The article presents a systematic comparative analysis of the main methodological approaches to oil and natural gas price forecasting used in academic research and corporate analytical practice of oil and gas companies. The relevance of the study is determined by the high volatility of global energy markets — between 2012 and 2025, Brent crude oil prices ranged from $9 to $133 per barrel, while Henry Hub natural gas prices fluctuated between $1.2 and $9.9 per MMBtu [1] — which directly affects the quality of managerial decisions made by oil and gas companies. The article examines five groups of methodological approaches: fundamental analysis, econometric models, technical analysis, machine learning methods, and hybrid models. For each approach, the key instruments, advantages, and limitations are identified. It is shown that most existing methods share a common methodological gap: the insufficient systematic consideration of the behavior of large institutional participants in commodity derivatives markets, whose positioning and liquidity structure may carry leading information about the likely direction of price movement. The integration of behavioral indicators of institutional participants — in particular, weekly CFTC Commitments of Traders reports — is considered a promising direction for expanding the analytical toolkit. The results contribute to the development of the methodological foundation for price forecasting in the oil and gas industry.

Keywords : oil and gas price forecasting, forecasting methods, fundamental analysis, econometric models, machine learning, hybrid models, market microstructure, institutional market participants, oil and gas industry, managerial decisions .

Ценовая динамика на мировых рынках нефти и природного газа характеризуется высокой волатильностью, формируемой под воздействием геополитических факторов, соотношения мирового спроса и предложения, макроэкономической конъюнктуры, валютных колебаний и монетарной политики ведущих центральных банков. По данным Управления энергетической информации США (EIA), в 2012–2025 гг. цена нефти марки Brent изменялась в диапазоне от 9 до 133 долл. США за баррель, а цена природного газа Henry Hub — от 1,2 до 9,9 долл. США за MMBtu [1]. Такая амплитуда колебаний свидетельствует о том, что ценовая неопределённость на энергетических рынках является не только финансовой, но и управленческой проблемой: она непосредственно влияет на планирование денежных потоков, бюджетирование, оценку инвестиционных проектов и устойчивость долгосрочных управленческих решений нефтегазовых компаний.

Особую значимость данная проблема приобретает для российской экономики, где нефтегазовый сектор является одним из системообразующих сегментов российской экономики. В 2024 г. нефтегазовые доходы федерального бюджета Российской Федерации составили 11,13 трлн руб., формируя около 30 % всех бюджетных поступлений [2]. По данным Федеральной службы государственной статистики, доля добывающей промышленности в структуре ВВП страны превышает порядка 11–12 %, а с учётом нефтепереработки, транспортировки углеводородов и смежных производств совокупный вклад нефтегазового комплекса в национальный выпуск оказывается значительно выше [3]. Это означает, что колебания цен на нефть и газ затрагивают не только финансовые результаты компаний отрасли, но и сбалансированность государственных финансов, инвестиционный климат и темпы экономического роста страны в целом.

В этих условиях качество прогнозирования ценовой конъюнктуры приобретает стратегическое значение для нефтегазовых компаний: ошибки в оценке будущих цен могут приводить к искажению финансовых планов, неверной оценке окупаемости инвестиционных проектов, повышению рисков при заключении долгосрочных контрактов и снижению обоснованности управленческих решений. Актуальность систематического анализа существующих методических подходов к прогнозированию цен обусловлена как сложностью предметной области, так и отсутствием единого общепринятого подхода, обеспечивающего надёжные результаты в различных рыночных условиях.

Цель настоящей статьи — систематизировать и сравнительно проанализировать основные методические подходы к прогнозированию цен на нефть и природный газ, применяемые в академических исследованиях и корпоративной практике, а также выявить существующее ограничение методических подходов и обозначить перспективные направления расширения аналитического инструментария.

Сравнительный анализ подходов к прогнозированию цен на нефть и газ

Многофакторная природа ценообразования на рынках нефти и природного газа обусловила формирование нескольких методических подходов к прогнозированию ценовой динамики. В российской и зарубежной научной литературе по экономике энергетики, а также в корпоративной аналитической практике нефтегазовых компаний наиболее часто используются фундаментальный анализ, эконометрические модели, технический анализ, методы машинного обучения, а также гибридные модели, объединяющие элементы нескольких подходов [4, 5, 6].

