Forecasting energy market series using econometric models and machine learning techniques

Abstract

Η παρούσα μελέτη επικεντρώνεται στη σύγκριση διαφόρων τεχνικών μοντελοποίησης και πρόβλεψης που εφαρμόζονται στις αγορές ενέργειας. Ειδικότερα στις τιμές και την μεταβλητότητα του αργού πετρελαίου στην Αμερικανική και του φυσικού αερίου στην Ευρωπαϊκή και Ασιατική αγορά. Επιπλέον, ενσωματώσαμε μοντέλα μηχανικής μάθησης όπως random forest, XGBoost, δίκτυα long short-term memory και temporal fusion transformers στη διαδικασία πρόβλεψης και αξιολογήσαμε τις επιδόσεις αυτών έναντι πιο παραδοσιακών γραμμικών οικονομετρικών τεχνικών όπως μοντέλα παλινδρόμησης με αυτοσυσχετιζόμενα σφάλματα και γενικευμένη αυτοπαλινδρόμηση υπό όρους ετεροσκεδαστικότητας. Μέσω των δοκιμών εκτός δείγματος επιβεβαιώσαμε τη σημασία των εξωγενών γεωπολιτικών μεταβλητών, τη σημασία που έχει η διάρκεια των σοκ στις προβλέψεις αλλά και την πολλά υποσχόμενη ακρίβεια μοντέλων Self-attention στις χρονοσειρές των αγορών ενέργειας.

This study is dedicated to comparing different modeling and forecasting techniques applied to energy markets, specifically crude oil for the American and natural gas for European and Asian market prices and volatility. Furthermore, we are incorporating machine learning models such as random forests, gradient boosting, long short-term memory networks, and temporal fusion transformers in the prediction process, evaluating the impact of those over more traditional linear econometric techniques like regression models with autocorrelated errors and conditional heteroscedasticity components. Through out-of-sample testing, we confirmed the importance of event indicators, the consistency of shocks in model prediction, and the promising accuracy of self-attention models in energy market time series.