Description
Abstract: We construct a monthly real-time data set consisting of vintages for 1991.1-2010.12 that is suitable for generating forecasts of the real price of oil from a variety of models. We document that revisions of the data typically represent news, and we introduce backcasting and nowcasting techniques to fill gaps in the real-time data. We show that real-time forecasts of the real price of oil can be more accurate than the no-change forecast at horizons up to one year. In some cases real-time MSPE reductions may be as high as 25 percent one month ahead and 24 percent three months ahead. This result is in striking contrast to related results in the literature for asset prices. In particular, recursive vector autoregressive (VAR) forecasts based on global oil market variables tend to have lower MSPE at short horizons than forecasts based on oil futures prices, forecasts based on AR and ARMA models, and the no-change forecast. In addition, these VAR models have consistently higher directional accuracy. We demonstrate how with additional identifying assumptions such VAR models may be used not only to understand historical fluctuations in the real price of oil, but to construct conditional forecasts that reflect hypothetical scenarios about future demand and supply conditions in the market for crude oil. These tools are designed to allow forecasters to interpret their oil price forecast in light of economic models and to evaluate its sensitivity to alternative assumptions.
Résumé: Les auteurs construisent un ensemble de données mensuelles en temps réel qui regroupe les cuvées relatives à la période allant de janvier 1991 à décembre 2010 et qui se prête à la génération de prévisions du prix réel du pétrole à partir de divers types de modèles. Ils montrent que les révisions de données correspondent le plus souvent à l’arrivée de nouvelles informations, et ils suppléent aux données en temps réel manquantes en employant des techniques de prévision pour la période précédente et la période courante. Les auteurs constatent que les prévisions en temps réel du prix réel du pétrole peuvent être plus précises que celles tirées d’une marche aléatoire à des horizons ne dépassant pas un an. Dans certains cas, la réduction de l’erreur quadratique moyenne de prévision en temps réel peut atteindre 25 % à l’horizon d’un mois et 24 % à l’horizon de trois mois, ce qui contraste fortement avec les résultats présentés dans la littérature sur les prix des actifs. Plus particulièrement, les prévisions récursives obtenues avec des modèles vectoriels autorégressifs (VAR) qui incluent des variables du marché mondial du pétrole donnent lieu en général à une réduction de l’erreur quadratique moyenne de prévision aux horizons rapprochés par rapport aux cours à terme du pétrole, aux modèles autorégressifs, aux modèles autorégressifs à moyenne mobile et à la marche aléatoire. De plus, ces modèles VAR produisent des prévisions systématiquement meilleures concernant le sens des variations. Les auteurs démontrent comment, par l’ajout d’hypothèses d’identification, ces modèles permettent non seulement de comprendre les fluctuations antérieures du prix réel du pétrole, mais aussi de construire des prévisions conditionnelles reflétant des scénarios hypothétiques au sujet de la demande et des conditions d’approvisionnement futures sur le marché du pétrole brut. Ces outils sont conçus pour que les prévisionnistes puissent interpréter leurs résultats à la lumière des modèles économiques et évaluer la sensibilité de leurs prévisions à des hypothèses différentes.
Résumé: Les auteurs construisent un ensemble de données mensuelles en temps réel qui regroupe les cuvées relatives à la période allant de janvier 1991 à décembre 2010 et qui se prête à la génération de prévisions du prix réel du pétrole à partir de divers types de modèles. Ils montrent que les révisions de données correspondent le plus souvent à l’arrivée de nouvelles informations, et ils suppléent aux données en temps réel manquantes en employant des techniques de prévision pour la période précédente et la période courante. Les auteurs constatent que les prévisions en temps réel du prix réel du pétrole peuvent être plus précises que celles tirées d’une marche aléatoire à des horizons ne dépassant pas un an. Dans certains cas, la réduction de l’erreur quadratique moyenne de prévision en temps réel peut atteindre 25 % à l’horizon d’un mois et 24 % à l’horizon de trois mois, ce qui contraste fortement avec les résultats présentés dans la littérature sur les prix des actifs. Plus particulièrement, les prévisions récursives obtenues avec des modèles vectoriels autorégressifs (VAR) qui incluent des variables du marché mondial du pétrole donnent lieu en général à une réduction de l’erreur quadratique moyenne de prévision aux horizons rapprochés par rapport aux cours à terme du pétrole, aux modèles autorégressifs, aux modèles autorégressifs à moyenne mobile et à la marche aléatoire. De plus, ces modèles VAR produisent des prévisions systématiquement meilleures concernant le sens des variations. Les auteurs démontrent comment, par l’ajout d’hypothèses d’identification, ces modèles permettent non seulement de comprendre les fluctuations antérieures du prix réel du pétrole, mais aussi de construire des prévisions conditionnelles reflétant des scénarios hypothétiques au sujet de la demande et des conditions d’approvisionnement futures sur le marché du pétrole brut. Ces outils sont conçus pour que les prévisionnistes puissent interpréter leurs résultats à la lumière des modèles économiques et évaluer la sensibilité de leurs prévisions à des hypothèses différentes.