windows for medical time series forecasting: A comparative study. In: 2016 IEEE Intl Conference on Computational Science and Engineering (CSE) and IEEE Intl Conference on Embedded and Ubiquitous Computing (EUC) and 15th Intl Symposium on Distributed Computing and Applications for Business Engineering (DCABES), 106–113. DOI: 10.1109/CSE-EUC-DCABES.2016.169.
Baumeister C., Kilian L. (2014). What central bankers need to know about forecasting oil prices. International Economic Review, 55(3), 869–889. DOI: 10.1111/iere.12074.
Baumeister C., Kilian L. (2015). Forecasting the real price of oil in a changing world: A forecast combination approach. Journal of Business & Economic Statistics, 33 (3), 338–351. DOI: 10.1080/07350015.2014.949342.
Black A. J., Klinkowska O., McMillan D. G., McMillan F. J. (2014). Forecasting stock returns: Do commodity prices help? Journal of Forecasting, 33 (8), 627–639. DOI: 10.2139/ssrn.2467095.
Cai Z., Juhl T. (2023). The distribution of rolling regression estimators. Journal of Econometrics, 235 (2), 1447–1463. DOI: 10.1016/j.jeconom.2022.12.001.
Clark T. E., McCracken M. W. (2009). Improving forecast accuracy by combining recursive and rolling forecasts. International Economic Review, 50 (2), 363–395. DOI: 10.1111/j.1468-2354.2009.00533.x.
Guidolin M., McMillan D. G., Wohar M. E. (2013). Time varying stock return predictability: Evidence from US sectors. Finance Research Letters, 10 (1), 34–40. DOI: 10.1016/j.frl.2012.07.002.
Hamilton J. D. (2013). Historical oil shocks. In: Routledge Handbook of Major Events in Economic History, 239–265. DOI: 10.4324/9780203067871.ch21.
Hamilton J. D. (1983). Oil and the macroeconomy since World War II. Journal of Political Economy, 91 (2), 228–248. DOI: 10.1086/261140.
Inoue A., Jin L., Rossi B. (2017). Rolling window selection for out-of-sample forecasting with time-varying parameters. Journal of Econometrics, 196 (1), 55–67. DOI: 10.1016/j.jeconom.2016.03.006.
Kilian L., Vigfusson R. J. (2017). The role of oil price shocks in causing US recessions. Journal of Money, Credit and Banking, 49 (8), 1747–1776. DOI: 10.1111/jmcb.12430.
Makridakis S., Spiliotis E., Assimakopoulos V. (2020). The M4 competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36 (1), 54–74. DOI: 10.1016/j.ijforecast.2019.04.014.
Makridakis S., Spiliotis E., Assimakopoulos V. (2022). M5 accuracy competition: Results, findings, and conclusions. International Journal of Forecasting, 38 (4), 1346–1364. DOI: 10.1016/j.ijforecast.2021.11.013.
Makridakis S., Spiliotis E., Hollyman R., Petropoulos F., Swanson N., Gaba A. (2025). The M6 forecasting competition: Bridging the gap between forecasting and investment. International Journal of Forecasting, 41 (4), 1315–1354. DOI: 10.1016/j.ijforecast.2024.11.002.
McMillan D. G. (2018). Forecasting stock returns — historical mean vs. dividend yield: Rolling regressions and time-variation. Predicting Stock Returns: Implications for Asset Pricing, 27–56. DOI: 10.1007/978-3-319-69008-7_3.
Morales-Arias L., Moura G. V. (2013). Adaptive forecasting of exchange rates with panel data. International Journal of Forecasting, 29 (3), 493–509. DOI: 10.1016/j.ijforecast.2012.10.007.
Sahiner M. (2022) Forecasting volatility in Asian financial markets: Evidence from recursive and rolling window methods. SN Business & Economics, 2 (10), 157. DOI: 10.1007/s43546-022-00329-9.
Smyl S. (2020). A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting. International Journal of Forecasting, 36 (1), 75–85. DOI: 10.1016/j.ijforecast.2019.03.017.
Stock J. H., Watson M. W. (2003). Forecasting output and inflation: The role of asset prices. Journal of Economic Literature, 41 (3), 788–829. DOI: 10.1257/jel.41.3.788.
Wang X., Hyndman R. J., Li F., Kang Y. (2023). Forecast combinations: An over 50-year review. International Journal of Forecasting, 39 (4), 1518–1547. DOI: 10.1016/j.ijforecast.2022.11.005.
West K. D. (2006). Forecast evaluation. Handbook of Economic Forecasting, 1, 99–134. DOI: 10.1016/s1574-0706(05)01003-7.
Zivot E., Wang J. (2003). Rolling analysis of time series. In: Modeling Financial Time Series with S-Plus, 299–346. Springer. DOI: 10.1007/978-0-387-21763-5_9.
Astafyeva E. V., Turuntseva M. Yu. (2023). Analysis of opportunities to improve the quality of natural resource price by combining forecasts resulting from methods based on regression estimates of weights. Econicheskoe razvitie Rossii, 30 (12), 24–33 (in Russian).
