Повышение точности прогнозов цен на драгоценные металлы при их использовании в качестве стабилизационных активов

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.

1. Baur D. G., Lucey B. M. Is gold a hedge or a safe haven? An analysis of stocks, bonds and gold. The Financial Review. 2010;45(2):217-229. DOI: 10.1111/j.1540-6288.2010.00244.x

2. Reboredo J. C., Rivera-Castro M. A. Can gold hedge and preserve value when the US dollar depreciates? Economic Modelling. 2014;39:168-173. DOI: 10.1016/j.econmod.2014.02.038

3. Su C.-W., Wang K.-H., Lobonţ O.-R., Qin M. Continuous wavelet transform of time-frequency analysis technique to capture the dynamic hedging ability of precious metals. Mathematics. 2023;11(5):1186. DOI: 10.3390/math11051186

4. Mehrdoust F., Noorani M. Forecasting precious metals price based on artificial neural network trained by Lévy flight optimization algorithm. SSRN Electronic Journal. 2024. DOI: 10.2139/ssrn.4722754

5. Еремин В. В. Обеспеченность денежной массы золотовалютными резервами как опережающий индикатор курса рубля. Финансы: теория и практика. 2023;27(3):43-55. DOI: 10.26794/2587-5671-2023-27-3-43-55

6. Караев А. К. Прогнозирование цены криптовалют с использованием технологий машинного обучения: LSTM против KAN. Вестник Алтайской академии экономики и права. 2025;(7-2):261-266. DOI: 10.17513/vaael.4251

7. Vigne S. A., Lucey B. M., O’Connor F.A., Yarovaya L. The financial economics of white precious metals — a survey. International Review of Financial Analysis. 2017;52:292-308. DOI: 10.1016/j.irfa.2017.04.006

8. Miao M., Khaskheli A., Raza S. A., Yousufi S. Q. Using Internet search keyword data for predictability of precious metals prices: Evidence from non-parametric causality-in-quantiles approach. Resources Policy. 2022;75:102478. DOI: 10.1016/J.RESOURPOL.2021.102478

9. Sikiru A. A., Salisu A. A. Hedging with financial innovations in the Asia-Pacific markets during the COVID‑19 pandemic: The role of precious metals. Quantitative Finance and Economics. 2021;5(2):352-372. DOI: 10.3934/qfe.2021016372

10. Bekaert G., Hoerova M. What do asset prices have to say about risk appetite and uncertainty? Journal of Banking & Finance. 2016;67:103-118. DOI: 10.1016/j.jbankfin.2015.06.015

11. Gulen H., Ion M. Policy uncertainty and corporate investment. The Review of Financial Studies. 2016;29(3):523-564. DOI: 10.1093/rfs/hhv050

12. Duc Huynh T. L., Burggraf T., Nasir M. A. Financialisation of natural resources & instability caused by risk transfer in commodity markets. Resources Policy. 2020;66:101620. DOI: 10.1016/j.resourpol.2020.101620

13. Thongkairat S., Yamaka W., Sriboonchitta S. Economic policy uncertainty effect on precious metal markets: A Markov-switching model with mixture distribution regimes. Thai Journal of Mathematics. 2019:77-92. URL: http://thaijmath.in.cmu.ac.th/index.php/thaijmath/article/view/3907

14. Adekoya O. B., Oliyide J. A., Oduyemi G. O. How COVID‑19 upturns the hedging potentials of gold against oil and stock markets risks: Nonlinear evidences through threshold regression and Markov-regime switching models. Resources Policy. 2021;70:101926. DOI: 10.1016/j.resourpol.2020.101926

15. Van Hoang T. H., Lahiani A., Heller D. Is gold a hedge against inflation? New evidence from a nonlinear ARDL approach. Economic Modelling. 2016;54:54-66. DOI: 10.1016/j.econmod.2015.12.013

16. Lau M. C.K., Vigne S. A., Wang S., Yarovaya L. Return spillovers between white precious metal ETFs: The role of oil, gold, and global equity. International Review of Financial Analysis. 2017;52:316-332. DOI: 10.1016/j.irfa.2017.04.001

17. Понкратов В. В. Цена на нефть. В поисках дна. Мир новой экономики. 2016;(1):32-37.

18. Mingming T., Jinliang Z. A multiple adaptive wavelet recurrent neural network model to analyze crude oil prices. Journal of Economics and Business. 2012;64(4):275-286. DOI: 10.1016/j.jeconbus.2012.03.002

19. Al-Dhuraibi W. A., Ali J. Using classification techniques to predict gold price movement. In: 2018 4th Int. conf. on computer and technology applications (ICCTA). (Istanbul, May 03–05, 2018). New York, NY: IEEE; 2018:127-130. DOI: 10.1109/CATA.2018.8398669

20. E J., Ye J., Jin H. A novel hybrid model on the prediction of time series and its application for the gold price analysis and forecasting. Physica A: Statistical Mechanics and its Applications. 2019;527:121454. DOI: 10.1016/j.physa.2019.121454

21. Guha G. Bandyopadhyay B. Gold price forecasting using ARIMA model. Journal of Advanced Management Science. 2016;4(2):117-121. DOI: 10.12720/joams.4.2.117-121

22. Cohen G. Algorithmic strategies for precious metals price forecasting. Mathematics. 2022;10(7):1134. DOI: 10.3390/math10071134

23. Weng F., Chen Y., Wang Z., et al. Gold price forecasting research based on an improved online extreme learning machine algorithm. Journal of Ambient Intelligence and Humanized Computing. 2020;11(6):4101-4111. DOI: 10.1007/s12652-020-01682-z

