Description

Abstract: 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.

Résumé: L’Energy Information Administration des États-Unis publie périodiquement des prévisions à court terme du prix du pétrole brut. Les prévisions de ce type établies hors échantillon ont jusqu’à présent fait une large place au jugement, ce qui les rend difficiles à reproduire et à justifier. En outre, elles ne sont pas plus précises qu’une prévision naïve du prix de l’or noir basée sur une marche aléatoire, ainsi que le montrent Alquist, Kilian et Vigfusson (2013). Des modèles économétriques d’un nouveau genre, qui donnent des prévisions plus exactes du prix réel du pétrole que cette prévision naïve, ont récemment fait leur apparition dans la littérature. Les auteurs se penchent sur l’intérêt d’agréger les prévisions en temps réel de six de ces modèles en attribuant à ces derniers des poids conformes à leur efficacité récente en prévision. La combinaison de prévisions apparaît comme une voie prometteuse pour quatre raisons. D’abord, même les modèles offrant la meilleure qualité prédictive peuvent voir leur efficacité varier d’une période à l’autre. Deuxièmement, certains modèles produisent des prévisions plus justes aux horizons rapprochés, et d’autres, aux horizons éloignés. Troisièmement, même le modèle qui présente la plus petite erreur quadratique moyenne de prévision (EQMP) est susceptible d’être amélioré par l’intégration d’information issue d’autres modèles ayant une EQMP plus élevée. Enfin, les combinaisons de prévisions peuvent être conçues comme un moyen de se prémunir contre de possibles erreurs de spécification et d’éventuels changements structurels progressifs. Les auteurs montrent que, sur les vingt dernières années, des combinaisons de prévisions en temps réel convenablement construites auraient donné de meilleurs résultats qu’un modèle de marche aléatoire aux horizons qui ne dépassent pas deux ans. Par rapport à celui-ci, les combinaisons de prévisions se distinguent par une baisse de l’EQMP qui peut atteindre 18 %. De plus, les taux de réussite observés dans la prévision du sens des variations s’élèvent jusqu’à 77 % et sont significativement supérieurs à 50 %. Les auteurs concluent que des combinaisons de prévisions convenablement construites devraient remplacer les prévisions du prix du pétrole qui font traditionnellement intervenir le jugement.

Details

PDF

Files

Statistics

from
to
Export
Download Full History