Sustainable Factor Augmented Machine Learning Models for Crude Oil Return Forecasting
Notice bibliographique
Résumé
The global crude oil market, known for its pronounced volatility and nonlinear dynamics, plays a pivotal role in shaping economic stability and informing investment strategies. Contrary to traditional research focused on price forecasting, this study emphasizes the more investor-centric task of predicting returns for West Texas Intermediate (WTI) crude oil. By spotlighting returns, it directly addresses critical investor concerns such as asset allocation and risk management. This study applies advanced machine learning models, including XGBoost, random forest, and neural networks to predict crude oil return, and for the first time, incorporates sustainability and external risk variables, which are shown to enhance predictive performance in capturing the non-stationarity and complexity of financial time-series data. To enhance predictive accuracy, we integrate 55 variables across five dimensions: macroeconomic indicators, financial and futures markets, energy markets, momentum factors, and sustainability and external risk. Among these, the rate of change stands out as the most influential predictor. Notably, XGBoost demonstrates a superior performance, surpassing competing models with an impressive 76% accuracy in direction forecasting. The analysis highlights how the significance of various predictors shifted during the COVID-19 pandemic. This underscores the dynamic and adaptive character of crude oil markets under substantial external disruptions. In addition, by incorporating sustainability factors, the study provides deeper insights into the drivers of market behavior, supporting more informed portfolio adjustments, risk management strategies, and policy development aimed at fostering resilience and advancing sustainable energy transitions.
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 | 0,001 | 0,003 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».