Forecasting the Real Price of Oil in a Changing World: A Forecast Combination Approach
Notice bibliographique
Résumé
The U.S. Energy Information Administration regularly publishes short-term forecasts of the price of crude oil. Traditionally, such out-of-sample forecasts have been largely judgmental, making them difficult to replicate and justify, and not particularly successful when compared with naïve no-change forecasts, as documented in Alquist, Kilian and Vigfusson (2013). Recently, a number of alternative econometric oil price forecasting models have been introduced in the literature and shown to be more accurate than the no-change forecast of the real price of oil. We investigate the merits of constructing real-time forecast combinations of six such models with weights that reflect the recent forecasting success of each model. Forecast combinations are promising for four reasons. First, even the most accurate forecasting models do not work equally well at all times. Second, some forecasting models work better at short horizons and others at longer horizons. Third, even the forecasting model with the lowest mean-squared prediction error (MSPE) may potentially be improved by incorporating information from other models with higher MSPEs. Fourth, one can think of forecast combinations as providing insurance against possible model misspecification and smooth structural change. We demonstrate that over the past 20 years suitably constructed real-time forecast combinations would have been more accurate than the no-change forecast at every horizon up to two years. Relative to the no-change forecast, forecast combinations reduce the MSPE by up to 18 per cent. They also have statistically significant directional accuracy as high as 77 per cent. We conclude that suitably constructed forecast combinations should replace traditional judgmental forecasts of the price of oil.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».