Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Predicting the Oil Price Movement in Commodity Markets in Global Economic Meltdowns

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F75081431%3A_____%2F23%3A00002600" target="_blank" >RIV/75081431:_____/23:00002600 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.mdpi.com/2571-9394/5/2/20" target="_blank" >https://www.mdpi.com/2571-9394/5/2/20</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Predicting the Oil Price Movement in Commodity Markets in Global Economic Meltdowns

  • Popis výsledku v původním jazyce

    The price of oil is nowadays a hot topic as it affects many areas of the world economy. The price of oil also plays an essential role in how the economic situation is currently developing (such as the COVID-19 pandemic, inflation and others) or the political situation in surrounding countries. The paper aims to predict the oil price movement in stock markets and to what extent the COVID-19 pandemic has affected stock markets. The experiment measures the price of oil from 2000 to 2022. Time-series-smoothing techniques for calculating the results involve multilayer perceptron (MLP) networks and radial basis function (RBF) neural networks. Statistica 13 software, version 13.0 forecasts the oil price movement. MLP networks deliver better performance than RBF networks and are applicable in practice. The results showed that the correlation coefficient values of all neural structures and data sets were higher than 0.973 in all cases, indicating only minimal differences between neural networks. Therefore, we must validate the prediction for the next 20 trading days. After the validation, the first neural network (10 MLP 1-18-1) closest to zero came out as the best. This network should be further trained on more data in the future, to refine the results.

  • Název v anglickém jazyce

    Predicting the Oil Price Movement in Commodity Markets in Global Economic Meltdowns

  • Popis výsledku anglicky

    The price of oil is nowadays a hot topic as it affects many areas of the world economy. The price of oil also plays an essential role in how the economic situation is currently developing (such as the COVID-19 pandemic, inflation and others) or the political situation in surrounding countries. The paper aims to predict the oil price movement in stock markets and to what extent the COVID-19 pandemic has affected stock markets. The experiment measures the price of oil from 2000 to 2022. Time-series-smoothing techniques for calculating the results involve multilayer perceptron (MLP) networks and radial basis function (RBF) neural networks. Statistica 13 software, version 13.0 forecasts the oil price movement. MLP networks deliver better performance than RBF networks and are applicable in practice. The results showed that the correlation coefficient values of all neural structures and data sets were higher than 0.973 in all cases, indicating only minimal differences between neural networks. Therefore, we must validate the prediction for the next 20 trading days. After the validation, the first neural network (10 MLP 1-18-1) closest to zero came out as the best. This network should be further trained on more data in the future, to refine the results.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    50200 - Economics and Business

Návaznosti výsledku

  • Projekt

  • Návaznosti

    V - Vyzkumna aktivita podporovana z jinych verejnych zdroju

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    Forecasting

  • ISSN

    2571-9394

  • e-ISSN

  • Svazek periodika

    5

  • Číslo periodika v rámci svazku

    2

  • Stát vydavatele periodika

    CH - Švýcarská konfederace

  • Počet stran výsledku

    16

  • Strana od-do

    374-389

  • Kód UT WoS článku

    001014611200001

  • EID výsledku v databázi Scopus

    2-s2.0-85163756347