Нейронные сети для прогнозирования переходов рыночных режимов: эмпирическое исследование на рынке нефти

   В статье рассматривается задача автоматического прогнозирования переходов между различными рыночными режимами на рынке нефти с помощью нейросетевых моделей. Для анализа использованы данные по ценам нефти марки Brent за 2000–2025 гг. Классификация периодов рынка выполняется на основе скользящих статистик – волатильности, асимметрии и эксцесса, что позволяет автоматически выделять стабильные, волатильные и кризисные фазы. Сравнивается эффективность трех типов рекуррентных нейронных сетей: Simple RNN, LSTM и GRU. Выявлено, что более сложные архитектуры (LSTM, GRU) существенно превосходят базовую RNN по точности и полноте обнаружения событий смены режима. Авторы подчеркивают значение инженерии rolling-признаков и демонстрируют, что такой подход обеспечивает устойчивость и адаптивность моделей к изменчивости рынка. Результаты исследования показывают перспективность глубоких нейронных сетей для задач мониторинга и раннего предупреждения рыночных событий. В заключение обсуждаются ограничения подхода и направления дальнейших исследований, включая интеграцию внешних данных и развитие методов объяснимого искусственного интеллекта.

1. Зямалов В. Е. Использование многорежимных моделей для моделирования динамики финансовых временных рядов // Экономическое развитие России. – 2022. – № 5. – С. 13–19.

2. Латыпова Р. Р. Прогнозирование макроэкономических показателей на основе рекуррентной нейронной сети // Известия СПбГЭУ. – 2025. – № 1 (151). – C. 104–108.

3. Суворов В. А. Нейросетевое прогнозирование дебита нефти на этапе выработки запасов // Инновационная наука. – 2024. – № 4-1. – C. 65–73.

4. Alruqimi M., Di Persio L. Enhancing Multi-Step Brent Oil Price Forecasting with Ensemble Multi-Scenario Bi-GRU Networks // arXiv:2407.11267v1. – 2024. – July 15.

5. An S., Gao X., An F., Wu T. Early Warning of Regime Switching in a Complex Financial System from a Spillover Network Dynamic Perspective // iScience. – 2025. – Vol. 28. – P. 111924.

6. Awijen H., Ben Ameur H., Ftiti Z., Louhichi W. Forecasting Oil Price in Times of Crisis: a New Evidence from Machine Learning Versus Deep Learning Models // Annals of Operations Research. – 2023. – Vol. 345. – P. 979–1002.

7. Chollet F. Deep Learning with Python. – 2nd ed. – Shelter Island : Manning Publications, 2021.

8. Foroutan P., Lahmiri S. Deep Learning Systems for Forecasting the Prices of Crude Oil and Precious Metals // Financial Innovation. – 2024. – Vol. 10. – N 1. – P. 1–40.

9. Fu X. Oil Price Forecasting Model Based on GARCH-LSTM Model // Frontiers in Business, Economics and Management. – 2023. – Vol. 10. – P. 28–31.

10. Li Q., Guo L., Wang J., Li X., Bai X. Oil Price Forecasting: a Hybrid GRU Neural Network Based On Variational Mode Decomposition // Energy Reports. – 2023. – Vol. 9. – P. 3185–3197.

11. Lin S., Wang Y., Wei H., Wang X., Wang Z. Hybrid Method for Oil Price Prediction Based on Feature Selection and XGBOOST-LSTM // Energies. – 2025. – Vol. 18. – P. 2246.

12. Ly R., Traore F., Dia K. Forecasting Commodity Prices Using Long Short-Term Memory Neural Networks // arXiv:2101.03087v1. – 2021. – January 11.

13. Ma F., Wahab M. I. M., Huang D., Xu W. Forecasting the Realized Volatility of the Oil Futures Market: a Regime Switching Approach // Energy Economics. – 2017. – Vol. 67. – DOI: 10.1016/j.eneco.2017.08.004.

14. Mari D., Mari M. Deep Learning Based Regime-Switching Models of Energy Commodity Prices // Energy Systems. – 2022. – Vol. 13. – P. 359–376.

15. Ribeiro M., Singh S., Guestrin C. "Why Should I Trust You?": Explaining the Predictions of any Classifier // Proceedings of the 22^nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining – KDD '16. – ACM Press, 2016. – P. 1135–1144.

16. Shahbazbagian V., Hosseininesaz H., Shafie-khah M., Elmusrati M. Forecasting Crude Oil Prices Using a Hybrid Model Combining Long Short-Term Memory Neural Networks and Markov Switching Model // International Conference on Future Energy Solutions (FES). – Vaasa, United States: University of Vaasa, 2023. – P. 1–6.

17. Tan Z., Wu Y. On Regime Switching Models // Mathematics. – 2025. – Vol. 13. – P. 1128.

18. Yang K., Hu N., Tian F. Forecasting Crude Oil Volatility Using the Deep Learning-Based Hybrid Models with Common Factors // Journal of Futures Markets. – 2024. – Vol. 44. – P. 1429–1446.

19. Zhang K., Hong M. Forecasting Crude Oil Price Using LSTM Neural Networks // Data Science in Finance and Economics. – 2022. – Vol. 2. – P. 163–180.

20. Zhao Y., Hu B., Wang S. Prediction of Brent Crude Oil Price Based on LSTM Model under the Background of Low-Carbon Transition // arXiv:2409.12376v1. – 2024. – September 19.