Best Fitting Fat Tail Distribution for the Volatilities of Energy Futures: Gev, Gat and Stable Distributions in GARCH and APARCH Models
Notice bibliographique
Résumé
Precise modeling and forecasting of the volatility of energy futures is vital to structuring trading strategies in spot markets for risk managers. Capturing conditional distribution, fat tails and price spikes properly is crucial to the correct measurement of risk. This paper is an attempt to model volatility of energy futures under different distributions. In empirical analysis, we estimate the volatility of Natural Gas Futures, Brent Oil Futures and Heating Oil Futures through GARCH and APARCH models under gev, gat and alpha-stable distributions. We also applied various VaR analyses, Gaussian, Historical and Modified (Cornish-Fisher) VaR, for each variable. Results suggest that the APARCH model largely outperforms the GARCH model, and gat distribution performs better in modeling fat tails in returns. Our results also indicate that the correct volatility level, in gat distribution, is higher than those suggested under normal distribution with rates of 56%, 45% and 67% for Natural Gas Futures, Brent Oil Futures and Heating Oil Futures, respectively. Implemented VaR analyses also support this conclusion. Additionally, VaR test results demonstrate that energy futures display riskier behavior than S&P 500 returns. Our findings suggest that for optimum risk management and trading strategies, risk managers should consider alternative distributions in their models. According to our results, prices in energy markets are wilder than the perception of normal distribution. In this regard, regulators and policy makers should enhance transparency and competitiveness in the energy markets to protect consumers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».