24. Duc Huynh T. L., Burggraf T., Wang M. Gold, platinum, and expected Bitcoin returns. Journal of Multinational Financial Management. 2020;56:100628. DOI: 10.1016/j.mulfin.2020.100628

25. Алдеки Р. Г. Прогнозирование волатильности финансового рынка с помощью современной и традиционной моделей. Финансы: теория и практика. 2025;29(2):154-165. DOI: 10.26794/2587-5671-2025-29-2-154-165

26. Аравинд M. Аномальная доходность торгуемых золотых ETF в условиях кризиса: оценка контрстратегий против стратегий следования за трендом. Финансы: теория и практика. 2024;28(6):69-79. DOI: 10.26794/2587-5671-2024-28-6-69-79

27. Varshini A., Kayal P., Maiti M. How good are different machine and deep learning models in forecasting the future price of metals? Full sample versus sub-sample. Resources Policy. 2024;92:105040. DOI: 10.1016/j.resourpol.2024.105040

28. Liu T., Zheng Z. Negotiation assistant bot of pricing prediction based on machine learning. International Journal of Intelligence Science. 2020;10(2):9-21. DOI: 10.4236/ijis.2020.102002

29. Sarangi P. K., Verma R., Inder S., Mittal N. Machine learning based hybrid model for gold price prediction in India. In: 2021 9th Int. conf. on reliability, Infocom technologies and optimization (trends and future directions). (ICRITO). (Noida, September 03–04, 2021). New York, NY: IEEE; 2021:1-5. DOI: 10.1109/icrito51393.2021.9596391

30. Oztoprak S., Orman Z. Precious metal prediction by using XAI in the perspective of digital transformation. In: Sandhu K., ed. Emerging challenges, solutions, and best practices for digital enterprise transformation. Hershey, PA: IGI Global; 2021:284-298. DOI: 10.4018/978-1-7998-8587-0.ch015

31. Kangalli Uyar S. G., Uyar U., Balkan E. Fundamental predictors of price bubbles in precious metals: A machine learning analysis. Mineral Economics. 2024;37(1):65-87. DOI: 10.1007/s13563-023-00404-z

32. Alharbi M. H. Applying machine learning techniques to analyze and explore precious metals. Technology and Investment. 2024;15(4):183-197. DOI: 10.4236/ti.2024.154011

33. Yuandong S., Khaskheli A., Raza S. A., Yousufi S. Q. How COVID‑19 influences prices of oil and precious metals: Comparison between data extracted from online searching trends and actual events. Resources Policy. 2022;78:102916. DOI: 10.1016/j.resourpol.2022.102916

34. Караев А. К., Сидин Е. Г., Гуева Л. Х. Нелинейная динамика между ценой на золото и индексом доллара США (2020-2025 гг.). Экономическое развитие России. 2025;32(10):257-262.

35. Караев А. К., Понкратов В. В. Нелинейная динамика взаимосвязи между ценой на золото и индексом доллара США. Менеджмент и бизнес-администрирование. 2025;(3):104-112. DOI: 10.33983/2075-1826-2025-3-104-112

36. Колмогоров А. Н. О представлении непрерывных функций многих переменных в виде суперпозиций непрерывных функций меньшего числа переменных. Доклады Академии наук СССР. 1956;108(2):179-182.

37. Колмогоров А. Н. О представлении непрерывных функций многих переменных суперпозицией непрерывных функций одного переменного и сложением. Доклады Академии наук СССР. 1957;114(5):953-956.

38. Liu Z., Wang Y., Vaidya S., et al. KAN: Kolmogorov-Arnold networks. 2025. DOI: 10.48550/arXiv.2404.19756

39. Cho S.-Y., Lee S., Kim H.-G. Forecasting VIX using interpretable Kolmogorov-Arnold networks. Expert Systems with Applications. 2025;294:128781. DOI: 10.1016/j.eswa.2025.128781

40. Hafver A. Kolmogorov-Arnold networks (KANs) in Wolfram language. Wolfram Community. Aug. 23, 2024. URL: https://community.wolfram.com/groups/-/m/t/3254225

41. Nagpal S. Cryptocurrency price prediction with recurrent neural networks. Wolfram Community. 2022. URL: https://community.wolfram.com/groups/-/m/t/2443748

42. Puoti F., Pittorino F., Roveri M. Quantifying cryptocurrency unpredictability: A comprehensive study of complexity and forecasting. In: AIML Systems’24: Proc. 4th Int. conf. on AI-ML systems. New York, NY: Association for Computing Machinery; 2025:1-8. DOI: 10.1145/3703412.3703420

43. Liu Z., Ma P., Wang Y., Matusik W., Tegmark M. Kan 2.0: Kolmogorov-Arnold networks meet science. 2024. DOI: 10.48550/arXiv.2408.10205

44. Ning L., Dai Z., Fan W., et al. Joint universal adversarial perturbations with interpretations. 2024. DOI: 10.48550/arXiv.2408.01715

45. Сотников Д. С., Журавлева О. В., Варвус С. А., Буевич А. П. Роль золота в современной экономике. Финансы: теория и практика. 2025;29(2):238-250. DOI: 10.26794/2587-5671-2025-29-2-238-250

46. Беленчук С. И., Водянова В. В., Ларионова А. Д., Минченков М. А., Заплетин М. П. Манипулирование ценой на золото: влияние на международную валютную систему. Финансы: теория и практика. 2025;29(6):227-242. DOI: 10.26794/2587-5671-2025-29-6-227-242