Predictability of financial commodities using econometric and machine learning models

Abstract

Financial commodities such as Brent crude oil and copper play a central role in inflation dynamics, industrial activity, and portfolio risk management, yet their returns remain difficult to forecast due to market shocks, non-normality, and time-varying volatility. This thesis examines the predictability of monthly commodity returns using a broad set of macro-financial indicators and evaluates whether machine-learning methods outperform established econometric benchmarks in a realistic forecasting environment. The empirical analysis focuses on Brent crude oil and Copper and employs monthly data from Federal Reserve Bank of St. Louis (FRED). All variables are pre-processed to ensure stationarity and comparability across models: price-related series are transformed into log-returns, while rate-type variables are differenced. Forecasting performance is assessed in an out-of-sample framework consistent with time-series validation, using standard accuracy measures such as RMSE and MAE. Methodologically, the study benchmarks traditional econometric approaches (OLS, ARMA and GARCH) against machine-learning methods commonly used in high-dimensional prediction (Ridge, LASSO, Decision Trees, and Random Forests). Overall, the evidence highlights the importance of estimation stability and regularization for forecasting commodity returns at a monthly horizon.Τα χρηματοοικονομικά εμπορεύματα, όπως το πετρέλαιο και ο χαλκός, διαδραματίζουν κεντρικό ρόλο στη δυναμική του πληθωρισμού, στη βιομηχανική δραστηριότητα και στη διαχείριση κινδύνου χαρτοφυλακίου, ωστόσο οι αποδόσεις τους παραμένουν δύσκολο να προβλεφθούν λόγω διαταραχών της αγοράς, μη κανονικότητας και χρονικά μεταβαλλόμενης μεταβλητότητας. Η παρούσα διπλωματική εργασία εξετάζει την προβλεψιμότητα των μηνιαίων αποδόσεων εμπορευμάτων χρησιμοποιώντας ένα ευρύ σύνολο μακροοικονομικών και χρηματοοικονομικών δεικτών και αξιολογεί κατά πόσο οι μέθοδοι μηχανικής μάθησης υπερτερούν των καθιερωμένων οικονομετρικών υποδειγμάτων σε ένα ρεαλιστικό περιβάλλον πρόβλεψης. Η εμπειρική ανάλυση επικεντρώνεται στο πετρέλαιο και στον χαλκό και χρησιμοποιεί μηνιαία δεδομένα από τη Federal Reserve Bank of St. Louis (FRED). Όλες οι μεταβλητές προεπεξεργάζονται ώστε να διασφαλιστεί η στασιμότητα και η συγκρισιμότητα μεταξύ των υποδειγμάτων: οι σειρές που σχετίζονται με τιμές μετατρέπονται σε λογαριθμικές αποδόσεις, ενώ οι μεταβλητές τύπου επιτοκίων μετατρέπονται σε πρώτες διαφορές. Η αξιολόγηση της προβλεπτικής ικανότητας πραγματοποιείται σε πλαίσιο εκτός δείγματος (out-of-sample), σύμφωνα με τη μεθοδολογία επικύρωσης χρονοσειρών, χρησιμοποιώντας τυπικά μέτρα ακρίβειας πρόβλεψης όπως RMSE και MAE. Μεθοδολογικά, η μελέτη συγκρίνει παραδοσιακές οικονομετρικές προσεγγίσεις (OLS, ARMA και GARCH) με μεθόδους μηχανικής μάθησης που χρησιμοποιούνται συχνά σε προβλήματα πρόβλεψης υψηλής διάστασης (Ridge, LASSO, Decision Trees, and Random Forests). Συνολικά, τα εμπειρικά αποτελέσματα αναδεικνύουν τη σημασία της σταθερότητας εκτίμησης και της κανονικοποίησης (regularization) για την πρόβλεψη αποδόσεων εμπορευμάτων σε μηνιαίο ορίζοντα.