Forecasting German Natural Gas Prices using Temporal Fusion Transformer

Abstract

Vi benytter Temporal Fusion Transformer (TFT), en avansert dyp læremodell, for å predikere tyske naturgasspriser fra januar 2012 til februar 2023. Hovedmålet vårt er å evaluere effektiviteten til TFT som et prognoseverktøy, spesielt for tyske naturgasspriser, med en prediksjonshorisont på 14 dager. Oppgaven utvider eksisterende forskning ved å ta i bruk den relativt nye TFT-modellen. I tillegg til at tidligere studier har trukket frem gode prestasjoner, har TFT-modellen også grundig tolkningsmulighet, som muliggjør analyse av mønstergjenkjenningen i modellen.

Blant et bredt utvalg input variable som er relevante for naturgassprediksjon, identifiserer vi en effektiv kombinasjon for TFT-modellen som resulterer i nøyaktige prediksjoner. Dette oppnås ved å utnytte TFT-modellens transparens, der vi filtrerer ut variable som ser ut til å tilføre støy. Noen av de mest fremtredende variablene er; priser fra andre gass huber, temperaturdata, oljevolatilitet og Google-søk etter ordet "krig".

For å vurdere robustheten til prediksjonene deler vi tidsserien inn i distinkte perioder basert på prisatferd. Resultatene avdekker at TFT-modellen, i mange test perioder, overgår referansemodeller signifikant når det gjelder gjennomsnittlig kvadratfeil. I tillegg, utmerker TFT seg ved å nøyaktig forutsi retningen av prisbevegelser, selv i perioder med økt markedsvolatilitet.

We utilize Temporal Fusion Transformer (TFT), a sophisticated deep learning model, to forecast German natural gas prices spanning from January 2012 to February 2023. Our main objective is to evaluate the effectiveness of TFT as a forecasting tool, specifically for German natural gas prices, with a 14-day forecasting horizon. Our study extends current research by employing the relatively new TFT model. In addition to its proven effectiveness in terms of performance, the TFT model also offers in-depth interpretability, enabling the analysis of pattern detection.

Among a broad selection of features relevant to natural gas prediction, we identify an effective combination for the TFT model that results in accurate price predictions. This is accomplished by leveraging the transparency of the TFT model, where we filter out potential noisy features. Some of the most prominent features include other trading hub prices, temperature data, oil volatility and Google searches for the term "war".

To evaluate the robustness of the forecasts, we partition the time series into distinct periods characterized by different price behavior. We find that the TFT model for many prediction periods, significantly outperforms benchmark models in terms of Mean squared error (MSE). Additionally, TFT excels in accurately forecasting the direction of price movements, even during periods of heightened market volatility.