Análisis Fractal, ARFIMA y PCA : aproximación a los mercados de futuros del petróleo

Abstract

El petróleo tiene una importancia estratégica y fundamental en el mundo actual. No solo por la importancia estratégica en términos de países productores, sino que también por las funciones que tiene en diferentes campos, como el industrial o el energético, o las características propias. Por ello, la inversión en este producto ha crecido de manera exponencial y, por lo tanto, las técnicas para intentar predecir su precio o modelar su comportamiento también se han visto aumentadas. En consecuencia, este Trabajo de Fin de grado presenta un análisis de los mercados de futuros del petróleo usando el análisis de componentes principales, los modelos ARFIMA y el análisis fractal. Se ha examinado la relación entre las curvas de futuros del petróleo y los spreads, proporcionando además una introducción a las técnicas utilizadas, revisando la literatura existente al respecto en diferentes aspectos: Los futuros del petróleo y las técnicas de machine learning. Además, se muestran también los resultados obtenidos en los distintos análisis, obteniendo que el análisis PCA es útil para determinar la estructura de los mercados, que los modelos ARFIMA son efectivos para modelar las dinámicas y que el análisis fractal puede proporcionar información sobre la naturaleza, en algunos sentidos, caótica de los mercados

Oil has an strategic and fundamental significance nowadays. Its importance comes from not only its strategic value in terms of supply countries, but also from the different purposes it has in the industrial or the energetic field. Therefore, the investment in this commodity has increasingly grown up, so the techniques to predict price or modelling its behavior have risen too. Consequently, this dissertation presents an analysis of the oil futures markets using Principal Component Analysis (PCA), ARFIMA models and fractal analysis. The relationship among oil futures curves and spreads is examined, giving, in addition, an introduction of the techniques used and checking the existing state-of-the-art in terms of oil futures and machine learning techniques. Furthermore, the results obtained in the different analysis are shown. The principal consequences demonstrate us that PCA is useful to determine the structure in the markets, that ARFIMA models can effectively model the different dynamics and that fractal analysis can provide us information about the chaotic nature of the markets.