Modeling natural gas time series using econometric models and machine learning techniques

Abstract

Η ανάλυση αυτή εξετάζει τις προκλήσεις που παρουσιάζονται από την ασταθή και απρόβλεπτη φύση των τιμών του φυσικού αερίου, ειδικότερα στην αμερικανική αγορά, που επηρεάζει επενδυτές, πολιτικούς και ενεργειακούς εμπλεκόμενους. Αξιολογεί διάφορες τεχνικές μοντελοποίησης για να κατανοήσει καλύτερα αυτές τις διακυμάνσεις των τιμών. Συγκρίνονται παράλληλα παραδοσιακές στατιστικές μέθοδοι όπως η Πολλαπλή Γραμμική Παλινδρόμηση και EGARCH μοντέλα, καθώς και σύγχρονες μέθοδοι μηχανικής μάθησης που περιλαμβάνουν Lasso, Bagging Regression, Random Forest και Recursive Partitioning.This analysis delves into the challenges presented by the volatile and unpredictable nature of natural gas prices, particularly within the U.S. market, impacting investors, policymakers, and energy stakeholders. It evaluates various modeling techniques to better understand these price fluctuations. Comparisons are drawn between traditional statistical methods such as Multiple Linear Regression and Exponential Generalized Autoregressive Conditional Heteroscedasticity (EGARCH) models, and modern machine learning approaches including Lasso, Bagging Regression, Random Forest, and Recursive Partitioning.