Predictive Modeling of Energy Derivatives Prices Using Machine Learning Techniques

Thesis title: Predictive Modeling of Energy Derivatives Prices Using Machine Learning Techniques
Author: Pavlov, Tomáš
Thesis type: Diploma thesis
Supervisor: Drahokoupil, Jakub
Opponents: Janda, Karel
Thesis language: English
Abstract:
This Master's thesis investigates the application of machine learning techniques in forecasting oil futures prices, with a particular focus on WTI crude oil contracts. The primary objective is to evaluate whether advanced models can outperform traditional time series benchmarks in short-term price prediction. The thesis begins with a comprehensive literature review covering oil derivatives pricing, machine learning modelling methods and commodity markets. The empirical part compares the performance of several forecasting ensemble and neural network models against benchmark time series model. Using historical daily price data, the models are assessed with standard error metrics to evaluate prediction accuracy. The results reveal that ensemble models consistently outperform traditional benchmarks. In contrast, LSTM models do not demonstrate superior performance over the benchmark.
Keywords: oil; machine learning; derivatives; Commodity
Thesis title: Prediktivní modelování cen energetických derivátů pomocí technik strojového učení
Author: Pavlov, Tomáš
Thesis type: Diplomová práce
Supervisor: Drahokoupil, Jakub
Opponents: Janda, Karel
Thesis language: English
Abstract:
Tato magisterská práce zkoumá využití technik strojového učení při predikci cen ropných futures, se zvláštním zaměřením na kontrakty WTI. Hlavním cílem je posoudit, zda pokročilé modely dokážou v krátkodobé predikci cen překonat tradiční modely časových řad. Práce začíná přehledem literatury věnovaným oceňování ropných derivátů, metodám modelování ve strojovém učení a trhům s komoditami. Empirická část porovnává výkon několika ensembleových modelů a neuronových sítí s referenčním modelem časových řad. S využitím historických denních cen jsou modely hodnoceny pomocí standardních chybových metrik pro posouzení přesnosti predikce. Výsledky ukazují, že ensembleové modely konzistentně překonávají tradiční benchmarky. Naproti tomu LSTM modely nevykazují lepší výkon oproti referenčnímu modelu.
Keywords: Komodity; ropa; machine learning; deriváty

Information about study

Study programme: Finanční inženýrství
Type of study programme: Magisterský studijní program
Assigned degree: Ing.
Institutions assigning academic degree: Vysoká škola ekonomická v Praze
Faculty: Faculty of Finance and Accounting
Department: Department of Banking and Insurance

Information on submission and defense

Date of assignment: 21. 3. 2024
Date of submission: 9. 6. 2025
Date of defense: 24. 6. 2025
Identifier in the InSIS system: https://insis.vse.cz/zp/88100/podrobnosti

Files for download

    Last update: