Predicting oil prices

• Autorzy: Ejdys J. , Halicka K. , Winkowski C.

Warianty tytułu

PL

Prognozowanie cen ropy naftowej

• Języki publikacji: EN

Abstrakty

EN

The purpose of this article is the use of artificial intelligence methods and exponential smoothing methods to determine the short-term forecast of BRENT oil prices. Another important objective of the research is to conduct a comparative analysis of the quality of the forecasts and make recommendations concerning the constructed forecasting models. Historical data used in this study came from the London Stock Exchange and covered the period from January 2012 to April 2013. The selection of forecasting models was based on the visual decomposition of the time series. The comparative analysis of the quality of the forecasts was carried out, inter alia, on the basis of such measures as mean error (ME), mean absolute error (MAE), root of mean squared error (RMS), mean relative error (MAPE), and the relative error (APE).

PL

Celem niniejszego artykułu jest zastosowanie metod sztucznej inteligencji oraz metod wygładzania wykładniczego do wyznaczenia krótkookresowej prognozy ceny ropy naftowej BRENT. Kolejnym istotnym celem badań jest przeprowadzenie analizy porównawczej jakości otrzymanych prognoz i dokonanie rekomendacji zbudowanych modeli prognostycznych. Dane historyczne wykorzystane w niniejszym badaniu pochodziły z giełdy London Stock Exchange i obejmowały okres od stycznia 2012 r. do kwietnia 2013 r. Wyboru modeli prognostycznych dokonano na podstawie wizualnej dekompozycji szeregu czasowego. Analiza porównawcza jakości otrzymanych prognoz została przeprowadzona między innymi na podstawie takich miar jak średni błąd (ME), średni bezwzględny błąd (MAE), pierwiastek ze średniego kwadratowego błędu (RMS), średni względny błąd (MAPE) oraz względny błąd (APE).

Słowa kluczowe

EN

forecasting; forecast quality; price; crude oil; Holt-Winters model; artificial neural networks

PL

prognozowanie; jakość prognozy; cena; ropa naftowa; model Holta-Wintersa; sztuczna sieć neuronowa

• Wydawca: Wydawnictwo Naukowe Instytutu Technologii Eksploatacji - Państwowego Instytutu Badawczego
• Czasopismo: Problemy Eksploatacji
• Rocznik: 2014
• Tom: no. 1
• Strony: 5--13
• Opis fizyczny: Bibliogr. 11 poz., tab., wykr.

Twórcy

autor

Ejdys J.

• Faculty of Management, Bialystok University of Technology, Bialystok

autor

Halicka K.

• Faculty of Management, Bialystok University of Technology, Bialystok

autor

Winkowski C.

• Multi Packaging Solutions Bialystok. Holdings Sp. z o.o.

Bibliografia

• 1. Alquist R., Kilian L., Vigfusson R.J.: Forecasting the Price of Oil, Working Papers – U.S. Federal Reserve Board's International Finance Discussion Papers. July 2011, Issue 1022-1024, pp. 1-16.
• 2. Arouri M., Lahiani A., Lévy A., Nguyen D.: Forecasting the conditional volatility of oil spot and futures prices with structural breaks and long memory models, Energy Economics. Jan2012, Vol. 34 Issue 1, pp. 283-293. 11p.
• 3. Bao Y., Zhang X., Yu L., Lai K.K., Wang S.: An integrated model using wavelet decomposition and least squares support vector machines for monthly crude oil prices forecasting, New Mathematics & Natural Computation. Jul2011, Vol. 7 Issue 2, pp. 299-311. 13p.
• 4. Chodakowska E., Halicka K., Kononiuk A., Nazarko J.: Prognozowanie cen energii elektrycznej na Towarowej Giełdzie Energii SA z wykorzystaniem modeli ARIMA w: Technologie informatyczne i prognozowanie w zarządzaniu: wybrane zagadnienia, Nazarko J., Kiełtyka L. (red.), Wydawnictwo Politechniki Białostockiej, Białystok 2005.
• 5. Halicka K., Godlewska J.: Prognozowanie średniego miesięcznego kursu kupna USD, Ekonomia i Zarządzanie, T. 4, nr 2, Oficyna Wydawnicza Politechniki Białostockiej, Białystok T. 5, nr 1 (2013) s. 19–29.
• 6. Knetsch Thomas A.: Forecasting the price of crude oil via convenience yield predictions, Journal of Forecasting. Nov2007, Vol. 26 Issue 7, pp. 527-549. 23p.
• 7. Merino A., Albacete R.: Econometric modelling for short-term oil price forecasting, OPEC Energy Review. Mar2010, Vol. 34 Issue 1, pp. 25-41. 17p.
• 8. Mishra G., Singh A.: A Study on Forecasting Prices of Groundnut Oil in Delhi by Arima Methodology and Artificial Neural Networks, Agris On-Line Papers in Economics & Informatics. Sep2013, Vol. 5 Issue 3, pp. 25-34. 10p.
• 9. Nazarko J. (red.): Prognozowanie w zarządzaniu przedsiębiorstwem. Część III. Prognozowanie na podstawie modeli adaptacyjnych., Wydawnictwo Politechniki Białostockiej, Białystok 2005.
• 10. Xiong T., Bao Y., Hu Z.: Beyond one-step-ahead forecasting: Evaluation of alternative multi-step-ahead forecasting models for crude oil process, Energy Economics. Nov2013, Vol. 40, pp. 405-415. 11p.
• 11. Yu L., Wang S., Lai K.K.: Forecasting crude oil price with an EMD-based neural network ensemble learning paradigm, Energy Economics. Sep2008, Vol. 30 Issue 5, pp. 2623-2635. 13p.