Multistep Ahead Forecasting of WTI Crude Oil Prices Using Time Series and Machine Learning Models
Notice bibliographique
Résumé
Crude oil is a critical energy source and a raw material for various products, including fuels (gasoline, diesel, and jet fuel), lubricants, petrochemicals, and asphalt. It undergoes refining processes to separate and convert it into usable products. Multiple factors, including economic indicators, geopolitical events, supply and demand dynamics, and technological advancements influence crude oil prices. Its global market has prices often benchmarked to grades like Brent Crude and West Texas Intermediate (WTI). In this article, the daily WTI crude oil prices are multi-step ahead forecasted using four different methods which are autoregressive integrated moving average (ARIMA), random forest (RF), k-nearest neighbors (kNN), and autoregressive neural networks (ARNN). The data set consists of daily WTI crude oil prices from February 13, 2014, to February 13, 2024, divided into 80% training set and 20% validation set. The performance of the methods is evaluated by one-step and seven-step ahead forecasting using root mean square error (RMSE) and mean absolute percentage error (MAPE) as the accuracy measures. The results show that ARIMA outperforms the methods for one and seven-step ahead forecasting, followed by ARNN, kNN, and RF. The study provides useful insights for investors and policymakers in the oil market.
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 | 0,002 |
| 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 | 0,001 | 0,001 |
| 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 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 ».