Волатильность сырьевых рынков достигла уровня, при котором традиционные подходы к планированию закупок теряют эффективность. Геополитические конфликты, нарушения цепочек поставок и климатические факторы создают среду, где цены на критически важное сырье могут изменяться на десятки процентов за короткий период [1]. Структурные сдвиги в мировой экономике ведут к сырьевой биполяризации, когда разные группы стран оказываются в различных ценовых зонах [5]. По оценкам ЮНКТАД, нестабильность на сырьевых рынках носит системный характер и требует пересмотра подходов к управлению закупочными рисками [4]. В этих условиях ключевым направлением становится внедрение прогностических моделей на основе машинного обучения. Стратегическое планирование закупок должно обеспечивать не только ценовую эффективность, но и бесперебойность поставок, что в равной степени зависит от качества прогнозов [6].

Традиционные методы прогнозирования (ARIMA, экспоненциальное сглаживание) предполагают линейность и стационарность временных рядов, что не соответствует реальной динамике рынков. Машинное обучение позволяет выявлять сложные нелинейные зависимости и учитывать широкий спектр внешних факторов. Цель работы — систематизировать современные подходы к прогнозированию цен на сырье и обосновать их прикладное значение для оптимизации закупок.

Современные исследования предлагают широкий спектр моделей для прогнозирования сырьевых цен. Рекуррентные сети, в частности LSTM, демонстрируют способность улавливать долгосрочные зависимости в нелинейных данных, превосходя традиционные статистические методы. Модель Trend-Calibrated Autoformer (TCA), основанная на механизме автокорреляционного кодирования и динамической калибровки тренда, показывает превосходство в многошаговом прогнозировании. Анализ факторов с помощью TCA демонстрирует, что драйверы волатильности различаются в зависимости от горизонта прогнозирования: краткосрочные колебания определяются новостным фоном, среднесрочные — финансовыми индикаторами, долгосрочные — макроэкономическими условиями.

Важным направлением является интеграция разнородных данных. Включение макроэкономических показателей (инфляция, валютные курсы) значительно повышает точность прогнозов. Применение методов обработки естественного языка для извлечения сигналов настроений из новостных и социальных медиа позволяет учитывать поведенческий фактор [8]. Гибридные подходы, объединяющие глубокое обучение для числовых рядов и NLP для текстов, становятся новой парадигмой в прогнозировании сырьевых цен.

Прогнозирование цен само по себе не решает задачу оптимизации закупок. Необходим переход к системе поддержки принятия решений, определяющей объемы и сроки закупок. В этом контексте перспективным является обучение с подкреплением (Reinforcement Learning), позволяющее адаптивно выбирать стратегию в зависимости от состояния рынка. В условиях усиливающихся «медвежьих» рисков [7] такие алгоритмы приобретают особую ценность, позволяя оперативно перестраивать стратегию при смене конъюнктуры.

Метод динамического обучения с подкреплением с механизмом воспроизведения опыта (DRRL) использует LSTM для краткосрочного прогнозирования цен и спроса, затем принимает последовательные решения об объемах закупок. Другой подход сочетает прогностический модуль на основе STL-Transformer с агентом PPO, что позволяет сократить затраты и снизить число дефицитных событий. Наиболее эффективные системы строятся по принципу замкнутого контура: «прогнозирование — принятие решения — калибровка». Результаты закупочных решений анализируются для корректировки моделей. Ключевым вызовом остается не разработка моделей, а организация устойчивого потока релевантных данных и их качественная предобработка [6].

Эмпирические исследования демонстрируют значимые экономические эффекты. Сравнение LSTM-стратегии с традиционной системой закупок показало сокращение затрат на 4 %. Комплексная система, объединяющая прогнозирование и оптимизацию с помощью обучения с подкреплением, позволила снизить затраты на 14,5 %. В российском контексте, по данным разработчиков специализированных платформ, применение прогностического моделирования в нефтехимии позволяет значительно увеличить маржинальность бизнеса.

Качество и полнота исходных данных — важнейший фактор успеха. Необходим автоматизированный сбор внутренних данных (запасы, производственные планы, исторические цены) и внешних макроэкономических показателей. Внедрение требует создания устойчивого конвейера данных и регулярного обновления моделей. Как показывает анализ рыночных тенденций, волатильность будет сохраняться в обозримом будущем [2] [3], что делает инвестиции в прогностические инструменты стратегически необходимыми. Сырьевой фактор остается ключевым источником волатильности на глобальных рынках [3], а перспективы товарно-сырьевых рынков указывают на сохранение нестабильности [2].

Прогностические модели на основе машинного обучения, особенно архитектуры глубокого обучения (LSTM, Transformer), существенно превосходят традиционные методы по точности прогнозирования цен на сырье в условиях высокой волатильности. Наибольший практический эффект достигается при интеграции прогнозного модуля с алгоритмами оптимизации решений (обучение с подкреплением), что позволяет адаптивно определять объемы и сроки закупок. Экономическая эффективность подтверждается эмпирически: сокращение затрат составляет 4–14,5 %, число дефицитных событий снижается до 68,8 %.

Сдерживающими факторами остаются проблемы качества данных, интерпретируемости моделей и интеграции с существующими системами управления. Дальнейшие исследования должны быть направлены на разработку интерпретируемых архитектур и адаптацию моделей к отраслевой специфике. Учитывая сохраняющуюся нестабильность сырьевых рынков [4], развитие таких систем становится необходимым условием устойчивости бизнеса.

Литература:

1. Forbes.ru. Эра спекулянтов: чем грозит России рекордная волатильность сырьевых товаров [Электронный ресурс]. — 2025. — URL: https://www.forbes.ru/biznes/541981-era-spekulantov-cem-grozit-rossii-rekordnaa-volatil-nost-syr-evyh-tovarov (дата обращения: 14.07.2026).
2. Roscongress. Перспективы товарно-сырьевых рынков [Электронный ресурс]. — 2024. — URL: https://roscongress.org/materials/perspektivy-tovarno-syrevykh-rynkov/ (дата обращения: 14.07.2026)
3. Finam. Сырьевой фактор остается ключевым источником волатильности [Электронный ресурс]. — 2026. — URL: https://www.finam.ru/publications/item/syrevoy-faktor-ostaetsya-klyuchevym-istochnikom-volatilnosti-20260310–0900/ (дата обращения: 14.07.2026).
4. United Nations Conference on Trade and Development. TD/B/C.I/MEM.2/30 [Электронный ресурс]. — URL: https://unctad.org/system/files/official-document/cimem2d30_ru.pdf (дата обращения: 14.07.2026).
5. ECONS.ONLINE. Сырьевая биполяризация мира [Электронный ресурс]. — 2023. — URL: https://econs.online/articles/details/syrevaya-bipolyarizatsiya-mira/ (дата обращения: 14.07.2026).
6. SIBUR Magazine. Стратегическое планирование закупок: как обеспечить бесперебойность поставок [Электронный ресурс]. — 2025. — URL: https://magazine.sibur.ru/publication/workshop/strategicheskoe-planirovanie-zakupok-kak-obespechit-bespereboynost-postavok/ (дата обращения: 14.07.2026).
7. Investing.com. «Медвежьи» риски для сырьевых рынков усиливаются: HSBC [Электронный ресурс]. — 2024. — URL: https://ru.investing.com/news/commodities-news/article-2503752 (дата обращения: 14.07.2026).