Цветные 
Отключить 
Ученые Плехановского университета разработали модель прогнозирования цен на железную руду с применением нейросетей Колмогорова–Арнольда
26 августа 2026
Научный коллектив Российского экономического университета имени Г.В. Плеханова под руководством заведующего кафедрой мировых финансовых рынков и финтеха, кандидата экономических наук, доцента Светланы Фруминой завершил исследование по созданию модели краткосрочного прогнозирования направления изменения цен на железную руду. Разработанная модель позволяет оценивать вероятность роста или снижения цены на горизонте пяти торговых дней и может применяться компаниями – участниками сырьевого рынка для повышения обоснованности управленческих решений в сфере ценообразования и планирования продаж.
Железная руда занимает второе место в мире по объёму торговли среди сырьевых товаров (после нефти) и служит базовым ресурсом чёрной металлургии. Более 95% добываемой руды идёт на производство стали, поэтому её цена одновременно отражает состояние мировой металлургии, строительного цикла, промышленного производства, а также выступает опережающим индикатором инфляции в обрабатывающих отраслях.
В ходе исследования коллективом учёных решена задача краткосрочного прогнозирования направления цены (рост или снижение) на основе нейронных сетей Колмогорова-Арнольда (KAN). Как было установлено, цена железной руды является сложным объектом прогнозирования. Ей свойственны нелинейная реакция на изменение спроса, запасов и фрахтовых ставок, асимметрия отклика на положительные и отрицательные шоки, группировка волатильности и смена ценовых режимов. Классические эконометрические модели с заранее заданной функциональной формой описывают такую динамику лишь частично. Нейросети Колмогорова-Арнольда, в которых обучается не только сила, но и форма связи, отвечают перечисленным требованиям и одновременно сохраняют возможность экономической интерпретации, что и обосновало их выбор.
Для создания модели исследователи использовали ежедневные данные о спотовых ценах на руду, биржевых котировках фьючерсов и валютном курсе. На основе этих показателей был сформирован набор факторов, описывающих ценовые тренды, волатильность и другие рыночные характеристики, после чего нейросеть обучалась прогнозировать вероятность роста или снижения цены на пятидневном горизонте.
Разработанная модель успешно прошла тестирование на реальных рыночных данных. Наиболее уверенные прогнозы она демонстрирует в периоды значительных ценовых движений, что особенно ценно для компаний, работающих на сырьевом рынке и стремящихся своевременно реагировать на изменения конъюнктуры.
Полученные результаты могут использоваться как аналитический инструмент краткосрочного и среднесрочного прогнозирования в работе компаний, занимающихся продажей железной руды, а также в подразделениях, отвечающих за управление ценовыми рисками. В дальнейшем планируется расширение состава учитываемых факторов и развитие модели для многошагового прогнозирования.
Поздравляем научный коллектив с успешным завершением исследования и желаем новых интересных разработок в области прикладного искусственного интеллекта и финансового прогнозирования!
Железная руда занимает второе место в мире по объёму торговли среди сырьевых товаров (после нефти) и служит базовым ресурсом чёрной металлургии. Более 95% добываемой руды идёт на производство стали, поэтому её цена одновременно отражает состояние мировой металлургии, строительного цикла, промышленного производства, а также выступает опережающим индикатором инфляции в обрабатывающих отраслях.
В ходе исследования коллективом учёных решена задача краткосрочного прогнозирования направления цены (рост или снижение) на основе нейронных сетей Колмогорова-Арнольда (KAN). Как было установлено, цена железной руды является сложным объектом прогнозирования. Ей свойственны нелинейная реакция на изменение спроса, запасов и фрахтовых ставок, асимметрия отклика на положительные и отрицательные шоки, группировка волатильности и смена ценовых режимов. Классические эконометрические модели с заранее заданной функциональной формой описывают такую динамику лишь частично. Нейросети Колмогорова-Арнольда, в которых обучается не только сила, но и форма связи, отвечают перечисленным требованиям и одновременно сохраняют возможность экономической интерпретации, что и обосновало их выбор.
Для создания модели исследователи использовали ежедневные данные о спотовых ценах на руду, биржевых котировках фьючерсов и валютном курсе. На основе этих показателей был сформирован набор факторов, описывающих ценовые тренды, волатильность и другие рыночные характеристики, после чего нейросеть обучалась прогнозировать вероятность роста или снижения цены на пятидневном горизонте.
Разработанная модель успешно прошла тестирование на реальных рыночных данных. Наиболее уверенные прогнозы она демонстрирует в периоды значительных ценовых движений, что особенно ценно для компаний, работающих на сырьевом рынке и стремящихся своевременно реагировать на изменения конъюнктуры.
Полученные результаты могут использоваться как аналитический инструмент краткосрочного и среднесрочного прогнозирования в работе компаний, занимающихся продажей железной руды, а также в подразделениях, отвечающих за управление ценовыми рисками. В дальнейшем планируется расширение состава учитываемых факторов и развитие модели для многошагового прогнозирования.
Поздравляем научный коллектив с успешным завершением исследования и желаем новых интересных разработок в области прикладного искусственного интеллекта и финансового прогнозирования!