Фундаментальный анализ — традиционный и наиболее распространённый подход в нефтегазовой отрасли. Он основан на изучении факторов, определяющих баланс спроса и предложения на энергетических рынках: объёмов добычи и потребления нефти и газа, коммерческих запасов, загрузки перерабатывающих мощностей, экспортно-импортных потоков, решений ОПЕК+, динамики мирового экономического роста, валютных курсов, процентных ставок, санкционных ограничений и геополитических событий [5]. Для рынка природного газа дополнительно значимы сезонность потребления, погодные условия, уровень заполненности газовых хранилищ и динамика поставок СПГ. Преимущество фундаментального анализа заключается в его экономической интерпретируемости: прогноз строится на наблюдаемых показателях, связанных с реальным состоянием рынка. Вместе с тем данный подход имеет существенное ограничение: значительная часть фундаментальных данных публикуется с временным лагом, поэтому аналитический сигнал нередко отражает уже произошедшие изменения, а не формирующиеся ожидания участников рынка [5].

Эконометрические модели позволяют формализовать статистические зависимости между ценами на энергоносители и набором объясняющих переменных. В исследованиях нефтегазовых рынков применяются авторегрессионные модели временных рядов, модели ARIMA, векторные авторегрессии VAR, модели условной гетероскедастичности GARCH и их модификации [4, 6]. Их преимущество состоит в математической строгости, возможности количественной оценки неопределённости прогноза и сопоставимости результатов. Однако эконометрические модели чувствительны к структурным изменениям рынка: в периоды резких ценовых шоков, изменения политики ОПЕК+ или усиления геополитической нестабильности ранее выявленные статистические зависимости могут терять устойчивость, что существенно снижает качество прогноза [4].

Технический анализ строится на изучении исторической динамики цены, объёмов торгов, уровней поддержки и сопротивления, трендовых структур и производных индикаторов. Его достоинство заключается в оперативности: аналитические выводы формируются на основе текущих рыночных данных и могут применяться в краткосрочном прогнозировании. Однако данный подход имеет существенные ограничения: интерпретация графических сигналов зависит от выбранного временного горизонта и профессионального суждения аналитика — иными словами, два специалиста, анализируя один и тот же график, могут прийти к противоположным выводам. Кроме того, классический технический анализ слабо учитывает макроэкономические, геополитические и институциональные факторы, определяющие ценовую динамику нефти и газа.

Методы машинного обучения и глубокого обучения в последние годы всё активнее применяются для анализа энергетических рынков. К ним относятся нейронные сети, метод случайного леса (ансамблевый алгоритм, агрегирующий прогнозы множества независимо построенных решающих деревьев и снижающий дисперсию ошибки за счёт усреднения), градиентный бустинг (последовательное построение моделей, каждая из которых корректирует ошибки предыдущей), рекуррентные архитектуры и другие алгоритмы, способные выявлять сложные нелинейные зависимости в многомерных данных. Преимущество данных подходов — в способности работать с большим числом переменных, включая цены, объёмы, макроэкономические индикаторы и межрыночные связи. Вместе с тем указанные методы подвержены риску переобучения на исторических данных, требуют постоянного обновления и качественной подготовки массивов данных, а также значительной вычислительной инфраструктуры. Дополнительным ограничением является низкая интерпретируемость ряда моделей, что затрудняет их использование в управленческих решениях, где важен не только сам прогноз, но и обоснование причин его формирования [4].

Гибридные модели возникли как попытка преодолеть ограничения отдельных подходов: в них фундаментальные переменные сочетаются с эконометрическими методами, статистические модели — с алгоритмами машинного обучения, а рыночные индикаторы — с макроэкономическими данными. Такой подход позволяет учитывать разные группы факторов и снижать зависимость прогноза от одного типа данных. Однако гибридные модели требуют строгого методического обоснования: необходимо определить, какие сигналы включаются в модель, как оценивается их значимость и каким образом проверяется устойчивость результатов [4, 6].

Для сопоставления рассмотренных подходов их основные характеристики представлены в таблице 1.

Таблица 1

Сравнительная характеристика подходов к прогнозированию цен на нефть и природный газ

Источник: составлено автором на основе литературных источников [4, 5, 6]

Сопоставление подходов показывает, что каждый из них решает отдельную аналитическую задачу, но не обеспечивает полного описания поведения рынка. Фундаментальный анализ объясняет экономические причины ценовых изменений, эконометрические модели формализуют статистические зависимости, технический анализ фиксирует текущую рыночную структуру, а методы машинного обучения позволяют работать с нелинейными связями в больших массивах данных. Однако поведение крупных институциональных участников срочных товарных рынков — Goldman Sachs, JPMorgan, Bridgewater Associates, BlackRock — чаще рассматривается лишь косвенно: через цену, объём или производные статистические показатели. Между тем изменение открытого интереса, структуры ликвидности и позиционирования таких участников может выступать дополнительным источником опережающей информации о рыночных ожиданиях.

