Please use this identifier to cite or link to this item: http://hdl.handle.net/10419/103026
Authors: 
Baumeister, Christiane
Guérin, Pierre
Kilian, Lutz
Year of Publication: 
2014
Series/Report no.: 
Bank of Canada Working Paper 2014-11
Abstract: 
The substantial variation in the real price of oil since 2003 has renewed interest in the question of how to forecast monthly and quarterly oil prices. There also has been increased interest in the link between financial markets and oil markets, including the question of whether financial market information helps forecast the real price of oil in physical markets. An obvious advantage of financial and energy market data in forecasting oil prices is their availability in real time on a daily or weekly basis. We investigate whether mixed-frequency models can be used to take advantage of these rich data sets. We show that, among a range of alternative high-frequency predictors, changes in U.S. crude oil inventories produce substantial and statistically significant real-time improvements in forecast accuracy. The preferred mixed-data sampling (MIDAS) model reduces the mean-squared prediction error by as much as 16 percent compared with the no-change forecast and has statistically significant directional accuracy as high as 80 percent. This MIDAS forecast also is more accurate than a mixed-frequency real-time vector autoregressive forecast, but not systematically more accurate than the corresponding forecast based on monthly inventories. We conclude that typically not much is lost by ignoring high-frequency financial data in forecasting the monthly real price of oil.
Abstract (Translated): 
La variation considérable des prix réels du pétrole depuis 2003 a ravivé l’intérêt porté aux méthodes de prévision des cours mensuels et trimestriels de ce produit. On a aussi observé un regain d’intérêt pour l’étude du lien entre les marchés financiers et pétroliers : à ce titre, les chercheurs se sont demandé si l’information en provenance des marches financiers aide à prédire les prix réels du pétrole sur les marchés au comptant. Les données des marchés financiers et énergétiques présentent un avantage évident pour prévoir les cours du pétrole : elles sont accessibles en temps réel selon une fréquence quotidienne ou hebdomadaire. Nous cherchons donc à déterminer le pouvoir de prevision de ces riches ensembles de données en utilisant des modèles avec données à fréquence mixte. Nous montrons que, parmi toute une gamme de prédicteurs de haute fréquence, les variations des stocks de pétrole brut aux États-Unis améliorent de manière appréciable et statistiquement significative, en temps réel, l’exactitude des prévisions. Le modèle d’échantillonnage de données de fréquence mixte (MIDAS) privilégié peut réduire l’erreur quadratique moyenne de prévision dans une proportion allant jusqu’à 16 %, si l’on compare avec la prévision du modèle de marche aléatoire. Il permet également de prévoir avec exactitude le sens des variations dans 80 % des cas, et cela de manière statistiquement significative. Les prévisions établies grâce à ce modèle MIDAS sont également plus justes que celles issues d’un modèle vectoriel autorégressif basé sur des données de fréquence mixte en temps réel, mais elles ne sont pas systématiquement plus exactes que les projections correspondantes fondées sur les stocks mensuels. Nous concluons que, généralement, le fait de ne pas tenir compte des données financières de haute fréquence dans la prévision des prix mensuels réels du pétrole a une incidence négligeable.
Subjects: 
Econometric and statistical methods
International topics
JEL: 
C53
G14
Q43
Document Type: 
Working Paper

Files in This Item:
File
Size





Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.