Contributions to the Analysis and Forecasting of Oil Prices

Abstract

Siendo una de las materias primas más relevantes, la predicción de los precios del petróleo tiene un gran impacto en diversos sectores, incluidos energía, finanzas y geopolítica. Esta tesis tiene como objetivo proporcionar nuevas herramientas al proponer nuevas metodologías para modelar los precios del petróleo. Los recientes desarrollos en los mercados energéticos han destacado la naturaleza dinámica e incierta del mercado del petróleo crudo, lo que ha dado lugar a importantes fluctuaciones de precios en las últimas dos décadas. Esta volatilidad implica un desafío considerable para predecir los precios del petróleo, ya que la literatura existente ofrece una amplia gama de metodologías de predicción, pero carece de un consenso sobre el enfoque metodológico más apropiado. Uno de los principales hallazgos de este estudio concierne a la relación entre los costes de producción de petróleo y los precios del petróleo. Contrariamente a la creencia predominante de que los costes de producción impulsan principalmente las fluctuaciones de los precios del petróleo, nuestra investigación indica que los cambios en los precios del petróleo preceden a los ajustes en otras variables, incluidos los costes de producción. A través de un análisis riguroso que emplea la definición de causalidad de Granger y la metodología de Toda-Yamamoto, el estudio revela un patrón consistente donde las fluctuaciones de los precios del petróleo influyen en los cambios posteriores en los costes de producción, dando forma a la dinámica de la industria. Además, el análisis se extiende a contratos de futuros más largos, reafirmando la relación duradera entre los precios del petróleo y los costes de producción con el tiempo. En consecuencia, el estudio desafía la sabiduría convencional y enfatiza el papel fundamental de los precios del petróleo como el principal determinante de los cambios en los costes de producción, con implicaciones críticas para comprender la dinámica del mercado del petróleo y tomar decisiones informadas en el sector energético. Por otro lado, esta tesis presenta un marco de modelado híbrido que combina el modelo de regresión clásico con enfoques de aprendizaje automático, utilizando específicamente el método GAM y la Función de Transferencia con el enfoque de ruido ARIMA. Al incorporar capacidades no lineales flexibles, el método propuesto captura no linealidades y permite la interpretación de variables de entrada a través de coeficientes de regresión estimados. El modelo identifica dos principales impulsores que explican los precios del petróleo: la variable Fundamental, que mide el equilibrio físico del mercado, y la variable financiera, que captura el interés especulativo de los inversionistas en petróleo crudo. El análisis de sensibilidad confirma la influencia significativa de la variable Fundamental en los precios del petróleo, seguida por la variable Financiera, el dólar y las variables de volatilidad. Además, el modelo propuesto demuestra una capacidad de pronóstico superior en comparación con otras referencias, incluidos los precios de futuros y las predicciones de analistas de Bloomberg. También es altamente adecuado para el análisis de escenarios, cuantificando el riesgo asociado con escenarios hipotéticos alternativos sobre la demanda futura de petróleo y las condiciones de oferta. Esto incluye escenarios como condiciones de ajuste del mercado por recortes en la producción o tensiones geopolíticas en el Medio Oriente. En general, el estudio subraya la relevancia de los fundamentos de la oferta y la demanda en la determinación de los precios del petróleo y ofrece ideas valiosas para la gestión del riesgo en corporaciones e instituciones energéticas ante múltiples fuentes de incertidumbre en los mercados energéticos.As one of the most critical commodities, the accurate prediction of oil prices holds significant implications for various sectors, including energy, finance, and geopolitics. This thesis aims to provide new tools by proposing new methodologies for modeling oil prices. Recent developments in energy markets have highlighted the dynamic and uncertain nature of the crude oil market, resulting in significant price fluctuations over the past two decades. This volatility implies a considerable challenge for forecasting oil prices, with existing literature offering a wide array of forecasting frameworks but lacking a consensus on the most appropriate methodological approach. One key finding from this study concerns the relationship between oil production costs and oil prices. Contrary to the prevailing belief that production costs primarily drive oil price fluctuations, the research indicates that changes in oil prices precede adjustments in other variables, including production costs. Through rigorous analysis employing Granger's causality definition and the Toda-Yamamoto methodology, the study reveals a consistent pattern where oil price fluctuations influence subsequent changes in production costs, shaping industry dynamics. Additionally, the analysis extends to longer futures contracts, reaffirming the enduring relationship between oil prices and production costs over time. Consequently, the study challenges conventional wisdom and emphasizes the pivotal role of oil prices as the primary determinant of changes in production costs, with critical implications for understanding the oil market dynamics and making informed decisions in the energy sector. This thesis introduces a hybrid modeling framework that combines the classical regression model with machine learning approaches, specifically utilizing the GAM method and the Transfer Function with the ARIMA noise approach. By incorporating flexible non-linear capabilities, the proposed method captures non-linearities and allows input variable interpretation through estimated regression coefficients. The model identifies two main drivers explaining oil prices: The Fundamental variable, measuring the physical market balance, and the financial variable, capturing crude oil investors' speculative interest. Sensitivity analysis confirms the significant influence of the Fundamental variable on crude oil prices, followed by the Financial variable, dollar, and volatility variables. Furthermore, the proposed model demonstrates superior forecasting ability compared to benchmark techniques, including futures prices and Bloomberg analysts' predictions. It is also highly suitable for scenario analysis, quantifying the risk associated with alternative hypothetical scenarios about future oil demand and supply conditions. This includes scenarios such as market tightening conditions from production cuts or geopolitical tensions in the Middle East. Overall, the study underscores the relevance of supply and demand fundamentals in determining oil prices and offers valuable insights for risk management in energy corporations and institutions amidst multiple sources of uncertainty in energy markets.