Astafyeva E. V., Turuntseva M. Yu. (2024). Forecast evaluation improving using the simplest methods of individual forecasts’ combination. Applied Econometrics, 2 (74), 78–103 (in Russian). DOI: 10.22394/1993‑7601‑2024‑74‑78‑10
Aganin A., Manevich V., Peresetsky A., Pogorelova P. (2023). Comparison of cryptocurrency and stock market volatility forecast models. HSE Economic Journal, 27 (1), 49–77 (in Russian). DOI: 10.17323/1813‑8691‑2023‑27‑1‑49‑77.
Amor L. B., Lahyani I., Jmaiel M. (2016). Recursive and rolling windows for medical time series forecasting: A comparative study. In: 2016 IEEE Intl Conference on Computational Science and Engineering (CSE) and IEEE Intl Conference on Embedded and Ubiquitous Computing (EUC) and 15th Intl Symposium on Distributed Computing and Applications for Business Engineering (DCABES), 106–113. DOI: 10.1109/CSE-EUC-DCABES.2016.169.
Baumeister C., Kilian L. (2014). What central bankers need to know about forecasting oil prices. International Economic Review, 55(3), 869–889. DOI: 10.1111/iere.12074.
Baumeister C., Kilian L. (2015). Forecasting the real price of oil in a changing world: A forecast combination approach. Journal of Business & Economic Statistics, 33 (3), 338–351. DOI: 10.1080/07350015.2014.949342.
Black A. J., Klinkowska O., McMillan D. G., McMillan F. J. (2014). Forecasting stock returns: Do commodity prices help? Journal of Forecasting, 33 (8), 627–639. DOI: 10.2139/ssrn.2467095.
Cai Z., Juhl T. (2023). The distribution of rolling regression estimators. Journal of Econometrics, 235 (2), 1447–1463. DOI: 10.1016/j.jeconom.2022.12.001.
Clark T. E., McCracken M. W. (2009). Improving forecast accuracy by combining recursive and rolling forecasts. International Economic Review, 50 (2), 363–395. DOI: 10.1111/j.1468-2354.2009.00533.x.
Guidolin M., McMillan D. G., Wohar M. E. (2013). Time varying stock return predictability: Evidence from US sectors. Finance Research Letters, 10 (1), 34–40. DOI: 10.1016/j.frl.2012.07.002.
Hamilton J. D. (2013). Historical oil shocks. In: Routledge Handbook of Major Events in Economic History, 239–265. DOI: 10.4324/9780203067871.ch21.
Hamilton J. D. (1983). Oil and the macroeconomy since World War II. Journal of Political Economy, 91 (2), 228–248. DOI: 10.1086/261140.
Inoue A., Jin L., Rossi B. (2017). Rolling window selection for out-of-sample forecasting with time-varying parameters. Journal of Econometrics, 196 (1), 55–67. DOI: 10.1016/j.jeconom.2016.03.006.
Kilian L., Vigfusson R. J. (2017). The role of oil price shocks in causing US recessions. Journal of Money, Credit and Banking, 49 (8), 1747–1776. DOI: 10.1111/jmcb.12430.
Makridakis S., Spiliotis E., Assimakopoulos V. (2020). The M4 competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36 (1), 54–74. DOI: 10.1016/j.ijforecast.2019.04.014.
Makridakis S., Spiliotis E., Assimakopoulos V. (2022). M5 accuracy competition: Results, findings, and conclusions. International Journal of Forecasting, 38 (4), 1346–1364. DOI: 10.1016/j.ijforecast.2021.11.013.
Makridakis S., Spiliotis E., Hollyman R., Petropoulos F., Swanson N., Gaba A. (2025). The M6 forecasting competition: Bridging the gap between forecasting and investment. International Journal of Forecasting, 41 (4), 1315–1354. DOI: 10.1016/j.ijforecast.2024.11.002.
McMillan D. G. (2018). Forecasting stock returns — historical mean vs. dividend yield: Rolling regressions and time-variation. Predicting Stock Returns: Implications for Asset Pricing, 27–56. DOI: 10.1007/978-3-319-69008-7_3.
Morales-Arias L., Moura G. V. (2013). Adaptive forecasting of exchange rates with panel data. International Journal of Forecasting, 29 (3), 493–509. DOI: 10.1016/j.ijforecast.2012.10.007.
Sahiner M. (2022) Forecasting volatility in Asian financial markets: Evidence from recursive and rolling window methods. SN Business & Economics, 2 (10), 157. DOI: 10.1007/s43546-022-00329-9.
Smyl S. (2020). A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting. International Journal of Forecasting, 36 (1), 75–85. DOI: 10.1016/j.ijforecast.2019.03.017.
Stock J. H., Watson M. W. (2003). Forecasting output and inflation: The role of asset prices. Journal of Economic Literature, 41 (3), 788–829. DOI: 10.1257/jel.41.3.788.
Wang X., Hyndman R. J., Li F., Kang Y. (2023). Forecast combinations: An over 50-year review. International Journal of Forecasting, 39 (4), 1518–1547. DOI: 10.1016/j.ijforecast.2022.11.005.
West K. D. (2006). Forecast evaluation. Handbook of Economic Forecasting, 1, 99–134. DOI: 10.1016/s1574-0706(05)01003-7.
Zivot E., Wang J. (2003). Rolling analysis of time series. In: Modeling Financial Time Series with S-Plus, 299–346. Springer. DOI: 10.1007/978-0-387-21763-5_9.
