Forecasting natural gas prices using advanced econometric models and machine learning techniques

Abstract

Η αστάθεια και η απρόβλεπτη φύση των τιμών του φυσικού αερίου παρουσιάζουν σημαντικές προκλήσεις για επενδυτές, υπεύθυνους χάραξης πολιτικής και συμμετέχοντες στην αγορά ενέργειας. Αυτή η μελέτη εξετάζει την αποτελεσματικότητα διαφόρων τεχνικών μοντελοποίησης για την ανάλυση των τιμών του φυσικού αερίου στην αγορά των ΗΠΑ. Συγκρίνει στατιστικές μεθόδους και μεθόδους μηχανικής μάθησης, όπως την Πολλαπλή Γραμμική Παλινδρόμηση, τα μοντέλα Αυτοπαλίνδρομης Κινούμενου Μέσου (ARMA), τα Γενικευμένα Αυτοπαλίνδρομα μοντέλα Ετεροσκεδαστικότητας (GARCH). Τα ιστορικά δεδομένα των τιμών του φυσικού αερίου και οι σχετικοί μακροοικονομικοί δείκτες χρησιμοποιούνται για την αξιολόγηση κάθε μοντέλου. Αυτά τα μοντέλα αξιολογούνται με βάση στατιστικά μέτρα για τον προσδιορισμό της προβλεπτικής τους ικανότητας απόδοσης. Τα ευρήματα αποκαλύπτουν ότι τα παραδοσιακά μοντέλα πολλαπλής γραμμικής παλινδρόμησης έχουν περιορισμένη ακρίβεια λόγω της μη κανονικότητας,αυτοσυσχέτισης και της ετεροσκεδαστικότητας στα κατάλοιπα των δεδομένων. Αντίθετα, τα μοντέλα GARCH με κατανομή Student-t καταφέρνουν να συλλάβουν τη συσσώρευση της μεταβλητότητας και τις παχές άκρες της κατανομής, παρέχοντας χρήσιμες προβλέψεις για την ποσοστιαία μεταβολή των τιμών. Η εφαρμογή αυτών των τεχνικών μοντελοποίησης καθώς και τεχνικών μηχανικής μάθησης, όπως το Lasso και το Ridge, διερευνά επίσης αν η παρουσία πολυγραμμικότητας οδηγεί στον αποκλεισμό μεταβλητών. Όλα αυτά τα μοντέλα παράγουν παρόμοια αποτελέσματα, επιβεβαιώνοντας ότι ορισμένες μεταβλητές που είχαν ταυτοποιηθεί από προηγούμενα μοντέλα είναι σημαντικές, αν και επιπλέον μεταβλητές θεωρούνται απαραίτητες για τη μοντελοποίηση των μεταβολών των τιμών.

The volatility and unpredictability of natural gas prices present significant challenges for investors, policymakers, and participants in the energy market. This study examines the effectiveness of various modeling techniques for analyzing natural gas prices in the U.S. market. It compares statistical and machine learning methods, including Multiple Linear Regression, Autoregressive Moving Average (ARMA) Generalized Autoregressive Conditional Heteroscedasticity (GARCH) models and combined models. Historical natural gas price data and relevant macroeconomic indicators are used to train and assess each model. These models are evaluated based on statistical measures to determine their predictive performance. The findings reveal that traditional multiple linear regression models have limited accuracy due to the nonnormality and heteroscedasticity in the data. In contrast, GARCH models with a student-t distribution successfully capture volatility clustering and fat tails, offering valuable predictive insights into the percentage change in prices. The application of these modeling techniques as well as machine learning techniques like Lasso and Ridge, also explores whether the presence of multicollinearity leads to exclusion of variables. All those models produce similar results, confirming that certain variables identified by previous models are significant, although additional variables are deemed essential for modeling price changes.