Title (eng)
Oil Prices: Analysis of High-Frequency Data
Parallel title (deu)
Ölpreise: Analyse von Hochfrequenzdaten
Author
Anna Kaushik
Advisor
Franz Wirl
Assessor
Franz Wirl
Abstract (deu)
Traditionelle makroökonomische Nachfrage- und Angebotsargumente können die unaufhörlichen Schwankungen des heutigen Ölpreises nicht erklären. Daraus ergibt sich die Frage: Was treibt die Ölpreise an und können Prognosen helfen, die zukünftige Ausrichtung der Ölpreise bei Volatilität zu identifizieren? Mixed-Data-Sampling (MIDAS) Regression ist ein Thema von wachsendem Interesse, da die erfragte Variable oft mit einer niedrigeren Frequenz erwünscht ist, während die relevanten Daten in einer höheren Frequenz verfügbar sind. In diesem Zusammenhang ist die Rolle der hochfrequenz Finanz- und Energiemarktdaten bei der Vorhersage des Rohölpreises von zunehmender Bedeutung. Dies fußt darauf dass diese Märkte dazu neigen, die Auswirkungen der Volatilität nahezu sofort, im Gegensatz zu anderen längerfristig anhaltenden makroökonomischen Indikatoren, zu erfassen. Ich untersuche die Vorteile der Anwendung von univariat MIDAS-Modellen bei der Vorhersage des zukünftigen Rohölpreises. Unter Verwendung einer Reihe von Hochfrequenz-Prädiktoren, komme ich zu dem Schluss dass der Öl-Futures-Markt und die globalen Metallpreise bei der Vorhersage der Rohölpreisänderungen über mehrere Prognosehorizonte, viel versprechende Ergebnisse aufweisen. Die Ergebnisse für die Prognose am ersten Prognosehorizont weisen jedoch große Fehlberechnungen auf, die nicht übersehen werden sollten. Ich schließe daraus, dass die hochfrequenz Finanz- und Energieprognosen keine signifikanten Auswirkungen auf die kurzfristige Verbesserung der Ölpreisprognosen zu haben scheinen. Obwohl die Hochfrequentzdaten informationsreiche Signale enthalten können, sind diese nicht stark genug, um das zusätzliche Rauschen zu kompensieren, was oft als Nachteil bei der Verwendung von Hochfrequenzdaten gesehen wird. Darüber hinaus, sind MIDAS-Modelle bei einem vorraussichtlichen Markteinbruch besonders ungeeignet und sollten nicht angewandt werden. Dies liegt daran, dass schlechte Marktnachrichten tendenziell eine schwere negative Auswirkung auf die prädiktive Genauigkeit haben und die Leistung der Prognosemodelle beeinträchtigen.
Abstract (eng)
Traditional macroeconomic demand and supply arguments fail to explain the incessant fluctuations in today’s oil prices. This gives rise to the question: what drives oil prices and can forecasting help identify the future direction of oil prices in the presence of volatility? Mixed-data sampling (MIDAS) regression is a topic of growing interest since the variable in question is often desired at a lower frequency while the relevant information is also available at a higher frequency. In this context, the role of high-frequency financial and energy market data in predicting the price of crude oil is of increasing importance since these markets tend to catch the effects of volatility almost immediately in contrast to other macroeconomic indicators which are subject to longer periods of revision. I investigate the benefits of using univariate MIDAS models in predicting the future price of crude oil. Using a range of high-frequency predictors, I find that the oil futures market and global metal prices show promising results in predicting crude oil prices changes over multiple forecast horizons. The results for the one-step ahead forecast, however, show large prediction errors which cannot be overlooked. I conclude that high-frequency financial and energy predictors do not appear to have a very significant bearing on improving forecast performance in the short run. Although the high-frequency data may contain information rich signals, it is not powerful enough to compensate for the additional noise, which is said to be the cost of using high-frequency data in forecasting. Last but not least, MIDAS models are especially unsuitable and should be refrained from, when a market crash is in sight. This is because bad market news tends to have a severe negative impact on predictive accuracy and interferes with the performance of the forecast models.
