dc.contributor.advisor | Σκιαδόπουλος, Γεώργιος | |
dc.contributor.author | Ναυπλιώτη, Ιωάννα | |
dc.date.accessioned | 2018-03-21T11:15:34Z | |
dc.date.available | 2018-03-21T11:15:34Z | |
dc.date.issued | 2018 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/11106 | |
dc.description.abstract | Η πρόβλεψη των τιμών ενέργειας αποτελεί αντικείμενο ιδιαίτερου ενδιαφέροντος για όλους τους συμμετέχοντες στην αγορά ενέργειας. Χρησιμοποιώντας μηνιαίες τιμές διακανονισμού για συμβόλαια μελλοντικής εκπλήρωσης (ΣΜΕ) μικρής ληκτότητας (ενός, δύο και τριών μηνών) εγγραμμένων πάνω σε τρία ενεργειακά προϊόντα του Χρηματιστηρίου Εμπορευμάτων της Νέας Υόρκης (αργό πετρέλαιο, πετρέλαιο θέρμανσης και φυσικό αέριο), η παρούσα εργασία εξετάζει την προβλεψιμότητα των εν λόγω τιμών κατά την χρονική περίοδο Ιαν. 1990 – Δεκ. 2016. Με την ανάλυση αυτή να βασίζεται σε τρία εναλλακτικά οικονομετρικά υποδείγματα, οι προβλέψεις παράγονται τόσο εντός όσο κι εκτός δείγματος, καθώς κι αξιολογούνται με διάφορα κριτήρια (συμπεριλαμβανομένου και του τροποποιημένου Diebold-Mariano Test). Το βασικό οικονομικό μοντέλο που κατασκευάζεται στηρίζεται σε μακροοικονομικές και χρηματοοικονομικές μεταβλητές οι οποίες, βάσει βιβλιογραφίας, προβλέπουν ικανοποιητικά τα χρονικά-μεταβαλλόμενα ασφάλιστρα κινδύνου μετοχών κι ομολόγων. Το εναλλακτικό υπόδειγμα βασίζεται στις πρώτες τρεις κύριες συνιστώσες που εξάγονται από την εφαρμογή της μεθόδου PCA (Ανάλυση Κύριων Συνιστωσών) πάνω στη μακροοικονομική βάση δεδομένων των McCracken και Ng (2016). Εν συνεχεία, τα αποτελέσματα των δύο προαναφερθέντων υποδειγμάτων συγκρίνονται με αυτά ενός αυτοπαλίνδρομου μοντέλου πρώτης τάξεως, AR(1). Ενώ τα αποτελέσματα παρουσιάζουν εφικτή τη προβλεψιμότητα εντός δείγματος σύμφωνα με το οικονομικό μοντέλο, το αυτοπαλίνδρομο AR(1) δείχνει να αποτελεί το βέλτιστο μοντέλο για προβλέψεις των ενεργειακών ΣΜΕ εκτός δείγματος. | el |
dc.format.extent | 81 | el |
dc.language.iso | en | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.title | Predicting energy futures prices | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Χρηματοοικονομικής και Τραπεζικής Διοικητικής | el |
dc.description.abstractEN | Forecasting energy commodity prices is of great importance for policymakers, individuals and researchers. Using end-of-month settlement prices of the first three shortest maturity NYMEX energy futures (i.e. WTI Crude Oil, Heating Oil, and Natural Gas) over the period Jan.1990-Dec.2016, this thesis examines whether the evolution of futures log-returns can be predicted across multiple forecast horizons and, if so, by which variables. Based on three alternative linear model specifications, in-sample and out-of-sample point forecasts are generated and evaluated under different performance measures, including the modified Diebold-Mariano Test. The economic model is constructed by means of macroeconomic and financial indicators which have been found to predict the time-varying risk-premia of traditional asset classes (i.e. equities and bonds). Three joint Principal Components (PCs) are also extracted from McCracken and Ng’s (2016) large macroeconomic database and used as potential predictors in a latent factor model. The results are then compared to a univariate autoregressive AR(1) model. While the results provide evidence of significant in-sample predictability under the economic model, the benchmark AR(1) model outperforms both the economic and the PCA models out-of-sample. | el |
dc.contributor.master | Χρηματοοικονομική και Τραπεζική με κατεύθυνση στην Χρηματοοικονομική και Τραπεζική Διοικητική | el |
dc.subject.keyword | McCracken and Ng | el |
dc.subject.keyword | Crude oil | el |
dc.subject.keyword | Commodities | el |
dc.subject.keyword | Energy | el |
dc.subject.keyword | Futures | el |
dc.subject.keyword | Heating oil | el |
dc.subject.keyword | Natural gas | el |
dc.subject.keyword | Predictability | el |
dc.subject.keyword | Principal compenents analysis | el |
dc.date.defense | 2018-02-16 | |