Forecasting oil

Abstract

Este trabajo tiene como finalidad desarrollar y evaluar un modelo econométrico que permita predecir con precisión el precio del petróleo Brent. Para ello, se emplea en esta investigación un enfoque ARIMA con el fin de capturar la dinámica univariante del precio del crudo. Por otro lado, se desarrolla un modelo multivariante (VAR) que permite analizar cómo influyen otras variables en el precio del crudo. El trabajo incluye pruebas de estacionariedad, selección óptima de rezagos y análisis de impulso-respuesta para interpretar los efectos de choques sobre el precio del crudo. El modelo ARIMA muestra un rendimiento superior en términos de capacidad predictiva. Para evaluar el rendimiento de ambos modelos se han utilizado varias métricas de error que permiten cuantificar de forma objetiva la precisión de los modelos. Por otro lado, el modelo VAR permite estudiar la dinámica entre variables a través de funciones impulso-respuesta. Se concluye que el modelo ARIMA es más apropiado para la predicción directa, mientras que el VAR puede ser útil para analizar relaciones estructurales si se ampliara con más variables económicas. Finalmente, se propone como futura línea de investigación el desarrollo de un modelo VAR más completo que incorpore factores adicionales como la producción o la demanda mundial de petróleo.

This work aims to develop and evaluate an econometric model capable of accurately forecasting the price of Brent crude oil. To this end, an ARIMA approach is employed to capture the univariate dynamics of crude oil prices. In addition, a multivariate VAR model is developed to analyze how other variables influence oil price behavior. The study includes stationarity tests, optimal lag selection, and impulse response analysis to interpret the effects of shocks on the price of oil. The ARIMA model shows superior performance in terms of predictive accuracy. To assess the performance of both models, several error metrics have been used to objectively quantify their forecasting precision. Furthermore, the VAR model allows for the study of the dynamic relationships between variables through impulse response functions. It is concluded that the ARIMA model is more suitable for direct forecasting, while the VAR model can be useful for analyzing structural relationships if expanded to include additional economic variables. Finally, future research could focus on developing a more comprehensive VAR model that incorporates additional factors such as global oil production or demand.