Dlouhodobý vývoj a predikce cen energetických komodit v době globální krize

Bc. Eva Kučerová

Master's thesis

Abstract:

Komoditní trh ovlivňuje životy nejen finančních spekulantů, ale v důsledku i každého člověka. Díky změnám cen zejména energetických komodit na komoditní burze mohou dodavatelé upravovat – snižovat či zvyšovat – cenu energie zákazníkům. Samotnou cenu energetických komodit ovlivňuje celá řada zejména externích faktorů. Proto je také analýza a predikce vývoje ceny těchto komodit velmi náročným problémem. Primárním cílem této práce proto je zpracování regresní analýzy u sedmi energetických komodit (elektrické energie, benzínu, topného oleje, ropy, dieselu, zemního plynu a uhlí), a to za pomoci technik lineární regrese a metod umělých neuronových sítí. Obě tyto techniky následně porovnat a zvolit tu, která bude pro potřeby predikce výše uvedených energetických komodit vhodnější. Je využita co nejdelší časová řada vývoje vybraných komodit, jedná se o stovky, spíše pak tisíce údajů ke každé komoditě. Pro výpočty je využit software Statistica ve verzi 14. Lineární regrese je provedena za pomoci funkce lineární, polynomické, logaritmické, exponenciální, funkce nejmenších čtverců, funkce negativního exponenciálního vyhlazování, spline a lowess. V případě regresní analýzy prostřednictvím umělých neuronových sítí jsou využity sítě typu MLP a RBF, generováno je vždy 1 000 struktur, z nichž 5, které vykazují nejlepší charakteristiky, je uchováno. Predikce je stanovena na dalších 60 obchodní dní. Z výsledků vyplývá, že nejúspěšnější funkcí z lineární regrese je funkce spline a v případě neuronových sítí jsou úspěšnější sítě typu MLP. Všechny neuronové sítě ale vykazují velmi vysoký výkon a potenciál poměrně přesné predikce, který se ovšem nepotvrdil. Přesto lze konstatovat, že neuronové sítě jsou, při jistých úpravách a po validaci, potenciálně vhodným prostředkem pro analýzu a predikci vývoj cen energetických komodit.

Abstract:

The commodity market affects the lives not only of financial speculators, but also of every human being. Thanks to changes in the prices of energy commodities in particular on the commodity exchange, suppliers can change - reduce or increase - the price of energy to customers. The price of energy commodities itself is influenced by a number of external factors in particular. Therefore, the analysis and prediction of the price development of these commodities is also a very challenging problem. Therefore, the primary goal of this work is to process regression analysis of seven energy commodities (electricity, gasoline, fuel oil, oil, diesel, natural gas and coal), using linear regression techniques and artificial neural network methods. Then compare these two techniques and choose the one that will be more suitable for the prediction of the above energy commodities. The longest possible time series of the development of selected commodities is used, there are hundreds, rather thousands of data for each commodity. Statistica software version 14 is used for calculations. Linear regression is performed using linear, polynomial, logarithmic, exponential, least squares, negative exponential smoothing, spline and lowess functions. In the case of regression analysis using artificial neural networks, MLP and RBF networks are used, 1,000 structures are always generated, of which 5, which show the best characteristics, are preserved. The forecast is set for the next 60 business days. The results show that the most successful function from linear regression is the spline function, and in the case of neural networks, MLP networks are more successful. However, all neural networks show very high performance and the potential for relatively accurate prediction, which, however, has not been confirmed. Nevertheless, it can be stated that neural networks are, with some modifications and after validation, a potentially suitable means for analysis and prediction of energy commodity price developments.

Keywords

energetické komodity, predikce, časové řady, umělé neuronové sítě, regresní analýza, světové události, energy commodities, predictions, time series, artificial neural networks, regression analysis, world events

Language used: Czech

Date on which the thesis was submitted / produced: 14. 4. 2022

Thesis defence

• Date of defence: 7. 6. 2022
• Supervisor: prof. Ing. Marek Vochozka, MBA, doc. Ing. Zuzana Rowland, MBA
• Reader: Ing. František Bruckbauer, Ing. Jakub Horák, MBA

Institute of Technology and Business in České Budějovice

Master programme / field:
Business Economy / Business Administration