Методические ограничения существующих подходов

Анализ существующих методических подходов позволяет выявить общее методическое ограничение, характерное для большинства из них: поведение крупных институциональных участников срочных товарных рынков нефти и газа — системообразующих инвестиционных банков (Goldman Sachs, JPMorgan, Morgan Stanley), ведущих хедж-фондов (Bridgewater Associates, Citadel, Renaissance Technologies) и крупнейших управляющих компаний (BlackRock, Vanguard) — нередко остаётся за рамками самостоятельного аналитического контура. Между тем изменение их позиционирования, открытого интереса и структуры ликвидности может содержать дополнительную опережающую информацию о рыночных ожиданиях, что принципиально отличает поведенческие индикаторы от большинства ценовых и статистических показателей, используемых в традиционных методах.

Выявленное ограничение имеет практическое значение для корпоративного управления. При подготовке управленческих решений — будь то бюджетирование, хеджирование ценовых рисков или оценка инвестиционных проектов — нефтегазовые компании опираются на прогнозные ориентиры, формируемые существующими методами. Систематическое невключение информации о действиях крупного институционального капитала в прогнозный контур потенциально снижает полноту аналитической базы, особенно в периоды структурных переломов ценового тренда, когда исторические статистические зависимости наименее устойчивы.

Перспективные направления расширения аналитического инструментария

Расширение аналитического контура прогнозирования цен на нефть и газ за счёт поведенческих индикаторов институциональных участников представляется теоретически обоснованным направлением дальнейшего методического развития. Академическим основанием для такого расширения служит теория рыночной микроструктуры: модель А. Кайла (Kyle, 1985) описывает, каким образом информированные трейдеры транслируют информационное преимущество в рыночную цену через последовательность ордеров, стремясь минимизировать ценовое воздействие каждой отдельной сделки [8]; модель Л. Глостена и П. Милгрома (Glosten & Milgrom, 1985) раскрывает последствия асимметрии информации между участниками рынка: маркет-мейкеры вынуждены расширять разницу (спред) между ценой покупки и продажи, компенсируя возможные убытки от сделки с лучше информированным контрагентом [9]. Таким образом, идея о том, что крупные информированные участники оставляют наблюдаемые следы в ценовой динамике и структуре ликвидности, имеет строгое теоретическое основание.

Эмпирически связь между позиционированием институциональных участников и последующей динамикой цен на нефть подтверждается рядом исследований. Büyükşahin и Harris (2011) выявили значимое влияние торговой активности хедж-фондов на краткосрочную волатильность нефтяных фьючерсов [10]. Brunetti, Büyükşahin и Harris (2016) показали, что изменения в позиционировании финансовых участников предшествуют структурным переломам ценового тренда, а не следуют за ними [11]. Это означает, что данные о позиционировании несут опережающую, а не запаздывающую информацию — принципиальное отличие от большинства ценовых индикаторов, используемых в эконометрических и технических моделях.

Практически значимым инструментом в данном направлении являются еженедельные отчёты Commitments of Traders (COT), публикуемые Комиссией по торговле товарными фьючерсами США (CFTC). Отчёты COT раскрывают агрегированные позиции трёх категорий участников фьючерсного рынка: коммерческих хеджеров (производители и потребители, страхующие ценовой риск), крупных спекулянтов (управляемые фонды и финансовые институты) и мелких участников [7]. Динамика чистых длинных или коротких позиций управляемых фондов по фьючерсам на нефть и природный газ представляет собой официально публикуемый и верифицируемый индикатор совокупных ценовых ожиданий институциональных инвесторов на срочном рынке.

Одним из перспективных прикладных подходов к систематизации поведенческих индикаторов институциональных участников является концепция «умных денег» (Smart Money Concept, SMC). В широком смысле под «умными деньгами» понимается капитал профессиональных и институциональных участников рынка, обладающих значительными финансовыми ресурсами и аналитической инфраструктурой. Исторически идеи, лежащие в основе данного подхода, восходят к работам американского биржевого аналитика Ричарда Уайкоффа (1931), разработавшего концепцию «составного оператора» (composite operator) — условного крупного участника рынка, чьи целенаправленные действия формируют последовательные фазы рыночного цикла: накопление позиции, повышение цены, распределение и снижение [12]. В современной прикладной традиции эти идеи получили дальнейшее развитие в подходе Inner Circle Trader (ICT), связанном с именем Майкла Хаддлстона, систематизировавшего паттерны институциональной активности применительно к рынкам с высокой долей алгоритмической торговли.

Концепция «умных денег» может рассматриваться как синтезирующая рамка, объединяющая элементы технического анализа, теории рыночной микроструктуры и анализа позиционирования институциональных участников. Её интеграция в систему прогнозирования цен на нефть и газ открывает возможность не замещения существующих методов, а их дополнения дополнительным уровнем информации о поведении крупного капитала.