Keywords (eng)
Brent crude oil priceFinancial and energy marketsHigh-frequency dataMixed-data sampling (MIDAS)Non-linear least squares (NLS)Forecasts
Keywords (deu)
Brent-RohölpreisFinanz- und EnergiemärkteHochfrequenzdatenMixed-Data-Sampling (MIDAS)Non-linear least squares (NLS)Prognosen
Subject (deu)
Subject (deu)
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1330570
rdau:P60550 (deu)
79 Seiten : Illustrationen
Number of pages
80
Association (deu)
Title (eng)
Oil Prices: Analysis of High-Frequency Data
Parallel title (deu)
Ölpreise: Analyse von Hochfrequenzdaten
Author
Anna Kaushik
Abstract (deu)
Traditionelle makroökonomische Nachfrage- und Angebotsargumente können die unaufhörlichen Schwankungen des heutigen Ölpreises nicht erklären. Daraus ergibt sich die Frage: Was treibt die Ölpreise an und können Prognosen helfen, die zukünftige Ausrichtung der Ölpreise bei Volatilität zu identifizieren? Mixed-Data-Sampling (MIDAS) Regression ist ein Thema von wachsendem Interesse, da die erfragte Variable oft mit einer niedrigeren Frequenz erwünscht ist, während die relevanten Daten in einer höheren Frequenz verfügbar sind. In diesem Zusammenhang ist die Rolle der hochfrequenz Finanz- und Energiemarktdaten bei der Vorhersage des Rohölpreises von zunehmender Bedeutung. Dies fußt darauf dass diese Märkte dazu neigen, die Auswirkungen der Volatilität nahezu sofort, im Gegensatz zu anderen längerfristig anhaltenden makroökonomischen Indikatoren, zu erfassen. Ich untersuche die Vorteile der Anwendung von univariat MIDAS-Modellen bei der Vorhersage des zukünftigen Rohölpreises. Unter Verwendung einer Reihe von Hochfrequenz-Prädiktoren, komme ich zu dem Schluss dass der Öl-Futures-Markt und die globalen Metallpreise bei der Vorhersage der Rohölpreisänderungen über mehrere Prognosehorizonte, viel versprechende Ergebnisse aufweisen. Die Ergebnisse für die Prognose am ersten Prognosehorizont weisen jedoch große Fehlberechnungen auf, die nicht übersehen werden sollten. Ich schließe daraus, dass die hochfrequenz Finanz- und Energieprognosen keine signifikanten Auswirkungen auf die kurzfristige Verbesserung der Ölpreisprognosen zu haben scheinen. Obwohl die Hochfrequentzdaten informationsreiche Signale enthalten können, sind diese nicht stark genug, um das zusätzliche Rauschen zu kompensieren, was oft als Nachteil bei der Verwendung von Hochfrequenzdaten gesehen wird. Darüber hinaus, sind MIDAS-Modelle bei einem vorraussichtlichen Markteinbruch besonders ungeeignet und sollten nicht angewandt werden. Dies liegt daran, dass schlechte Marktnachrichten tendenziell eine schwere negative Auswirkung auf die prädiktive Genauigkeit haben und die Leistung der Prognosemodelle beeinträchtigen.
Abstract (eng)
Traditional macroeconomic demand and supply arguments fail to explain the incessant fluctuations in today’s oil prices. This gives rise to the question: what drives oil prices and can forecasting help identify the future direction of oil prices in the presence of volatility? Mixed-data sampling (MIDAS) regression is a topic of growing interest since the variable in question is often desired at a lower frequency while the relevant information is also available at a higher frequency. In this context, the role of high-frequency financial and energy market data in predicting the price of crude oil is of increasing importance since these markets tend to catch the effects of volatility almost immediately in contrast to other macroeconomic indicators which are subject to longer periods of revision. I investigate the benefits of using univariate MIDAS models in predicting the future price of crude oil. Using a range of high-frequency predictors, I find that the oil futures market and global metal prices show promising results in predicting crude oil prices changes over multiple forecast horizons. The results for the one-step ahead forecast, however, show large prediction errors which cannot be overlooked. I conclude that high-frequency financial and energy predictors do not appear to have a very significant bearing on improving forecast performance in the short run. Although the high-frequency data may contain information rich signals, it is not powerful enough to compensate for the additional noise, which is said to be the cost of using high-frequency data in forecasting. Last but not least, MIDAS models are especially unsuitable and should be refrained from, when a market crash is in sight. This is because bad market news tends to have a severe negative impact on predictive accuracy and interferes with the performance of the forecast models.
Keywords (eng)
Brent crude oil priceFinancial and energy marketsHigh-frequency dataMixed-data sampling (MIDAS)Non-linear least squares (NLS)Forecasts
Keywords (deu)
Brent-RohölpreisFinanz- und EnergiemärkteHochfrequenzdatenMixed-Data-Sampling (MIDAS)Non-linear least squares (NLS)Prognosen
Subject (deu)
Subject (deu)
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1330571
Number of pages
80
Association (deu)
License
Citable links
Other links
Managed by
Details
Metadata
Export formats
Universitätsring 1, 1010 Wien | T
T +43-1-4277-0