Forecasting the term structure of crude oil futures prices with neural networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F16%3A00453168" target="_blank" >RIV/67985556:_____/16:00453168 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/00216208:11230/16:10317566

Výsledek na webu

<a href="http://dx.doi.org/10.1016/j.apenergy.2015.11.051" target="_blank" >http://dx.doi.org/10.1016/j.apenergy.2015.11.051</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.apenergy.2015.11.051" target="_blank" >10.1016/j.apenergy.2015.11.051</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Forecasting the term structure of crude oil futures prices with neural networks

Popis výsledku v původním jazyce

The paper contributes to the limited literature modelling the term structure of crude oil markets. We explain the term structure of crude oil prices using the dynamic Nelson–Siegel model and propose to forecast oil prices using a generalized regression framework based on neural networks. The newly proposed framework is empirically tested on 24 years of crude oil futures prices covering several important recessions and crisis periods. We find 1-month-, 3-month-, 6-month- and 12-month-ahead forecasts obtained from a focused time-delay neural network to be significantly more accurate than forecasts from other benchmark models. The proposed forecasting strategy produces the lowest errors across all times to maturity.

Název v anglickém jazyce

Forecasting the term structure of crude oil futures prices with neural networks

Popis výsledku anglicky

The paper contributes to the limited literature modelling the term structure of crude oil markets. We explain the term structure of crude oil prices using the dynamic Nelson–Siegel model and propose to forecast oil prices using a generalized regression framework based on neural networks. The newly proposed framework is empirically tested on 24 years of crude oil futures prices covering several important recessions and crisis periods. We find 1-month-, 3-month-, 6-month- and 12-month-ahead forecasts obtained from a focused time-delay neural network to be significantly more accurate than forecasts from other benchmark models. The proposed forecasting strategy produces the lowest errors across all times to maturity.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

AH - Ekonomie

OECD FORD obor

—

Projekt

<a href="/cs/project/GBP402%2F12%2FG097" target="_blank" >GBP402/12/G097: DYME-Dynamické modely v ekonomii</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Applied Energy

ISSN

0306-2619

e-ISSN

—

Svazek periodika

164

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

GB - Spojené království Velké Británie a Severního Irska

Počet stran výsledku

14

Strana od-do

366-379

Kód UT WoS článku

000372379700035

EID výsledku v databázi Scopus

2-s2.0-84951017088