Таким образом, наиболее обоснованным направлением дальнейшего развития представляется формирование интегрированной модели прогнозирования, объединяющей фундаментальные, статистические, макроэкономические, межрыночные и поведенческие индикаторы в едином аналитическом контуре. Такой подход позволяет рассматривать ценовую динамику нефти и природного газа как результат взаимодействия реальных рыночных факторов, ожиданий участников и изменений внешней экономической среды.

Заключение

В статье проведён систематизированный сравнительный анализ пяти основных методических подходов к прогнозированию цен на нефть и природный газ: фундаментального анализа, эконометрических моделей, технического анализа, методов машинного обучения и гибридных моделей. Для каждого подхода определены ключевые аналитические инструменты, преимущества и ограничения, которые систематизированы в сравнительной таблице.

Проведённый анализ позволяет выявить общее ограничение, характерное для большинства рассмотренных подходов: недостаточный систематический учёт поведения крупных институциональных участников срочных товарных рынков. Между тем теория рыночной микроструктуры и эмпирические исследования свидетельствуют о том, что изменение позиционирования институциональных участников может содержать дополнительную информацию о рыночных ожиданиях и вероятном изменении направления движения цены. Это указывает на перспективность интеграции поведенческих индикаторов — в частности, данных отчётов COT Комиссии CFTC — в систему прогнозирования цен на нефть и газ в качестве дополнительного аналитического уровня.

Дальнейшие исследования в данном направлении должны быть сосредоточены на разработке методического подхода к интеграции поведенческих индикаторов в прогнозный контур нефтегазовых компаний и его последующей эмпирической валидации на исторических данных рынков нефти Brent, WTI и газа Henry Hub.

Литература:

1. U. S. Energy Information Administration (EIA). Europe Brent Spot Price FOB; Henry Hub Natural Gas Spot Price [Электронный ресурс]. — URL: https://www.eia.gov/ (дата обращения: 20.04.2026).
2. Министерство финансов Российской Федерации. Предварительная оценка исполнения федерального бюджета за 2024 год [Электронный ресурс]. — URL: https://minfin.gov.ru/ru/press-center/?id_4=39570-predvaritelnaya_otsenka_ispolneniya_federalnogo_byudzheta_za_2024_god (дата обращения: 15.04.2026).
3. Федеральная служба государственной статистики (Росстат). О производстве и использовании валового внутреннего продукта в 2024 году [Электронный ресурс]. — URL: https://rosstat.gov.ru/storage/mediabank/52_11–04–2025.html (дата обращения: 20.04.2026).
4. Baumeister C., Kilian L. Forty Years of Oil Price Fluctuations: Why the Price of Oil May Still Surprise Us // Journal of Economic Perspectives. — 2016. — Vol. 30, № 1. — P. 139–160.
5. Kilian L. Not All Oil Price Shocks Are Alike: Disentangling Demand and Supply Shocks in the Crude Oil Market // American Economic Review. — 2009. — Vol. 99, № 3. — P. 1053–1069.
6. Alquist R., Kilian L., Vigfusson R. J. Forecasting the Price of Oil // Handbook of Economic Forecasting / ed. by G. Elliott, A. Timmermann. — Vol. 2A. — Amsterdam: Elsevier, 2013. — P. 427–507.
7. Commodity Futures Trading Commission (CFTC). Commitments of Traders Reports [Электронный ресурс]. — URL: https://www.cftc.gov/MarketReports/CommitmentsofTraders/index.htm (дата обращения: 22.04.2026).
8. Kyle A. S. Continuous Auctions and Insider Trading // Econometrica. — 1985. — Vol. 53, № 6. — P. 1315–1335.
9. Glosten L. R., Milgrom P. R. Bid, Ask and Transaction Prices in a Specialist Market with Heterogeneously Informed Traders // Journal of Financial Economics. — 1985. — Vol. 14, № 1. — P. 71–100.
10. Büyükşahin B., Harris J. H. Do Speculators Drive Crude Oil Futures Prices? // The Energy Journal. — 2011. — Vol. 32, № 2. — P. 167–202.
11. Brunetti C., Büyükşahin B., Harris J. H. Speculators, Prices, and Market Volatility // Journal of Financial and Quantitative Analysis. — 2016. — Vol. 51, № 5. — P. 1545–1574.
12. Wyckoff R. D. The Richard D. Wyckoff Method of Trading and Investing in Stocks: A Course of Instruction in Stock Market Science and Technique. — New York: Wyckoff Associates, 1931. — 184 p.