000001640 001__ 1640
000001640 005__ 20250211155843.0
000001640 0247_ $$a10.34989/swp-2013-15$$2DOI
000001640 035__ $$a10.34989/swp-2013-15
000001640 041__ $$aeng
000001640 084__ $$aC Mathematical and Quantitative Methods$$02849
000001640 084__ $$aC5 Econometric Modeling$$02889
000001640 084__ $$aC53 Forecasting and Prediction Methods; Simulation Methods$$02893
000001640 084__ $$aE Macroeconomics and Monetary Economics$$03005
000001640 084__ $$aE3 Prices, Business Fluctuations, and Cycles$$03029
000001640 084__ $$aE32 Business Fluctuations; Cycles$$03032
000001640 084__ $$aQ Agricultural and Natural Resource Economics; Environmental and Ecological Economics$$o3665
000001640 084__ $$aQ4 Energy$$o3702
000001640 084__ $$aQ43 Energy and the Macroeconomy$$o3706
000001640 245__ $$aWhat Central Bankers Need to Know about Forecasting Oil Prices
000001640 269__ $$a2013
000001640 300__ $$a1 online resource (iv, 35 pages)
000001640 336__ $$aText
000001640 347__ $$bPDF
000001640 520__ $$aForecasts of the quarterly real price of oil are routinely used by international organizations and central banks worldwide in assessing the global and domestic economic outlook, yet little is known about how best to generate such forecasts. Our analysis breaks new ground in several dimensions. First, we address a number of econometric and data issues specific to real-time forecasts of quarterly oil prices. Second, we develop real-time forecasting models not only for U.S. benchmarks such as West Texas Intermediate crude oil, but we also develop forecasting models for the price of Brent crude oil, which has become increasingly accepted as the best measure of the global price of oil in recent years. Third, we design for the first time methods for forecasting the real price of oil in foreign consumption units rather than U.S. consumption units, taking the point of view of forecasters outside the United States. In addition, we investigate the costs and benefits of allowing for time variation in vector autoregressive (VAR) model parameters and of constructing forecast combinations. We conclude that quarterly forecasts of the real price of oil from suitably designed VAR models estimated on monthly data generate the most accurate forecasts among a wide range of methods including forecasts based on oil futures prices, no-change forecasts and forecasts based on regression models estimated on quarterly data.$$7Abstract
000001640 520__ $$aLes organismes internationaux et les banques centrales du monde entier se fondent couramment sur les prévisions du prix trimestriel réel du pétrole pour évaluer les perspectives économiques mondiales et nationales. Or, on ne sait pas quels modèles permettent le mieux de prévoir ce prix. Dans leur analyse, les auteurs innovent sur plusieurs points. Premièrement, ils s’emploient à combler un certain nombre des lacunes des modèles et des données servant à la prévision en temps réel du prix trimestriel du pétrole. Deuxièmement, ils présentent des modèles de prévision en temps réel non seulement pour le cours des bruts de référence américains, tels que le West Texas Intermediate, mais également pour le cours du Brent, de plus en plus considéré ces dernières années comme le meilleur indicateur des prix de l’or noir à l’échelle mondiale. Troisièmement, adoptant le point de vue de prévisionnistes de l’extérieur des États-Unis, ils exposent de nouvelles méthodes où la variable à prévoir est exprimée en unités de consommation de divers pays plutôt qu’en unités de consommation américaines. Ils évaluent par ailleurs les coûts et les avantages du recours à des paramètres variables dans le temps au sein de modèles vectoriels autorégressifs (VAR) ainsi qu’à des combinaisons de prévisions. Ils concluent que des modèles VAR bien conçus et estimés à l’aide de données mensuelles génèrent des prévisions trimestrielles du prix réel du pétrole d’une précision supérieure à celles issues d’une vaste gamme d’autres modèles, comme ceux basés sur l’utilisation des cours à terme ou sur une marche aléatoire et les modèles de régression établis à partir de données trimestrielles.$$7Résumé
000001640 540__ $$aCreative Commons Attribution 4.0 International$$uhttps://creativecommons.org/licenses/by/4.0/legalcode$$fCC-BY-4.0
000001640 6531_ $$aEconometric and statistical methods
000001640 6531_ $$aInternational topics
000001640 6531_ $$aMéthodes économétriques et statistiques
000001640 6531_ $$aQuestions internationales
000001640 7001_ $$aBaumeister, Christiane
000001640 7001_ $$aKilian, Lutz
000001640 789__ $$w1701-9397$$2ISSN$$eIsPartOf
000001640 791__ $$aJournalArticle$$eIsPreviousVersionOf$$iStaff Working Paper is published in peer-reviewed journal$$2DOI$$tWhat Central Bankers Need to Know about Forecasting Oil Prices$$w10.1111/iere.12074$$c2014$$dInternational Economic Review (Wiley Blackwell)$$j55$$k3$$o869$$q889
000001640 8301_ $$aStaff Working Paper
000001640 8301_ $$aDocument de travail du personnel
000001640 8564_ $$uhttps://www.oar-rao.bank-banque-canada.ca/record/1640/files/wp2013-15.pdf$$93491afdc-ba4b-422c-a144-a49e604fca12$$s243474$$zFile Source: Bank of Canada website, 2024
000001640 909CO $$ooai:www.oar-rao.bank-banque-canada.ca:1640$$pbibliographic
000001640 980__ $$aStaff Research
000001640 980__ $$aRDM
000001640 991__ $$aPublic