Application of log-periodic power law to oil spot market
Oil price crashes and bubble regimes in oil spot markets have a substantial impact on the real economy. One model that has been proposed for detecting bubble regimes and forecasting the most probable date of the crash is the log-periodic power law. The model aims to detect log-periodic oscillations...
| Main Author: | |
|---|---|
| Other Authors: | , , , |
| Format: | Master's thesis |
| Language: | eng |
| Published: |
2025
|
| Subjects: | |
| Online Access: | https://jyx.jyu.fi/handle/123456789/102582 |
| Summary: | Oil price crashes and bubble regimes in oil spot markets have a substantial impact on the real economy. One model that has been proposed for detecting bubble regimes and forecasting the most probable date of the crash is the log-periodic power law. The model aims to detect log-periodic oscillations in price data which reveal a bubble regime and enable the model to forecast the most probable crash date.
This thesis looks at 4 known bubble regimes in Brent and WTI spot oil markets to test if the model is successful at detecting the bubble regimes and if it can produce meaningful estimations of the most probable crash date. The data for this study was gathered from LSEG Workspace and this study presents a novel machine learning implementation of the LPPL model.
The results show that the machine learning implementation of LPPL has significant challenges in calibrations to real world data. This study also presents contradictory evidence to prior studies. In this study the model was not able to confirm the existence of oil price bubble in 2001-2008 which has been detected by prior research using LPPL. A period in 1990 was also found where there exists a low confidence bubble regime in WTI but not in Brent which is contradictory to prior research.
This research provides a novel implementation of the LPPL model with machine learning frameworks and presents difficulties with this implementation.
Öljyn hintaromahdukset sekä hintakuplat vaikuttavat huomattavasti reaalitalouden toimintaan. Eräs malli jota on ehdotettu näiden hintakuplien tunnistamiseen sekä todennäköisimmän romahduksen päivämäärän ennustamiseen on logperiodinen potenssilaki. Tämä malli koettaa havaita log-periodisia oskillaatioita hintadatassa havaitakseen hintakuplia sekä tuottamaan merkityksellisiä ennusteita kaikista todennäköisimmästä ajankohdasta romahdukselle.
Tämä tutkimus kattaa 4 tunnettua hintakuplaa Brent sekä WTI öljylaatujen spot-markkinoilla testatakseen mallin kykyä tunnistaa hintakupla sekä pystyykö se tuottamaan merkityksellisen ennusteen todennäköisimmästä ajankohdasta hinnan romahdukselle. Tutkimuksen data kerättiin LSEG Workspace palvelusta ja tutkimuksessa esitellään uusi tapa implementoida LPPL malli koneoppimiskirjastoja hyödyntäen.
Tutkimuksen tulokset osoittavat, että LPPL mallin implementointi koneoppimiskirjastoja hyödyntäen sisältää huomattavia haasteita mallin kalibroinnissa oikealla hintadatalla. Tutkmus myös esitttää ristiriitaisia tuloksia aiempien tutkmusten kanssa. Tässä tutkimuksessa malli ei kyennyt tunnistamaan ja täten validoimaan aikaisemman LPPL tutkimuksen havaitsemaa hintakuplaa vuosien 2001-2008 välillä. Malli havaitsi myös vuodelta 1990 hintakuplan, joka esiintyi ainoastaaan WTI öljylaadussa mikä on aiempien tutkimustulosten vastaista.
Tämä tutkimus esittää uuden implementointitavan LPPL mallille hyödyntäen koneoppimis kirjastoja sekä tuo esille haasteita tämän implementoinnin totetuksessa.
|
|---|