Современный мировой рынок нефти необычайно сложен. В совокупности мы потребляем более 30 миллиардов баррелей в год. Миллионы рабочих используют оборудование стоимостью триллионы, чтобы качать его прямо из-под земли, глубоко под океанами, или выжимать его из сланцевых пород. Затем эту жидкость отправляют на сотни тысяч нефтеперерабатывающих заводов, разбросанных по всей планете, которые готовят сырье до тех пор, пока оно не разделится на бензин, топливо для реактивных двигателей, керосин и другие повседневные энергетические продукты, с которыми мы все знакомы. Наконец, еще тысячи автомобилей везут готовую продукцию рядом с нами для удобной покупки и потребления. И это только физическая сторона рынка.
Финансирование всей этой деятельности осуществляется за счет глобальной ликвидности, сосредоточенной вокруг основных товарных бирж в Чикаго, Нью-Йорке, Лондоне, Шанхае и Сингапуре. Спекулянты занимают другую сторону физического рынка, беря на себя ценовые риски производителей и переработчиков, стремящихся хеджировать свои риски. Эти трейдеры тщательно отслеживают рыночные условия, чтобы сформировать ожидания относительно текущего и будущего состояния мирового спроса и предложения на нефть и ее производные продукты. Ежедневно торгуются миллионы контрактов, ежегодно перенося триллионы рисков. Вся эта физическая и финансовая деятельность координируется через прозрачные цены, которые объединяют и кристаллизуют огромные объемы данных, генерируемых миллиардами людей во всем мире, которые участвуют в этом рынке — либо в производстве, либо в потреблении, покупке или продаже.
Почему так сложно прогнозировать цены?
Вот почему прогнозирование цен на товары так сложно, что сбивает с толку поколения математиков и экономистов; масштабы и сложность рынка буквально ошеломляют. Ни один человек не может точно предсказать, куда движутся цены. Несмотря на трудности, некоторые из наших лучших и умнейших социологов пытались (и потерпели неудачу). Пол Самуэльсон, лауреат Нобелевской премии и «отец современной экономики», продемонстрировал в 1965 году, что при жестком наборе допущений товары следуют случайным образом. Потребовалось почти 30 лет исследований, пока другой лауреат Нобелевской премии, Ангус Дитон, не обнаружил, что большая часть «случайности» на самом деле обусловлена невозможностью отрицательного хранения. Поскольку физический рынок должен очиститься, цены могут резко колебаться в, казалось бы, неожиданных направлениях.
Сегодня хорошо известно, что основная часть всех движений цен на сырьевые товары определяется одним глобальным фактором, который мы можем назвать циклом международной деловой активности. В 1960-е годы прогнозировать цены было практически невозможно, а мировая экономика стала больше, интегрированнее и сложнее, чем когда-либо. Поэтому улучшение прогнозирования на данном этапе является чрезвычайно сложной задачей. Количество переменных, которые могут влиять на цены на нефть, резко возросло после десятилетий глобализации и финансиализации. Все, от настроения президента до социальных волнений в Венесуэле, военных столкновений на Ближнем Востоке, решений денежно-кредитной политики Резервного банка Канады, решений промышленной политики, сделанных китайским Политбюро, погоды в Европе, условий кредитования и отчеты о прибылях и убытках в Соединенных Штатах (и не только!) могут влиять и влияют на мировые цены на нефть.
Могут ли помочь машинное обучение и альтернативные данные?
Чтобы объяснить эти ценовые движения, требуются огромные массивы данных из целого ряда разнообразных источников, которые можно комбинировать бесчисленными способами. Это проблема, для решения которой хорошо подходит машинное обучение, и именно поэтому альтернативные данные находят наибольшую полезность на товарных рынках. Мир на самом деле покрыт полезной информацией, и больше устройств, чем когда-либо, фиксируют ее. Спутниковые снимки, когда-то редкие, теперь широко доступны. Социальные сети также генерируют огромные массивы данных. Например, лично я впервые узнал о вторжении России в Крым еще в 2014 году, сидя за столом торговца нефтью. Местный украинец отметил наличие проезжающих по соседству танков и опубликовал фото в Twitter. Прошло несколько дней, прежде чем все поняли, что происходит, и рыночные цены начали соответствующим образом корректироваться.
Заглядывая за угол с помощью ИИ
Однако задача состоит не только в том, чтобы получить полезные данные; это знание того, что с этим делать и что доступно. Чтобы проиллюстрировать это, исследователи Массачусетского технологического института используют методы глубокого обучения и распознавания образов, чтобы буквально заглядывать за угол. Но на самом деле информация, необходимая для того, чтобы заглянуть за угол, существовала всегда, скрываясь у всех на виду. Просто до сих пор не было возможности сделать эту информацию полезной. Там, где наши глаза видят только смутные тени, проецируемые на землю среди пятен света, тщательно обученный алгоритм машинного обучения может точно воссоздать изображение сцены за физическим барьером исключительно на основе того, как эти скрытые объекты искажают видимый свет.
Если способность заглядывать за угол звучит как сверхспособность, то это потому, что так оно и есть. И почти таким же образом здесь, в ЧАИ, мы применяем эти сверхспособности к международным товарным рынкам, начиная с короля всех физических товаров, сырой нефти. Информация, необходимая для улучшения прогнозов, также существовала всегда. Корабли, полные нефти, тяжелее и, следовательно, сидят ниже в воде, чем пустые корабли; нефтеперерабатывающие заводы, работающие на полную мощность, производят более яркие и продолжительные факелы, чем те, которые не работают. Проблема заключалась в том, что его было слишком дорого собирать и еще дороже просеивать. Добро пожаловать в будущее прогнозирования сырьевых товаров. Сигналы могут поступать через твиты или торговую войну, и агенты с искусственным интеллектом помогут вам предвидеть эти повороты.
Автор: Бен Фальк
Первоначально опубликовано на https://www.chai-uk.com 2 июля 2019 г.
