Эконометрическое моделирование цен на нефть Текст научной статьи по специальности «Экономика и бизнес»

2. Федеральный закон «Об аудиторской деятельности» от 30.12.08 №307 - ФЗ //СПС Гарант.

© О.С. Аксёнова, С. В. Воробьев ,2016

УДК 330.43

Р.А. Актальчиков

Студент группы 14Эк(ба)БСт Финансово-экономический факультет Оренбургский государственный университет г. Оренбург, Российская Федерация

ЭКОНОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ ЦЕН НА НЕФТЬ

Аннотация

В современном мире нефть является главным сырьевым товаром. Мировой рынок нефти и нефтепродуктов представляет собой крайне чувствительную систему. Состояние рынка нефти зависит от множества факторов: политической и экономической ситуации, сезонных факторов и т.д. На сегодняшний день торговля нефтью ведется в основном в целях спекуляции и извлечения прибыли, а доля продаж и покупок с физической поставкой составляет всего 1% рынка. Возможность точного прогнозирования цен определяет рациональное планирование расходов и объемов производства в масштабах государства, что определяет актуальность данной темы.

Ключевые слова

Нефть, цены, анализ, временные ряды, методы прогнозирования, эконометрика.

В настоящее время мировой рынок нефти характеризуется переизбытком предложения и слабым спросом. Такой дисбаланс приводит к снижению цен на нефть, что в свою очередь низкие цены негативно сказываются на доходах стран-экспортеров нефти. Следовательно, столь низкие цены негативно влияют и на темпы экономического роста в РФ, способствуя сильному замедлению экономики, либо вовсе её спаду.

В связи с вышесказанным, опираясь на мнение таких авторов как: Гурвиц Ю.Б. [2], Лебедев В.А. [3], Линник Ю.Н. [4], Павлова М.И. [5], Цыпин А.П. [6, 7] и др., проведем анализ динамики мировых цен на нефть и постараемся оценить адекватные прогнозы дальнейшей тенденции рассматриваемого показателя.

Перейдем к анализу временного ряда и построению моделей прогнозирования. Данный ряд является нестационарным, что подтверждает расширенный тест Дики-Фуллера: Dickey-Fuller = -2.0354, p-value = 0.5618.

Однако, в то же время можно и утверждать, что разности первого порядка данного ряда стационарны. Для подтверждения данной гипотезы также используем расширенный тест Дики-Фуллера, в данном случае проверяя ряд первых разностей. Итоги: Dickey-Fuller = -8.2103, p-value = 0.01. Следовательно, это интегрированный временной ряд первого порядка.

Для того, чтобы построить модель прогнозирования временного ряда следует привести имеющиеся данные к нормальному распределению. Сделать это возможно с помощью однопараметрического преобразования Бокса-Кокса, которое стабилизирует дисперсию и приводит данные к распределению, близкому к нормальному. После преобразования имеющихся данных следует перейти к экстраполяции. Методологическую базу для прогнозирования цен на нефть дают авторы Niaz Bashiri Behmiri и José R. Pires Manso. В своей исследовательской работе [1] они говорят о том, что для краткосрочных прогнозов предпочтительнее всего использовать модель Бокса-Дженкинса, более известную как ARIMA. Для более долгосрочных прогнозов возможно применение метода экспоненциального сглаживания.

Применение методологии Бокса-Дженкинса обусловлено тем, что ряд является интегрированным

временным рядом первого порядка.

В качестве базы для анализа и определения нужной модели были выбраны данные за период с 30 июня 2015 года по 1 января 2016 года. На основе исходных данных оптимальными параметрами модели были выбраны (0,1,0) с учетом тренда. Построим прогнозную оценку на 100 последующих наблюдений, то есть на 100 торговых дней вперед (5 торговых месяцев) от 4 января 2016 года до июня 2016 года. Такой период вписывается в краткосрочные рамки использования модели АММА. График спрогнозированных значений представлен на рисунке 2.

Рисунок 1 - Прогноз цен на нефть по модели АММА (0,1,0)

Для проверки существования автокорреляции в остатках спрогнозированного временного ряда модели АММА можно использовать Q - тест Льюнга-Бокса. Результат теста: X-squared = 17.735, р-уа1ие = 0.6049. Так как значение р-уа1ие достаточно велико, принимается гипотеза Н0, которая говорит о том, что остатки во временном ряду являются случайными. Остатки ряда также имеют нормальное распределение со средней величиной, близкой к нулю. Учитывая все вышеперечисленное можно сказать, что полученная прогнозная модель АММА (с учетом доверительных интервалов), является адекватной.

