000002493 001__ 2493
000002493 005__ 20250211155912.0
000002493 0247_ $$a10.34989/swp-2011-16$$2DOI
000002493 035__ $$a10.34989/swp-2011-16
000002493 041__ $$aeng
000002493 084__ $$aC Mathematical and Quantitative Methods$$02849
000002493 084__ $$aC5 Econometric Modeling$$02889
000002493 084__ $$aC53 Forecasting and Prediction Methods; Simulation Methods$$02893
000002493 084__ $$aE Macroeconomics and Monetary Economics$$03005
000002493 084__ $$aE3 Prices, Business Fluctuations, and Cycles$$03029
000002493 084__ $$aE32 Business Fluctuations; Cycles$$03032
000002493 084__ $$aQ Agricultural and Natural Resource Economics; Environmental and Ecological Economics$$o3665
000002493 084__ $$aQ4 Energy$$o3702
000002493 084__ $$aQ43 Energy and the Macroeconomy$$o3706
000002493 245__ $$aReal-Time Forecasts of the Real Price of Oil
000002493 269__ $$a2011
000002493 300__ $$a1 online resource (iv, 42 pages)
000002493 336__ $$aText
000002493 347__ $$bPDF
000002493 520__ $$aWe 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.$$7Abstract
000002493 520__ $$aLes 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.$$7Résumé
000002493 540__ $$aCreative Commons Attribution 4.0 International$$uhttps://creativecommons.org/licenses/by/4.0/legalcode$$fCC-BY-4.0
000002493 6531_ $$aEconometric and statistical methods
000002493 6531_ $$aInternational topics
000002493 6531_ $$aMéthodes économétriques et statistiques
000002493 6531_ $$aQuestions internationales
000002493 7001_ $$aBaumeister, Christiane
000002493 7001_ $$aKilian, Lutz
000002493 789__ $$w1701-9397$$2ISSN$$eIsPartOf
000002493 791__ $$aJournalArticle$$eIsPreviousVersionOf$$iStaff Working Paper is published in peer-reviewed journal$$2DOI$$tReal-Time Forecasts of the Real Price of Oil$$w10.1080/07350015.2011.648859$$c2012$$dJournal of Business & Economic Statistics (Taylor & Francis)$$j30$$k2$$o326$$q336
000002493 8301_ $$aStaff Working Paper
000002493 8301_ $$aDocument de travail du personnel
000002493 8564_ $$uhttps://www.oar-rao.bank-banque-canada.ca/record/2493/files/wp2011-16.pdf$$96fad7efc-d359-40ca-9a01-e440a8809320$$s304626$$zFile Source: Bank of Canada website, 2024
000002493 909CO $$ooai:www.oar-rao.bank-banque-canada.ca:2493$$pbibliographic
000002493 980__ $$aStaff Research
000002493 980__ $$aRDM
000002493 991__ $$aPublic