Commodity prices play an essential role in the development of macroeconomic variables such as inflation, interest rates, foreign exchange rates, and gross domestic product. In many industries, they also affect the direct and indirect costs of companies, as well as investment decisions. Thus, robust commodity price models can work as a basis for a reliable risk management strategy.

This thesis approaches commodity price modelling with two research questions. The first question is: “What kind of stochastic processes, discrete-time series models and machine learning models seem adequate in commodity price modelling?” The second question is: “How do the proposed models perform in commodity price forecasting?”

The data in this thesis consists of monthly prices of six commodities that are Brent, WTI, gasoil, natural gas, palm oil and soybean oil. The backtesting measures one-step-ahead forecasting accuracy of the selected models that are random walk, SARIMA, Ornstein-Uhlenbeck, LSTM and random forest. In addition, the accuracy of GARCH is analyzed in volatility modelling.

Numerical results indicate that the ARIMA(1,1,0) is the most accurate model in Brent and gasoil prices. In WTI prices, the Ornstein-Uhlenbeck outperforms the other models. In natural gas, palm oil and soybean oil prices, the random walk is the most accurate model. Thus, the results do not support mean-reversion in the analyzed commodities except in WTI. In volatility modelling, GARCH outperforms constant volatility if the underlying mean model is robust.

The generalizability of the results is constrained by the selected commodities, prices and models. Further, the backtesting excludes measuring the accuracy of the models beyond one-step-ahead forecasting. However, the results provide insights into the behaviour of essential commodity prices and act as a starting point for constructing a model for measuring the flat price risks of commodities.

Hyödykehinnat vaikuttavat oleellisesti makroekonomisten muuttujien, kuten inflaation, korkojen, valuuttakurssien ja bruttokansantuotteen, kehitykseen. Monilla toimialoilla ne vaikuttavat myös yritysten suoriin ja epäsuoriin kustannuksiin sekä investointipäätöksiin. Robustit hyödykehintojen mallit voivat siten toimia perustana luotettavalle riskienhallintastrategialle.

Tämä diplomityö lähestyy hyödykehintojen mallintamista kahden tutkimuskysymyksen kautta. Ensimmäinen tutkimuskysymys on: “Minkälaiset stokastiset prosessit, diskreetit aikasarjamallit ja koneoppimismallit vaikuttavat riittäviltä hyödykehintojen mallintamisessa?” Toinen tutkimuskysymys on: “Miten ehdotetut mallit suoriutuvat hyödykehintojen ennustamisessa?”

Diplomityön data koostuu kuuden hyödykkeen kuukausihinnoista. Hyödykkeet ovat Brent, WTI, kaasuöljy, maakaasu, palmuöljy ja soijapapuöljy. Malleja tutkiessa mitataan valittujen mallien ennustamistarkkuutta ennustettaessa seuraavan kuukauden hintatasoa. Valitut mallit ovat satunnaiskulku, SARIMA, Ornstein-Uhlenbeck, LSTM ja satunnaismetsä. Lisäksi GARCH-mallien tarkkuutta analysoidaan volatiliteetin mallintamisessa.

Numeeristen tuloksien perusteella ARIMA(1,1,0)-malli on tarkin Brent- ja kaasuöljyhinnoissa. WTI-hinnoissa Ornstein-Uhlenbeck suoriutuu muita malleja paremmin. Maakaasu-, palmuöljy- ja soijapapuöljyhinnoissa satunnaiskulku on tarkin malli. Tulokset eivät siten tue sitä, että analysoidut hyödykehinnat, lukuun ottamatta WTI- hintoja, palautuisivat kohti keskiarvojaan. Volatiliteetin mallintamisessa GARCH suoriutuu paremmin kuin vakiovolatiliteetti, jos taustalla oleva hintaa ennustava malli on robusti.

Tuloksien yleistettävyyttä rajoittavat valitut hyödykkeet, hinnat ja mallit. Lisäksi malleja tutkiessa jätetään huomiotta mallien ennustustarkkuus seuraavan kuukauden jälkeistä hintatasoa ennustettaessa. Tulokset vahvistavat kuitenkin näkemystä keskeisten hyödykehintojen käyttäytymisestä ja antavat edellytyksiä hyödykkeiden hintariskejä mittaavan mallin rakentamiselle.