Перейдем к долгосрочному прогнозированию. Для этих целей наилучшим образом подходит метод экспоненциального сглаживания Хольта-Уинтерса, поскольку он способен обнаруживать микротренды (тренды, которые относятся к коротким периодам) в моменты времени, непосредственно предшествующие прогнозным, а затем экстраполировать эти тренды на будущие периоды.

Так как основной целью является средне/долгосрочный прогноз, то удобнее всего работать с месячными данными. Для начала определим параметры сглаживания а, в и у, отражающие оценочные значения для уровня, тренда и сезонной составляющей. Результаты следующие: а1рЬа=1, Ье1а=0, gamma=0. Значение а = 1 высокое и говорит о том, что оценка текущего значения уровня основана главным образом на самых последних наблюдениях во временном ряду. Это значение хорошо согласовывается с логической оценкой, ведь уровень ряда сильно изменяется с течением времени. Значения в = 0 и у = 0 свидетельствуют о том, что оценки наклона компоненты тренда и сезонной составляющей не обновляются на протяжении временного ряда, а вместо этого фиксируются на исходных значениях. Построим прогнозную оценку на ближайшие 2 года, начиная с 4 января 2016 года. Результат построения представлен на рисунке 2.

Как и в случае с моделью АММА, проверим данную модель на существование автокорреляции в остатках временного ряда. Для этого используем все тот же тест Льюнга-Бокса, который показал следующие результаты: X-squared = 56.711, р-уа1ие=2.271е-05. Так как значение р-уа1ие крайне мало и равняется 0.00002271, это указывает на то, что гипотеза Н0 отклоняется и принимается альтернативная гипотеза Н1. Эта гипотеза говорит о том, что данные не являются случайными, а значит в остатках временного ряда существует ненулевая автокорреляция.

Forecasts from HoltWinters

1990 1995 2000 2005 2010 2015

Рисунок 2 - Прогноз цен на нефть на основе модели экспоненциального сглаживания Хольта-Уинтерса

Остатки ряда также имеют стандартное нормальное распределение. Все факторы в данном случае говорят об адекватности спрогнозированных значений. Стоит также отметить, что графически модель выглядит достаточно правдоподобно, и прослеживается её характерная черта, заключающаяся в дублировании последних выявленных микротрендов в ряду на будущие периоды.

Итак, для прогнозирования цен на нефть были построены две модели, одна из которых более подходит для краткосрочных прогнозов, а вторая - для долгосрочных. В настоящий промежуток времени представляется возможным сравнить фактические данные за три месяца с начала 2016 года с теми спрогнозированными значениями, что выдали обе модели. В сравнении данных за 3 месяца было выявлено, что в модели ARIMA максимальное отклонение оцененных значений от фактических составляет 34,10%, что довольно неплохо. Разумеется, это не говорит о том, что данную модель можно использовать на практике для прогнозирования цен и на основе прогнозов планировать будущие доходы или расходы компаний в каком-либо секторе экономики.

Что касается сравнения прогнозных значений модели экспоненциального сглаживания Хольта-Уинтерса с фактическими, то за первые три месяца 2016 года максимальное отклонение прогнозных значений от фактических данных составило 6,1%, что является хорошим результатом в плане точности модели. Основываться на модели с такой степенью точности более оправдано экономически.

Таким образом, метод экспоненциального сглаживания Хольта-Уинтерса продемонстрировал более точные результаты, чем модель ARIMA. Прогнозные оценки до конца 2017 года по модели Хольта-Уинтерса предполагают колебания цен на нефть в интервале от 30 до 35 долларов за баррель. Насколько оправдается долгосрочный прогноз модели Хольта-Уинтерса, - покажет время.

При этом необходимо обратить внимание на то, что сложившиеся в данный момент экономическая и политическая ситуации в мире фундаментально оправдывают оба приведенных выше прогноза.

