Predicción y generación de escenarios de curvas de futuros del Brent usando técnicas de Machine Learning

Abstract

La importancia estratégica de los futuros del Brent en todos los sectores de la economía global, junto con su creciente volumen de negociación y su elevada liquidez, los convierte en objeto de estudio para un número creciente de inversores. Este aumento de interés ha venido acompañado por una profundización en la investigación de técnicas de Machine Learning empleadas para poder predecir sus precios. Por lo tanto, el objetivo de este trabajo es evaluar distintas técnicas para predecir y generar escenarios de la curva de futuros del Brent que permitan determinar mejores estrategias de trading. El análisis de componentes principales determina que las dos primeras componentes explican el 99,8% de la varianza y que éstas deben usarse en la implementación de los modelos de predicción y de generación de escenarios. Para predecir las curvas de futuros del Brent se evalúan dos opciones: un modelo ARIMA(1,1,0), y un modelo de regresión dinámica ARIMA(1,1,0) que usa el precio actual del Brent como variable explicativa. Aunque las predicciones de ambos modelos son adecuadas, el modelo de regresión dinámica tiene una precisión más alta en la mayoría de los puntos de las curvas. Por otro lado, la técnica de generación de escenarios mediante la simulación de errores históricos de un modelo ARIMA no es particularmente efectiva para simular las curvas de futuros del Brent. Los escenarios no contribuyen a entender la variabilidad y la incertidumbre de las predicciones.The strategic importance of Brent futures to all sectors of the global economy, together with their growing trading volume and high liquidity, has made them a major target for many investors. This high level of interest has been accompanied by increased research on machine learning techniques used to predict their prices. Therefore, this study aims to apply different techniques to predict and generate scenarios of the Brent futures curve to determine better trading strategies. Principal Component Analysis shows that the first two components explain 99.8% of the variance and that they should be used in implementing forecasting and scenario generation models. Two options are evaluated for predicting the Brent futures curves: an ARIMA(1,1,0) model and an ARIMA(1,1,0) dynamic regression model using the current Brent price as the explanatory variable. Although the predictions of both models are reasonable, the dynamic regression model has a higher accuracy at most points on the curves. On the other hand, the generation of price scenarios that simulate the historical errors of an ARIMA model did not prove to be particularly useful in simulating Brent futures curves. The scenarios did not help to understand the variability and uncertainty of the forecasts.