nach oben

Erschienen in:

2024 | OriginalPaper | Buchkapitel

13. The Impact of Fossil Fuel Price Volatility on EU Energy, Oil and Gas Share Price Volatility

verfasst von : Maciej Mróz, Zbigniew Korzeb, Paweł Niedziółka

Erschienen in: Fossil Fuels in the European Union

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Many methods for assessing volatility and making forecasts in literature are applied, e.g. econometric models and soft computing models.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Causal Relationships of the Listing of EU Energy, Oil and Gas Companies with Fossil Fuel Markets

GARCH class models require high density of data.

Abdullah SN, Zeng X (2010) Machine learning approach for crude oil price prediction with Artificial Neural Networks-Quantitative (ANN-Q) model. In: Proceedings of the international joint conference on neural networks. IEEE, pp 1–8. https://doi.org/10.1109/IJCNN.2010.5596602

Bacon R, Kojima M (2008) Coping with oil price volatility. energy sector management assistance program. In: The international bank for reconstruction and development/the world bank group: washington. Retrieved August 1, 2023, from https://www.esmap.org/sites/default/files/esmap-files/8142008101202_coping_oil_price.pdf

Bildirici M, Bayazit NG, Ucan Y (2020) Analyzing crude oil prices under the impact of COVID-19 by using LSTARGARCHLSTM. Energies 13:2980. https://doi.org/10.3390/en13112980CrossRef

Bollerslev T (1986) Generalised autoregressive conditional heteroskedasticity. J Econom 31:307–327. https://doi.org/10.1016/0304-4076(86)90063-1MathSciNetCrossRef

Chen Y, He K, Tso GKF (2017) Forecasting crude oil prices: a deep learning based model. Procedia Comput Sci 122:300–307. https://scholars.cityu.edu.hk/files/27925183/Forecasting_Crude_Oil_Prices_A_Deep_Learning_based_Model.pdf. Accessed 01 Aug 2023

Chkili W, Hammoudeh S, Nguyen DK (2014) Volatility forecasting and risk management for commodity markets in the presence of asymmetry and long memory. Energy Econ 41:1–18. https://doi.org/10.1016/j.eneco.2013.10.011CrossRef

Dickey DA, Fuller WA (1979) Distribution of the estimators for autoregressive time series with a unit root. J Am Stat Assoc 75:427–431. https://doi.org/10.2307/2286348MathSciNetCrossRef

Eurostat (2023) Share of fossil fuels in gross available energy. Retrieved September 6, 2023, from https://ec.europa.eu/eurostat/databrowser/view/NRG_IND_FFGAE__custom_4713488/bookmark/table?lang=en&bookmarkId=b28d8f1d-02c4-4ce5-bb5c-084990ee5a58

Fiszeder P (2001) Jednorównaniowe modele GARCH – analiza procesów zachodzących na GPW w Warszawie. Materiały na VII Ogólnopolskie Seminarium Naukowe: Dynamiczne Modele Ekonometryczne, pp 221–232

Fiszeder P (2009) Modele klasy GARCH w empirycznych badaniach finansowych. Wydawnictwo Uniwersytetu Mikołaja Kopernika w Toruniu

Gana L, Wang H, Yang Z (2020) Machine learning solutions to challenges in finance: an application to the pricing of financial products. Technol Forecast Soc Change 153:119928. https://doi.org/10.1016/j.techfore.2020.119928CrossRef

García D, Kristjanpoller W (2019) An adaptive forecasting approach for copper price volatility through hybrid and non-hybrid models. Appl Soft Comput 74:466–478. https://doi.org/10.1016/j.asoc.2018.10.007CrossRef

Herrera AM, Hu L, Pastor D (2018) Forecasting crude oil price volatility. Int J Forecast 34:622–635. https://doi.org/10.1016/j.ijforecast.2018.04.007CrossRef

Klein T, Walther T (2016) Oil price volatility forecast with mixture memory GARCH. Energy Econ 58:46–58. https://doi.org/10.1016/j.eneco.2016.06.004

Kriechbaumer T, Angus A, Parsons D, Rivas Casado M (2014) An improved wavelet–ARIMA approach for forecasting metal prices. Resour Policy 39:32–41. https://doi.org/10.1016/j.resourpol.2013.10.005

Kumar D (2011) Forecasting energy futures volatility based on the unbiased extreme value volatility estimator. IIMB Manage Rev 29:294–310. https://doi.org/10.1016/j.iimb.2017.11.002CrossRef

Lin Y, Xiao Y, Li F (2020) Forecasting crude oil price volatility via a HM-EGARCH model. Energy Econ 87:104693. https://doi.org/10.1016/j.eneco.2020.104693CrossRef

Lv X, Shan X (2013) Modeling natural gas market volatility using GARCH with different distributions. Physica A 392:5685–5699. https://doi.org/10.1016/j.physa.2013.07.038CrossRef

Nomikos NK, Pouliasis PK (2011) Forecasting petroleum futures markets volatility: the role of regimes and market conditions. Energy Econ 33:321–337. https://doi.org/10.1016/j.eneco.2010.11.013CrossRef

Pesaran MH, Shin Y, Smith RJ (2001) Bounds testing approaches to the analysis of level relationships. J Appl Economet 16:289–326. https://doi.org/10.1002/jae.616CrossRef

Phillips PCB, Perron P (1988) Testing for a unit root in time series regressions. Biometrica 75:335–346. https://doi.org/10.2307/2336182MathSciNetCrossRef

Sehgal N, Pandey KK (2015) Artificial intelligence methods for oil price forecasting: a review and evaluation. Energy Syst 6:479–506. https://doi.org/10.1007/s12667-015-0151-yCrossRef

Wang Y, Wu C (2012) Forecasting energy market volatility using GARCH models: can multivariate models beat univariate models? Energy Econ 34:2167–2181. https://doi.org/10.1016/j.eneco.2012.03.010CrossRef

Zhang Y-J, Zhang J-L (2018) Volatility forecasting of crude oil market: a new hybrid method. J Forecast 37:781–789. https://doi.org/10.1002/for.2502MathSciNetCrossRef

Titel: The Impact of Fossil Fuel Price Volatility on EU Energy, Oil and Gas Share Price Volatility
verfasst von: Maciej Mróz
Zbigniew Korzeb
Paweł Niedziółka
Verlag: Springer International Publishing
Buch: Fossil Fuels in the European Union
Print ISBN: 978-3-031-56789-6

Electronic ISBN: 978-3-031-56790-2

Copyright-Jahr: 2024
DOI: https://doi.org/10.1007/978-3-031-56790-2_13

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"