Forecasting Stochastic Volatility Characteristics for the Financial Fossil Oil Market Densities
Notice bibliographique
Résumé
This paper builds and implements multifactor stochastic volatility models for the international oil/energy markets (Brent oil and WTI oil) for the period 2011–2021. The main objective is to make step ahead volatility predictions for the front month contracts followed by an implication discussion for the market (differences) and observed data dependence important for market participants, implying predictability. The paper estimates multifactor stochastic volatility models for both contracts giving access to a long-simulated realization of the state vector with associated contract movements. The realization establishes a functional form of the conditional distributions, which are evaluated on observed data giving the conditional mean function for the volatility factors at the data points (nonlinear Kalman filter). For both Brent and WTI oil contracts, the first factor is a slow-moving persistent factor while the second factor is a fast-moving immediate mean reverting factor. The negative correlation between the mean and volatility suggests higher volatilities from negative price movements. The results indicate that holding volatility as an asset of its own is insurance against market crashes as well as being an excellent diversification instrument. Furthermore, the volatility data dependence is strong, indicating predictability. Hence, using the Kalman filter from a realization of an optimal multifactor SV model visualizes the latent step ahead volatility paths, and the data dependence gives access to accurate static forecasts. The results extend market transparency and make it easier to implement risk management including derivative trading (including swaps).
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».