000001364 001__ 1364
000001364 005__ 20250211155816.0
000001364 0247_ $$a10.34989/swp-2006-14$$2DOI
000001364 035__ $$a10.34989/swp-2006-14
000001364 041__ $$aeng
000001364 084__ $$aC Mathematical and Quantitative Methods$$02849
000001364 084__ $$aC5 Econometric Modeling$$02889
000001364 084__ $$aC52 Model Evaluation, Validation, and Selection$$02892
000001364 084__ $$aC53 Forecasting and Prediction Methods; Simulation Methods$$02893
000001364 084__ $$aE Macroeconomics and Monetary Economics$$03005
000001364 084__ $$aE3 Prices, Business Fluctuations, and Cycles$$03029
000001364 084__ $$aE37 Forecasting and Simulation: Models and Applications$$03033
000001364 245__ $$aForecasting Commodity Prices: GARCH, Jumps, and Mean Reversion
000001364 260__ $$bBank of Canada
000001364 269__ $$a2006
000001364 300__ $$a1 online resource (v, 12 pages)
000001364 336__ $$aText
000001364 347__ $$bPDF
000001364 520__ $$aFluctuations in the prices of various natural resource products are of concern in both policy and business circles; hence, it is important to develop accurate price forecasts. Structural models provide valuable insights into the causes of price movements, but they are not necessarily the best suited for forecasting given the multiplicity of known and unknown factors that affect supply and demand conditions in these markets. Parsimonious representations of price processes often prove more useful for forecasting purposes. Central questions in such stochastic models often revolve around the time-varying trend, the stochastic convenience yield and volatility, and mean reversion. The authors seek to assess and compare alternative approaches to modelling these effects, focusing on forecast performance. Three econometric specifications are considered that cover the most up-to-date models in the recent literature on commodity prices: (i) random-walk models with autoregressive conditional heteroscedasticity (ARCH) or generalized ARCH (GARCH) effects, and with normal or student-t innovations, (ii) Poisson-based jump-diffusion models with ARCH or GARCH effects, and with normal or student-t innovations, and (iii) meanreverting models that allow for uncertainty in equilibrium price.

The authors' empirical application uses aluminium price series at daily, weekly, and monthly frequencies. The authors use one-step-ahead out-of-sample forecasts, where parameter estimates are repeatedly updated at every step of the procedure. In addition, in models with jumps, where analytical formulae are not readily available for obtaining conditional expected forecast errors, the authors devise a simple simulation-based procedure to approximate these errors. Their results are as follows. The mean-reverting model with stochastic convenience yield outperforms, to a large extent, all other competing models for all forecast horizons, with high-frequency (daily and weekly) data; within the non-mean-reverting GARCH class of processes analyzed for these frequencies, models with jumps or asymmetries fare best, yet the latter remain dominated by the mean-reverting models. With monthly data, the mean-reverting model still fares well in comparison with the random-walk GARCH class; nevertheless, depending on the forecast horizon and evaluation criteria, non-mean-reverting models with GARCH-in-mean effects dominate to some extent, suggesting that expected risk has a non-negligible effect on price behaviour.$$7Abstract
000001364 520__ $$aLes fluctuations des prix des matières premières préoccupent tant les responsables des politiques publiques que les entreprises; il importe donc de disposer de prévisions de bonne qualité à leur sujet. Les modèles structurels fournissent de précieuses indications sur les causes de l'évolution des prix, mais ils ne se prêtent pas nécessairement à la prévision compte tenu de la multiplicité des facteurs, connus ou non, qui agissent sur les conditions de l'offre et de la demande sur les marchés des produits de base. Les représentations parcimonieuses de la dynamique des prix s'avèrent souvent mieux adaptées à la prévision. Dans les spécifications stochastiques de ce genre, les principaux effets à modéliser concernent généralement la tendance (variable dans le temps), le rendement d'opportunité et la volatilité stochastiques ainsi que la stationnarité. Les auteurs évaluent et comparent différentes modélisations de ces effets sous l'angle de la qualité des prévisions. Les trois spécifications qu'ils considèrent englobent les plus récents modèles utilisés dans la littérature sur les prix des produits de base : i) les modèles de marche aléatoire intégrant des effets ARCH ou GARCH et dans lesquels les chocs sont distribués selon la loi normale ou la loi de Student; ii) les modèles basés sur un processus de Poisson, qui intègrent des effets ARCH ou GARCH et dans lesquels les chocs sont également distribués selon l'une de ces deux lois; et iii) les modèles stationnaires où le prix d'équilibre est incertain.

À l'aide de données quotidiennes, hebdomadaires et mensuelles sur les prix de l'aluminium, les auteurs effectuent une prévision hors échantillon à l'horizon d'une période, puis répètent l'opération en actualisant chaque fois l'estimation des paramètres. Dans le cas des modèles avec saut, où aucune formule analytique ne permet d'obtenir l'espérance conditionnelle des erreurs de prévision, ils mettent au point une méthode de simulation simple pour générer ces erreurs. Les auteurs obtiennent les résultats suivants. Le modèle stationnaire dans lequel le rendement d'opportunité est stochastique l'emporte de loin sur tous les autres à tous les horizons de prévision dans le cas des données de fréquences quotidienne et hebdomadaire; parmi les modèles non stationnaires de type GARCH analysés pour ces deux fréquences, ceux comportant un processus de saut ou des effets asymétriques prédominent, mais ils donnent de moins bons résultats que le modèle stationnaire. Dans le cas des données mensuelles, ce dernier surpasse encore les modèles de marche aléatoire intégrant des effets GARCH; toutefois, selon l'horizon de prévision et les critères d'évaluation retenus, les modèles non stationnaires ayant des effets GARCH-M dominent dans une mesure plus ou moins grande, ce qui laisse croire que l'espérance du risque a un effet non négligeable sur le comportement des prix.$$7Résumé
000001364 540__ $$aCreative Commons Attribution 4.0 International$$uhttps://creativecommons.org/licenses/by/4.0/legalcode$$fCC-BY-4.0
000001364 6531_ $$aEconometric and statistical methods
000001364 6531_ $$aMéthodes économétriques et statistiques
000001364 7001_ $$aBernard, Jean-Thomas
000001364 7001_ $$aKhalaf, Lynda
000001364 7001_ $$aKichian, Maral
000001364 7001_ $$aMcMahon, Sebastien
000001364 789__ $$w1192-5434$$2ISSN$$eIsPartOf
000001364 791__ $$aJournalArticle$$eIsPreviousVersionOf$$iStaff Working Paper is published in peer-reviewed journal$$2DOI$$tForecasting commodity prices: GARCH, jumps, and mean reversion$$w10.1002/for.1061$$c2008$$dJournal of Forecasting (Wiley)$$j27$$k4$$o279$$q291
000001364 8301_ $$aStaff Working Paper
000001364 8301_ $$aDocument de travail du personnel
000001364 8564_ $$uhttps://www.oar-rao.bank-banque-canada.ca/record/1364/files/wp06-14.pdf$$94c70389a-899a-409d-b675-a25a36b5cafe$$s201934$$zFile Source: Bank of Canada website, 2024
000001364 909CO $$ooai:www.oar-rao.bank-banque-canada.ca:1364$$pbibliographic
000001364 980__ $$aStaff Research
000001364 980__ $$aRDM
000001364 991__ $$aPublic