Forecasting Term Structure of Crude Oil Markets Using Neural Networks

Abstract

Tato práce obohacuje ne příliš početnou literaturu zabývající se modelováním a předpovídáním výnosové křivky na ropných trzích. Za použití dynamického Nelson-Siegelova modelu je ropná výnosová křivka dekomponována na tři latentní faktory, které jsou dále použity k předpovídání pomocí parametrických metod a neuronových sítí. Odhad výnosové křivky pomocí Nelson-Siegelova modelu přináší povzbudivé výsledky a dokazuje svou aplikovatelnost na ceny termínovaných kontraktů na ropných trzích. Předpovědi získané pomocí dynamické neuronové sítě se ukázaly být obecně přesnější než u ostatních uvažovaných metod. Chyba předpovědi klesá s rostoucí dobou do maturity.

This thesis enhances rare literature focusing on modeling and forecasting of term structure of crude oil markets. Using dynamic Nelson-Siegel model, crude oil term structure is decomposed to three latent factors, which are further forecasted using both parametric and dynamic neural network approaches. In-sample fit using Nelson-Siegel model brings encouraging results and proves its applicability on crude oil futures prices. Forecasts obtained by focused time-delay neural network are in general more accurate than other benchmark models. Moreover, forecast error is decreasing with increasing time to maturity.