Previsão de preços através de redes neurais para petróleo bruto, óleo de aquecimento e gás natural

Construir projeções de preços de várias commodities energéticas tem sido, por muito tempo, um empreendimento importante para uma ampla gama de participantes no mercado de energia. Neste artigo, estudamos o problema da previsão concentrando-nos em quatro commodities energéticas significativas. Usando modelos de redes neurais autorregressivas não lineares, investigamos os preços diários do petróleo bruto WTI e Brent, bem como os preços mensais do gás natural Henry Hub e do óleo de aquecimento nº 2 do porto de Nova York. Investigamos o desempenho da previsão resultante de várias configurações de modelos, incluindo técnicas de treinamento, neurônios ocultos, atrasos e segmentação de dados. Com base na investigação, modelos relativamente simples são construídos que apresentam um desempenho bastante preciso e confiável. Especificamente, o desempenho em termos de erros quadráticos médios relativos é de 1,96%/1,81%/9,75%/21,76%, 1,96%/1,80%/8,76%/14,41% e 1,87%/1,78%/9,10%/16,97% para o treinamento, validação e teste do modelo, respectivamente, e o erro quadrático médio relativo geral é de 1,95%/1,80%/9,51%/20,35% para toda a amostra de petróleo bruto WTI/petróleo bruto Brent/óleo de aquecimento nº 2 do porto de Nova York/gás natural Henry Hub. Os resultados desta projeção podem ser usados em análise técnica ou integrados com outras previsões fundamentais para análise de políticas.