Елена Федоровна Киреева — доктор экономических наук, профессор, заместитель директора Института исследований социально-экономической трансформации и финансовой политики
Москва
Elena F. Kireeva — Dr. Sci. (Econ.), Prof., Deputy Director of the Institute for Research on Socio-Economic Transformation and Financial Policy
Moscow
Алан Канаматович Караев — доктор технических наук, профессор, главный научный сотрудник Института исследований социально-экономической трансформации и финансовой политики
Москва
Alan K. Karaev — Dr. Sci. (Econ.), Prof., Chief Research Fellow at the Institute for Research on Socio-economic Transformation and Financial Policy
Moscow
Вадим Витальевич Понкратов — кандидат экономических наук, директор Института исследований социально-экономической трансформации и финансовой политики
Москва
Vadim V. Ponkratov — Cand. Sci. (Econ.), Director of the Institute for Research on Socio-Economic Transformation and Financial Policy
Moscow
Драгоценные металлы (драгметаллы) являются ключевыми элементами класса активов на международном финансовом рынке. Они обладают рядом преимущественных характеристик: выступают важным инструментом сохранения стоимости, не подвержены риску дефолта, предоставляют эффективную защиту от инфляционных процессов и считаются активами-убежищами в периоды неблагоприятной геополитической обстановки. Цель исследования состоит в поиске методов повышения точности прогнозирования цены драгметаллов с использованием передовых моделей машинного обучения. Методологической основой является концепция прогнозирования эффективности драгоценных металлов в роли стабилизационного актива (и актива-убежища) в условиях будущей нестабильности. Методика исследования базируется на оценке эффективности моделей машинного обучения с учетом информационных критериев (AIC и BIC), коэффициента детерминации (R2 и Adj-R2) и показателей RMSE, MAPE в качестве меры близости между фактическими и прогнозируемыми значениями временных рядов и меры ошибок. Информационной базой послужили ежедневные данные по ценам на драгметаллы (золото, серебро, платина, палладий), предоставленные компанией Investing.com. Учитывая возрастающую значимость драгметаллов как индикатора настроений инвесторов и состояния мировой экономики в условиях обострившейся геополитической ситуации в период 2020–2025 гг., проведен сравнительный анализ современных моделей в области машинного обучения. Полученные результаты демонстрируют преимущественные возможности модели KAN в качестве перспективного инструмента повышения точности прогнозов и улучшения интерпретируемости результатов в различных сценариях и имеют высокую значимость для разработки эффективной инвестиционной стратегии на рынках драгметаллов.
Precious metals are key elements of the asset class in the international financial market. They have a number of advantages: they are a valuable tool for preserving wealth, they are not at risk of default, and they provide effective protection against inflation. In addition, they are considered safe-haven assets during periods of unfavorable geopolitical conditions. The purpose of this research is to find methods for improving the accuracy of predicting the price of precious metals through the use of advanced machine learning models. The methodological basis is the concept of predicting the effectiveness of precious metals as a stabilizing asset (and a safe-haven asset) in the context of future financial instability. The research methodology is based on evaluating the effectiveness of machine learning models using information criteria such as AIC and BIC, determination coefficients R2 and Adj-R2, and RMSE and MAPE as measures of the closeness between the actual and predicted values of time series and error measures. The information base for this study was based on daily data on the prices of four precious metals (gold, silver, platinum, and palladium), provided by Investing.com. Given the increasing importance of precious metals as indicators of investor sentiment and the state of the global economy, and in light of the escalating geopolitical tensions from 2020 to 2025, we conducted a comparative analysis using modern machine learning models. The results obtained demonstrate the advantages of the KAN model as a promising tool for improving the accuracy of forecasts and the interpretability of results in various scenarios. This is highly significant for the development of an effective investment strategy in the precious metal markets.
The authors declare that there are no conflicts of interest present.