Таким образом мы определили, что цены на нефть, с некоторой степенью точности, вполне поддаются прогнозированию, а не регулируются случайными параметрами, недоступными для статистической оценки. Список использованной литературы:

1. Behmiri N. B., Pires Manso J. R. Crude Oil Price Forecasting Techniques: a Comprehensive Review of Literature / Chartered Alternative Investment Analyst Association. Q4 2013. Vol. 2. Issue 3. - P. 30-50

2. Гурвиц Ю.Б. Моделирование и прогнозирование цен на нефть / Ю.Б. Гурвиц // Актуальные проблемы гуманитарных и естественных наук. - 2013. - № 1. - С. 94-98.

3. Лебедев В.А. Возможность прогнозирования кризисных явлений на мировом рынке цен на нефть и газ на основе корреляционного анализа / В.А. Лебедев, Б.И. Спесивцев // Записки Горного института. - 2015. Т. 213. - С. 94-99.

4. Линник Ю.Н. Разработка адаптивных эконометрических моделей прогнозирования цены на нефть на

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №4/2016 ISSN 2410-6070_

краткосрочную перспективу / Ю.Н. Линник и др. // Горный журнал. - 2014. - № 12. - С. 36-39.

5. Павлова М.И. Анализ динамики цены на нефть и ее прогнозирование / М.И. Павлова, А.Г. Парамеев // Экономика и предпринимательство. - 2014. - № 12-4 (53-4). - С. 481-483.

6. Цыпин А.П. Методика статистического исследования макроэкономической динамики на основе исторических временных рядов / А.П. Цыпин // Экономика и предпринимательство. - 2013. - № 10 (39). - С. 282-288.

7. Цыпин А.П. Периодизация временного ряда добычи нефти в России / А.П. Цыпин // Инфраструктурные отрасли экономики: проблемы и перспективы развития: сборник материалов V Международной научно-практической конференции. - Новосибирск : Изд-во ИГТУ, 2014. - С. 151-156.

© Актальчиков Р.А., 2016

УДК 368

З. Ф. Шарифьянова

к.э.н.. , доцент О. Р. Александрова

Финансовый университет при правительстве РФ - Уфимский филиал

Г. Уфа, Российская Федерация

SWOT-АНАЛИЗ РАЗВИТИЯ АГРОСТРАХОВАНИЯ В РОССИЙСКОЙ ФЕДЕРАЦИИ

Аннотация

В статье раскрываются сущность и значение сельскохозяйственного страхования в России, а также слабые и сильные стороны агрострахования, возможности и вероятные угрозы.

Ключевые слова

Агрострахование, сельское хозяйство, агропромышленный комплекс, сельхозтоваропроизводитель, госсубсидия, страхование с господдержкой, сильные и слабые стороны, возможности, угрозы.

Главной целью агрострахования является обеспечение оказания необходимых и приемлемых для всех сельхозтоваропроизводителей услуг по различным видам страхования, а также обеспечение безопасности сельхозпроизводства от многообразных рисков. С начала 21 века в страховании агропромышленного комплекса России государство значительно продвинулось. Опыт и достижения европейских стран способствовали становлению системы агрострахования. Правительство провело очень серьезную и кропотливую работу по совершенствованию и развитию страхования в агропромышленном секторе. Это и создание Министерством сельского хозяйства в 2003 году «Федерального агентства по государственной поддержке страхования в сфере агропромышленного производства», и конечно же Федеральный закон № 264 «О развитии сельского хозяйства» в 2006 г (50 % премии субсидируется государством). Это и различные программы поддержки агропромышленного комплекса. В них описываются основные проблемы агрострахования в России, задачи и принципы совершенствования.

Вскоре после катастрофической засухи в 2010 году, которая стала причиной массовых пожаров во многих регионах и привела к экологическому и экономическому ущербу, который оценивался в более чем 40 млрд. рублей, Правительство Российской Федерации поспешило разработать новую концепцию страхования сельскохозяйственных рисков, так как львиную долю убытков пришлось возмещать государству. Так, Федеральным законом от 25.07.2011 г. № 260-ФЗ «О государственной поддержке в сфере сельскохозяйственного страхования и о внесении изменений в Федеральный закон «О развитии сельского хозяйства»» были определены юридические нормы предоставления государственной поддержки в секторе агропромышленного страхования. Принятие этого закона благоприятствовало развитию агрострахования в