Forecasting Short-Term WTI Crude Oil Prices: Are State-of-the-Art Deep Learning Models More Accurate than Traditional Econometric Models?

Abstract

Nøyaktige prediksjoner av prisen på West Texas Intermediate (WTI) råolje står sentralt for en rekke interessenter på grunn av dens viktige rolle i globalt energiforbruk og økonomisk aktivitet. Nye fremskritt innen dyp læring har skapt håp om at disse modellene kan forbedre nøyaktigheten for tidsserie-prediksjoner. Likevel er det fortsatt usikkerhet knyttet til hvordan disse komplekse modellene presterer sammenlignet med tradisjonelle økonometriske modeller for kortsiktig prediksjon av råoljepriser. Denne oppgaven sammenligner evnen til avanserte dyp lærings-modeller og tradisjonelle økonometriske modeller for kortsiktig prediksjon av råoljepriser. Ved å ta i bruk et omfattende datasett fra 1986 til 2023, evaluerer vi toppmoderne modeller som Temporal Fusion Transformer (TFT), N-linear og DeepAR mot mer etablerte modeller som Long Short-Term Memory (LSTM) nettverk, Gated Recurrent Unit (GRU) nettverk og tradisjonelle økonometriske modeller som Autoregressive Integrated Moving Average (ARIMA), Vector Error Correction Model (VECM) og Naive forecast. Vi innlemmer også multivariat data fra Google Trends, samt andre variabler relatert til oljetrading for å undersøke virkningen disse variablene har på nøyaktigheten i prediksjonene. På tross av det teoretiske potensialet til komplekse modeller, finner vi at enklere modeller som ARIMA og Naive Forecast ofte gir mer nøyaktige prediksjoner. Dette tyder på at økt modell-kompleksitet ikke nødvendigvis forbedrer nøyaktighet på prediksjonene i det volatile råolje-markedet. Studien vår gir også et kritisk perspektiv på bruken av komplekse dyp lærings-modeller innen prediksjon av finansielle tidsserier, og legger vekt på viktigheten av robusthet og benchmarking for kortsiktig prediksjon av råolje-priser.

Accurate forecasts of West Texas Intermediate (WTI) crude oil prices are central for economic stakeholders due to its key role in global energy consumption and economic activities. Although recent advancements in deep learning have raised hopes for their potential in time series forecasting, there is still uncertainty about how these complex models compare to traditional econometric models in predicting short-term oil prices. This thesis compares the effectiveness of advanced deep learning models and traditional econometric models in forecasting short-term WTI crude oil spot prices. Using a comprehensive dataset from 1986 to 2023, we evaluate state-of-the-art models including the Temporal Fusion Transformer (TFT), N-linear, and DeepAR against more established models such as Long Short-Term Memory (LSTM) networks, Gated Recurrent Unit (GRU) networks and traditional econometric models like the Autoregressive Integrated Moving Average (ARIMA), the Vector Error Correction Model (VECM) and the Naive forecast. Additionally, our analysis incorporates multivariate data from Google Trends and oil trading variables to examine their impact on predictive accuracy. Despite the theoretical potential of complex models, our findings demonstrate that simpler models like ARIMA and the Naive forecast often outperform them. This suggests that greater model complexity does not necessarily improve forecasting accuracy in the volatile crude oil market. Our study provides a critical perspective on the use of complex deep learning models in economic forecasting and emphasizes the importance of robustness and benchmarking for short-term oil price prediction.