Короткостроковий прогноз світових цін на енергоносії та метали: підходи VAR і VECM
a Національний банк України, Київ, Україна
Анотація

У статті представлено набір багатовимірних моделей для прогнозування світових цін на: 1) сиру нафту; 2) природний газ; 3) залізну руду; 4) сталь. Різні версії моделей векторної авторегресії та виправлення помилок застосовуються до місячних даних для короткострокового прогнозування номінальних цін на товари на шість місяців вперед і для перевірки точності прогнозу. Основні показники для прогнозування цін на метал та енергоносії включають зміни запасів, зміни в обсягах виробництва товарів, обсяги експорту найбільших учасників ринку, зміни у виробничому секторі найбільших споживачів, стан глобальної реальної економічної діяльності, фрахтові ставки, рецесію і так далі. Встановлено, що індекс глобальної реальної економічної активності Кіліана (Kilian 2009) є корисним показником світового попиту і надійним джерелом для прогнозування цін на енергоносії та метал. Отримані дані свідчать про те, що моделі з меншою кількістю лагів, як правило, ефективніші за моделі, де лагів більше. Водночас, окремі моделі, що демонструють високу автономну ефективність, дають різну точність прогнозу протягом різних періодів, і жодна окрема модель не перевершує інші стабільно протягом горизонту прогнозування.

1342
перегляди
840
завантаження
Текст статті
Завантажити
Цитування
Стаття є перекладом з англійської. Під час цитування використовуйте оригінальну назву публікації
Цитуйте як: Balioz, D. (2022). Short-Term Forecasting of Global Energy and Metal Prices: VAR and VECM Approaches. Visnyk of the National Bank of Ukraine, 254, 15-28. https://doi.org/10.26531/vnbu2022.254.02
Формат цитування

Метрики
Література

Alquist, R., Kilian, L., Vigfusson, R. J. (2011). Forecasting the price of oil. Working Paper, 2011–15. Ottawa: Bank of Canada. Retrieved from https://www.bankofcanada.ca/wp-content/uploads/2011/06/wp2011-15.pdf 

Ambya, A., Gunarto, T., Hendrawaty, E., Kesumah, F. S. D., Wisnu, F. K. (2020). Future natural gas price forecasting model and its policy implication. International Journal of Energy Economics and Policy, 10(5), 64–70. https://doi.org/10.32479/ijeep.9676

Asmoro, T. H. (2017). A VAR model to investigate the volatility of line-pipe steel prices using oil price as a referred Currency. PM World Journal, 6(11), 1–12. Retrieved from https://pmworldlibrary.net/wp--content/uploads/2017/11/pmwj64-Nov2017-Asmoro-VAR-Model-Line-Pipe-Oil-Price-featured-paper.pdf

Baffes, J., Nagle, P. (eds.) (2022). Commodity Markets: Evolution Challenges and Policies. Washington, DC: World Bank. http://doi.org/10.1596/978-1-4648-1911-7

Baumeister, C., Kilian, L. (2013). Forecasting the real price of oil in a changing world: a forecast combination approach. Working Paper, 2013–28. Ottawa: Bank of Canada. Retrieved from https://www.bankofcanada.ca/wp-content/uploads/2013/08/wp2013-28.pdf

Baumeister, C., Kilian, L. (2014). What central bankers need to know about forecasting oil prices. International Economic Review, 55(3), 869-889. https://doi.org/10.1111/iere.12074

Beckers, B., Beidas-Strom, S. (2015). Forecasting the nominal Brent oil price with VARs – one model fits all? IMF Working Paper, 15/251. Washington: International Monetary Fund. https://doi.org/10.5089/9781513524276.001

Berrisch, J., Ziel, F. (2022). Distributional modeling and forecasting of natural gas prices. Journal of Forecasting, 41(6), 1065–1086. https://doi.org/10.1002/for.2853

Bowman, C., Husain, A. (2004). Forecasting commodity prices: futures versus Judgment. IMF Working Paper, 04/41. Washington: International Monetary Fund. https://doi.org/10.5089/9781451846133.001

