Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/90049
Title: COMPARAÇÃO DE MODELOS DE PREVISÃO DO PREÇO DO PETRÓLEO
Other Titles: COMPARISON OF PETROLEUM PRICE FORECAST MODELS
Authors: Punza, Gonçalo Wilson da Silva
Orientador: Bação, Pedro Miguel Avelino
Keywords: ARIMA; modelo Vetor Autorregressivo (VAR); preço do petróleo; Support Vector Machine (SVM).; rede neural artificial (ANN); ARIMA; VAR model; oil price; Support Vector Machine (SVM); Artificial Neural Network (ANN)
Issue Date: 23-Jul-2019
Serial title, monograph or event: COMPARAÇÃO DE MODELOS DE PREVISÃO DO PREÇO DO PETRÓLEO
Place of publication or event: Faculdade de Economia
Abstract: Dado a importância que o petróleo tem para o funcionamento de muitas atividades económicas que têm estado na base do crescimento económico das nações, o petróleo é ainda a matéria-prima mais importante transacionada a nível mundial. A sua importância é tal que continua a ter um impacto muito grande na definição de políticas económicas por parte dos governos, para além da influência que tem sobre o comportamento das empresas e dos consumidores privados. O que é que determina a evolução do preço do petróleo? Este trabalho tem como objetivoavaliar as previsões obtidas com dois grupos de modelos de previsão. O primeiro grupo engloba os modelos mais tradicionais: ARIMA, VAR e regressão múltipla. O modelo VAR e o modelo de regressão múltipla incorporam informação sobre possíveis determinantes do preço do petróleo. Já o segundo grupo é composto por duas classes de modelos que se baseiam no machine learning: support vector machine (SVM) e rede neural artificial (ANN). Estes modelos são considerados “caixas negras”, pois é difícil perceber de que forma as variáveis explicativas estão relacionadas com a variável dependente. Entre os modelos testados, apenas o modelo SVM com uma função kernel linear teve um desempenho semelhante ao do modelo de previsão naive, tendo os outros modelos apresentado desempenhos inferiores. Portanto, prever o preço do petróleo parece continuar a ser muito difícil, mesmo fazendo uso de modelos de machine learning.Given the importance that oil has to the functioning of many economic activities that are the basis for the economic growth of nations, oil is still the most important raw material traded worldwide. Its importance is such that it continues to have a very big impact on the definition of economic policies by governments, besides its influence on the behaviour of companies and privateconsumers. What determines the price of oil? This work project evaluates the forecasts obtained with two groups of forecast models. The first group includes the more traditional models: ARIMA, VAR and multiple regression. The VAR model and the multiple regression model incorporate information about possible determinants of the price of oil. The second group is composed by machine learning models: support vector machine (SVM) and artificial neural network (ANN). These models are considered “black boxes”, because it is difficult to understand the relation between the explanatory variables and the dependent variable. Among the models that we tested, only the SVM model with a linear kernel function performed at the level of the naïve forecast model, with all the other models performing worse.Therefore, to forecast the oil price is still very hard, even if one uses machine learning models.
Given the importance that oil has to the functioning of many economic activities that are the basis for the economic growth of nations, oil is still the most important raw material traded worldwide. Its importance is such that it continues to have a very big impact on the definition of economic policies by governments, besides its influence on the behaviour of companies and privateconsumers. What determines the price of oil? This work project evaluates the forecasts obtained with two groups of forecast models. The first group includes the more traditional models: ARIMA, VAR and multiple regression. The VAR model and the multiple regression model incorporate information about possible determinants of the price of oil. The second group is composed by machine learning models: support vector machine (SVM) and artificial neural network (ANN). These models are considered “black boxes”, because it is difficult to understand the relation between the explanatory variables and the dependent variable. Among the models that we tested, only the SVM model with a linear kernel function performed at the level of the naïve forecast model, with all the other models performing worse.Therefore, to forecast the oil price is still very hard, even if one uses machine learning models.Dado a importância que o petróleo tem para o funcionamento de muitas atividades económicas que têm estado na base do crescimento económico das nações, o petróleo é ainda a matéria-prima mais importante transacionada a nível mundial. A sua importância é tal que continua a ter um impacto muito grande na definição de políticas económicas por parte dos governos, para além da influência que tem sobre o comportamento das empresas e dos consumidores privados. O que é que determina a evolução do preço do petróleo? Este trabalho tem como objetivoavaliar as previsões obtidas com dois grupos de modelos de previsão. O primeiro grupo engloba os modelos mais tradicionais: ARIMA, VAR e regressão múltipla. O modelo VAR e o modelo de regressão múltipla incorporam informação sobre possíveis determinantes do preço do petróleo. Já o segundo grupo é composto por duas classes de modelos que se baseiam no machine learning: support vector machine (SVM) e rede neural artificial (ANN). Estes modelos são considerados “caixas negras”, pois é difícil perceber de que forma as variáveis explicativas estão relacionadas com a variável dependente. Entre os modelos testados, apenas o modelo SVM com uma função kernel linear teve um desempenho semelhante ao do modelo de previsão naive, tendo os outros modelos apresentado desempenhos inferiores. Portanto, prever o preço do petróleo parece continuar a ser muito difícil, mesmo fazendo uso de modelos de machine learning.
Description: Trabalho de Projeto do Mestrado em Economia apresentado à Faculdade de Economia
URI: http://hdl.handle.net/10316/90049
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
TP_Gonçalo_Punza_2010132020. novo.pdf1.48 MBAdobe PDFView/Open
Show full item record

Page view(s)

12
checked on Sep 17, 2020

Download(s)

22
checked on Sep 17, 2020

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons