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 |