Campiche, J. L., Bryant, H. L., Richardson, J. W., Outlaw, J. L. (2007). Examining the evolving correspondence between petroleum prices and agricultural commodity prices. American Agricultural Economics Association Annual Meeting, Portland, OR, July 29-August 1, 2007. https://doi.org/10.22004/ag.econ.9881

Chernenko, S. V., Schwarz, K. B., Wright, J. H. (2004). The information content of forward and futures prices. International Finance Discussion Paper, 808. Board of Governors of the Federal Reserve System. https://doi.org/10.17016/ifdp.2004.808

Chou, M.-T., Yang, Y.-L., Chang, S.-C. (2012). A study of the dynamic relationship between crude oil price and the steel price index. Review of Economics and Finance, 2, 30–42. Retrieved from http://www.bapress.ca/Journal-7/A%20Study%20of%20the%20Dynamic%20Relationship%20between%20Crude%20Oil%20Price%20and%20the%20Steel%20Price%20Index.pdf 

Ding, S., Zhang, Y. (2020). Cross market predictions for commodity prices. Economic Modelling, 91, 455–462. https://doi.org/10.1016/j.econmod.2020.06.019

ECB (2015). Forecasting the price of oil. Economic Bulletin, 4(3), 87–98. Frankfurt: European Central Bank. Retrieved from https://www.ecb.europa.eu/pub/pdf/other/art03_eb201504.en.pdf

Eurostat (2023). Heating and cooling degree days at EU level. Retrieved from https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Heating_and_cooling_degree_days_-_statistics#Heating_and_cooling_degree_days_at_EU_level

Gao, S., Hou, C., Nguyen, B. H. (2021). Forecasting natural gas prices using highly flexible time-varying parameter models. Economic Modelling, 105, 105652. https://doi.org/10.1016/j.econmod.2021.105652

Hamie, H. (2020). Econometric modeling of natural gas prices : different modeling approaches and case studies related to gas markets (dissertation). Technische Universität Wien. https://doi.org/10.34726/hss.2020.41262

Hamilton, J. D. (1994). Time Series Analysis. Princeton, New Jersey: Princeton University Press. 

Hosseinipoor, S., Hajirezaie, S., Hadjiyousefzadeh, N. (2016). Application of ARIMA and GARCH models in forecasting the natural gas prices. Retrieved from https://ou.edu/content/dam/cas/economics/Student%20Journal%20of%20Economics%20publications/Saied%20Hosseinipoor_AppJOE.pdf 

Hulshof, D., van der Maat, J.-P., Mulder, M. (2016). Market fundamentals, competition and natural gas prices. Energy Policy, 94, 480–491. https://doi.org/10.1016/j.enpol.2015.12.016

Jin, J., Kim, J. (2015). Forecasting natural gas prices using wavelets, time series, and artificial neural networks. PLoS ONE, 10(11). https://doi.org/10.1371/journal.pone.0142064

Kilian L. (2009). Not all oil price shocks are alike: disentangling demand and supply shocks in the crude oil market. American Economic Review, 99, 1053–1069. https://doi.org/10.1257/aer.99.3.1053

Kilian, L., Murphy, D. P. (2014). The Role of inventories and speculative trading in the global market for crude oil. Journal of Applied Econometrics, 29(3), 454–478. https://doi.org/10.1002/jae.2322

Kilian, L., Zhou, X. (2018). Modeling fluctuations in the global demand for commodities. Journal of International Money and Finance, 88, 54–78. https://doi.org/10.1016/j.jimonfin.2018.07.001 

Kriechbaumer, T., Angus, A., Parsons, D., Rivas Casado, M. (2014). An improved wavelet-ARIMA approach for forecasting metal prices. Resources Policy, 39, 32–41. https://doi.org/10.1016/j.resourpol.2013.10.005

Li, D., Moghaddam, M. R., Monjezi, M., Armaghani, D. J., Mehrdanesh, A. (2020). Development of a group method of data handling technique to forecast iron ore price. Applied Sciences, 10(7), 2364. https://doi.org/10.3390/app10072364

Ma, Y., Zhen, W. (2020). Market fundamentals and iron ore spot prices. Economic Record, 96(315), 470–489. https://doi.org/10.1111/1475-4932.12564

Manescu, C., Van Robays., I. (2014). Forecasting the Brent oil price. Addressing time-variation in forecast performance. Working paper series, 1735. Frankfurt: European Central Bank. Retrieved from https://www.ecb.europa.eu/pub/pdf/scpwps/ecbwp1735.pdf

Mei, F., Chen, P. (2018). VAR analysis of the factors influencing overcapacity in the iron and steel industry. Journal of Scientific and Industrial Research, 77, 566–569. https://nopr.niscpr.res.in/bitstream/123456789/45115/1/JSIR%2077%2810%29%20566-569.pdf

Nademi, A., Nademi, Y. (2018). Forecasting crude oil prices by a semiparametric Markov switching model: OPEC, WTI, and Brent cases. Energy Economics, 74, 757–766. https://doi.org/10.1016/j.eneco.2018.06.020

Nazlioglu, S., Soytas, U. (2012). Oil price, agricultural commodity prices, and the dollar: a panel cointegration and causality analysis. Energy Economics, 34, 1098–1104. https://doi.org/10.1016/j.eneco.2011.09.008

Nick, S., Thoenes, S. (2014). What drives natural gas prices? – A structural VAR approach. Energy Economics, 45, 517-527. https://doi.org/10.1016/j.eneco.2014.08.010

Nixon, D., Smith, T. (2012). What can the oil futures curve tell us about the outlook for oil prices? Quarterly Bulletin, Q1. London: Bank of England. Retrieved from
https://www.bankofengland.co.uk/-/media/boe/files/
quarterly-bulletin/2012/what-can-the-oil-futures-curve-tellus-
about-the-outlook-for-oil-prices.pdf

Obadi, S. M., Korcek, M. (2020). Driving fundamentals of natural gas price in Europe. International Journal of Energy Economics and Policy, 10(6), 318–324. https://doi.org/10.32479/ijeep.10192

Ouliaris, S., Pagan, A. R., Restrepo, J. (2018). Quantitative Macroeconomic Modeling with Structural Vector Autoregressions – An EViews Implementation. https://www.eviews.com/StructVAR/structvar.pdf

Pincheira, P., Hardy, N. (2019). Forecasting aluminum prices with commodity currencies. MPRA Paper, 97005. Retrieved from https://mpra.ub.uni-muenchen.de/97005/

Reichsfeld, D. A., Roache, S. K. (2011). Do commodity futures help forecast spot prices? IMF Working Paper, 11/254. Frankfurt: European Central Bank. https://doi.org/10.5089/9781463923891.001

Sharma, V., Cali, U., Sardana, B., Kuzlu, M., Banga, D., Pipattanasomporn, M. (2021). Data-driven short-term natural gas demand forecasting with machine learning techniques. Journal of Petroleum Science and Engineering, 206, 108979. https://doi.org/10.1016/j.petrol.2021.108979

Tularam, G. A., Saeed, T. (2016). Oil-price forecasting based on various univariate time-series models. American Journal of Operations Research, 6(3), 226–235. http://doi.org/10.4236/ajor.2016.63023

Wårell, L. (2014). The effect of a change in pricing regime on iron ore prices. Resources Policy, 41, 16–22. https://doi.org/10.1016/j.resourpol.2014.02.002

Wårell, L. (2018). An analysis of iron ore prices during the latest commodity boom. Mineral Economics, 31, 203–216. https://doi.org/10.1007/s13563-018-0150-2

West, K. D., Wong, K.-F. (2014). A factor model for co-movements of commodity prices. Journal of International Money and Finance, 42, 289–309. http://doi.org/10.1016/j.jimonfin.2013.08.016

Zivot, E., Wang, J. (2003). Modeling Financial Time Series with S-PLUS. New York: Springer-Verlag.

Додаткові матеріали
APPENDIX B. Figures 2-5 (PDF, 984.62 KB)
Права та дозволи
Ця стаття ліцензована відповідно до Creative Commons Attribution-NonCommercial 4.0 International License. Якщо інше не зазначено, рисунки та інші матеріали представлені на загальних для усієї статті умовах ліцензії Creative Commons. Якщо матеріали не ліцензовані відповідно до Creative Commons, користувачі мають запитувати у власника прав дозволу на їх відтворення чи використання.
Подати статтю