Real-Time Forecasts of the Real Price of Oil

Les 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.