Forecasting natural gas prices

Abstract

El gas natural se utiliza hoy día como combustible fósil, y se ha convertido en un medio esencial de energía. Este documento trata de encontrar una técnica para predecir su precio de la manera más precisa posible. Para ello, se utilizan modelos autorregresivos y Machine Learning. El estudio se divide en 8 capítulos. Un primer capítulo recoge la información general sobre el gas natural y su mercado, así como sus implicaciones ambientales. Un segundo recopila las variables que afectan a los precios del gas natural y que se incluirán en los modelos autorregresivos. Seguidamente, se construye un modelo autorregresivo de referencia de primer orden para poder después evaluar el rendimiento del modelo ARX. Este modelo ARX predice el precio del gas natural utilizando el histórico del precio del mismo y las variaciones interanuales o mensuales de las variables que se han identificado como influyentes en su precio. El rendimiento de este modelo se evalúa mediante el estadístico R2 fuera de la muestra y su significación estadística mediante el estadístico MSPE ajustado. No se construye un único modelo ARX, si no varios con diferentes combinaciones de las variables identificadas. Finalmente, se describe el concepto de "Machine Learning" así como las diferentes técnicas dentro de este campo. Utilizando LSTM, se predice el precio del gas para septiembre de 2010 a enero de 2022, al igual que con los modelos ARX. Para comparar el rendimiento de todos los modelos, se calcula el R2 y el RMSE de cada uno. En términos de varianza explicada, el modelo que usa Machine Learning es superior a los modelos autorregresivos, explicando aproximadamente un 30% más. Sin embargo, en términos de RMSE, todos los modelos realizan un error promedio similar (+/- 0.50€). Asimismo, el modelo ARX tiene un comportamiento ligeramente mejor que el modelo de referencia.Natural gas is used as a fossil fuel and has become an essential means of energy. This document tries to find a technique to predict this commodity’s price as accurately as possible. For this, autoregressive models and Machine Learning are used. The study is divided into 8 chapters. The first chapter gathers general information about natural gas and its market, as well as its environmental implications. A second chapter compiles the variables that affect natural gas prices and that will be included in the autoregressive models. Next, a reference model consisting of a first order autoregressive model is constructed to later evaluate the performance of the ARX model. This ARX model predicts the price of natural gas using the historical price of natural gas and the monthly or yearly variations of the variables that have been identified as influencing natural gas prices. The performance of this model is assessed by the statistic R2 outside the sample and its statistical significance is evaluated by estimating the adjusted-MSPE statistic. Not a single ARX model is built, but several with different combinations of the identified variables. Finally, the concept of "Machine Learning" as well as the different techniques within this field, are described. Using LSTM, the price of natural gas is predicted for September 2010 to January 2022, as with the ARX models. To compare the performance of all models, the R2 and RMSE are calculated for each of them. In terms of explained variance, the model using Machine Learning is superior to the autoregressive models, explaining approximately 30% more of the variance. However, in terms of RMSE, all models perform a similar average error (+/- 0.50€). Also, the ARX model has slightly better performance than the reference model.