Variable selection in crude oil forecasting
Author
Qazizada, Jacob
Term
4. term
Education
Publication year
2026
Submitted on
2026-05-26
Pages
93
Abstract
This thesis compares penalized regression methods (LASSO and Elastic Net) with greedy variable selection algorithms (OCMT and BMT) for out-of-sample forecasting of crude oil returns and realized volatility. The study comprises two exercises: one replicates and extends prior work using a set of macroeconomic and technical predictors for monthly returns, and the other forecasts realized volatility using a comprehensive range of uncertainty indices. Models are estimated with recursive expanding windows, hyperparameters are tuned via cross-validation and information criteria, and performance is evaluated using out-of-sample R2 and directional accuracy tests; economic relevance is also assessed. OCMT selects variables by sequential significance testing, while BMT follows a more conservative stepwise procedure that adds at most one variable per stage to limit spurious inclusion under high collinearity. Findings show that sparse models generally improve forecast accuracy relative to a historical benchmark, especially for volatility; momentum variables drive return forecasts, and uncertainty indicators matter for volatility. No single method dominates across all criteria, but penalized methods strike a favorable balance between precision and stability. Despite improved statistical forecasts, economic gains are modest due to transaction costs and model uncertainty, highlighting implementation challenges in oil markets.
Denne afhandling undersøger, hvordan straffede regressionsmetoder (LASSO og Elastic Net) klarer sig i forhold til grådige variabeludvælgelsesalgoritmer (OCMT og BMT) ved forudsigelse af råolieafkast og realiseret volatilitet ud af prøve. Undersøgelsen omfatter to øvelser: en, der replikerer og udvider tidligere arbejde ved at bruge et sæt makroøkonomiske og tekniske indikatorer til månedlige afkast, og en, der forudsiger realiseret volatilitet ud fra et bredt udvalg af usikkerhedsindeks. Modellerne estimeres med rekursive, ekspanderende vinduer, hyperparametre tunes via krydsvalidering og informationskriterier, og ydeevnen vurderes med ud-af-prøve R2 og tests for korrekt retningsangivelse; derudover vurderes den økonomiske relevans. OCMT vælger variabler ved sekventiel signifikanstestning, mens BMT går mere forsigtigt frem og tilføjer højst én variabel pr. trin for at begrænse fejlagtige valg ved høj korrelation. Resultaterne viser, at sparsomme modeller generelt forbedrer prognosen i forhold til en historisk benchmark, især for volatilitet; momentumvariabler er drivere for afkastprognoser, mens usikkerhedsindikatorer er vigtige for volatilitet. Ingen metode dominerer konsekvent, men de straffede metoder balancerer præcision og stabilitet fordelagtigt. På trods af bedre statistiske prognoser er de økonomiske gevinster beskedne på grund af transaktionsomkostninger og modellusikkerhed, hvilket understreger, at praktisk anvendelse i oljemarkeder er udfordrende.
[This apstract has been generated with the help of AI directly from the project full text]