Hoe voorspellen bedrijven olieprijzen?
De prijzen van ruwe olie worden beschouwd als een van de belangrijkste indicatoren in de wereldeconomie. Overheden en bedrijven besteden veel tijd en energie om erachter te komen waar de olieprijzen naartoe gaan, maar prognoses zijn een onnauwkeurige wetenschap. Standaardtechnieken zijn gebaseerd op calculus (lineaire regressies en econometrie), maar alternatieven zijn onder meer structurele modellen en computergestuurde analyses. Er bestaat geen algemeen aanvaarde consensus over de beste manier om de olieprijzen te voorspellen.
Bedrijven besteden ook speciale aandacht aan – en nemen vaak deel aan – olietermijnmarkten. Futures op ruwe olie worden verhandeld op de New York Mercantile Exchange (NYMEX) en de Tokyo Commodity Exchange (TOCOM).1
Inzicht in de prijzen van ruwe olie
Op elementair niveau wordt de aanvoer van ruwe olie bepaald door het vermogen van oliemaatschappijen om reserves uit de grond te halen en deze over de wereld te verdelen. Er zijn drie belangrijke aanbodvariabelen: technologische veranderingen, omgevingsfactoren en het vermogen van oliemaatschappijen om kapitaal te accumuleren en aan te vullen. Technische verbeteringen – met name hydraulisch breken en horizontaal boren – hielpen na 2008 de wereldmarkten met olie te overspoelen.
De vraag naar ruwe olie komt van particulieren, bedrijven en overheden. Over het algemeen neemt de vraag naar olie toe in goede economische tijden, en neemt deze af in langzamere economische tijden. Verhogingen van de levensstandaard in China en India waren in de 21e eeuw een belangrijke bron van wereldwijde vraag.
Bedrijven moeten deze factoren begrijpen voordat ze olieprijsprognoses kunnen maken, maar zelfs dat is niet genoeg. De olieprijzen worden sterk beïnvloed door niet-marktkrachten, waaronder deOrganisatie van Olie-exporterende Landen (OPEC), die in feite optreedt als een multinationaal oliekartel. OPEC-lidstaten nemen gezamenlijke beslissingen over hoeveel olie ze op de wereldmarkten moeten vrijgeven op basis van wat het beste is voor hun regeringen. De extreme schommelingen in de olieprijzen tussen 2005 en 2015 zijn echter een aanwijzing dat de invloed van de OPEC beperkt is.
Olie is in de meeste landen ook sterk gereguleerd. De Verenigde Staten hebben, net als veel andere landen in Europa, strikte beperkingen voor waar olie kan worden geboord; de Environmental Protection Agency (EPA) heeft misschien net zoveel te zeggen over de olieprijzen als Exxon Mobil of British Petroleum.
De reden waarom bewegingen in de olieprijs (of welke grondstof dan ook) analisten vaak verrassen, is omdat er honderden variabelen zijn, die elk op onvoorspelbare manieren gelijktijdig bewegen. De Raad van Bestuur van het Federal Reserve System formuleerde het het beste in hun discussienota van juli 2011 “Forecasting the Price of Oil”, die begon met het identificeren van “onverwachte grote en aanhoudende fluctuaties in de reële olieprijs”.
Kwantitatieve methoden
Bedrijven huren econometristen en andere marktexperts in om op korte en middellange termijn voorspellingen te doen over de oliemarkt. Deze professionals gebruiken zeer gecompliceerde wiskundige modellen, die ofwel gericht zijn op financiële gegevens (gebruikmakend van spot- en toekomstige prijzen ), of vraag- en aanbodoverwegingen (variabelen kwantificeren en hun verklarende kracht testen).
Spot- en toekomstige prijsmodellen zijn nog steeds populair bij veel bedrijven, maar lopen uit de gratie. Het basisconcept is dat futuresmarkten – met name de relatie tussen prijsschommelingen van futures en spotprijsschommelingen – de weg zullen wijzen naar de olieprijzen van morgen. In 1991 werden twee invloedrijke academische papers gepubliceerd (Bopp en Lady; Serletis) die suggereerden dat toekomstige olieprijzen niet onbevooroordeeld of volledig efficiënt waren, maar waarschijnlijk nog steeds beter waren dan alle andere indicatoren. Deze conclusie werd bereikt door middel van fout- en correctiemodellen (ECM’s), waarmee statistici of econometristen rekening kunnen houden met vooringenomenheid in toekomstige gegevens.
Een derde studie in 1998 (Zeng en Swanson) keek naar ruwe olie op de NYMEX, de New York Commodity Exchange, de Chicago Board of Trade en de Chicago Mercantile Exchange tussen 1990 en 1995. Hieruit bleek dat ECM-modellen het beste presteerden.8
Latere studies waren minder vriendelijk voor financiële modellen. Een van hen beoordeelde de futures-prijzen van West Texas Intermediate (WTI) op de NYMEX tussen 1989 en 2003 en ontdekte dat forward- en futures-prijzen noch efficiënt noch onbevooroordeeld genoeg zijn om de toekomstige spotprijzen nauwkeurig te voorspellen (en, merkwaardig genoeg, dat er “weinig bewijs was van risicopremies “in de oliemarkt). De auteurs adviseerden in plaats daarvan een willekeurig loopproces in de tijdreeksen;random walk theory suggereert dat veranderingen in aandelenkoersen niet kunnen worden gebruikt om toekomstige bewegingen te voorspellen.9 (Volgens de Chartered Alternative Investment Analyst Association is econometrische modellering van tijdreeksen de meest gebruikelijke prognosemethode voor de prijzen van ruwe olie.)
Vraag- en aanbodmodellen richten zich op macro-economische variabelen, zoals OPEC-productie, inkomenselasticiteit van de vraag naar olie en het reële bruto binnenlands product (bbp). Omdat er zoveel mogelijke combinaties van variabelen zijn, gebruiken de meeste bedrijven of analytische diensten eigen berekeningen en wijzigen ze hun formules regelmatig. Het doel is om de meest statistisch significante variabelen te vinden, vervolgens grafiekfluctuaties in die variabelen te vinden en ruwe schattingen te maken voor toekomstige olieprijzen.
Kwalitatieve of niet-lineaire methoden
De voorstanders van alternatieve benaderingen, die statistici “niet-standaard” of “niet-lineaire” benaderingen zouden kunnen noemen, voeren aan dat toekomstige olieprijzen te willekeurig en chaotisch zijn voor traditionele processen. Deze methoden gebruiken mogelijk nog steeds dezelfde gegevens als standaardmodellen, maar de berekeningen zijn gebaseerd op patroonherkenning in plaats van lineaire modellen of econometrische regressies.
Een populair hulpmiddel voor patroonherkenning is het kunstmatige neurale netwerk (ANN). Het ANN-model, dat is gebaseerd op de biologie van het menselijk brein, laat de simulatie zogenaamd leren en ervaringen generaliseren op basis van nieuwe gegevens. ANN’s worden gebruikt voor een verscheidenheid aan analyses op het gebied van zaken, wetenschap en investeringen. Een standaard kritiek op de ANN-methode – en een primaire reden waarom ANN’s niet populair zijn bij particuliere olieprognoses, is dat de intrinsieke inputs die worden gebruikt om prijsreeksen te evalueren, vaak subjectief of willekeurig zijn.
Fundamentele beleggers en analisten hebben de neiging om complexe statistische modellen uit de weg te gaan. In plaats daarvanvertrouwenfundamentele analisten op geaggregeerde bedrijfsfactoren, zoals voorraadniveaus, productietrends, natuurrampen en de acties van speculanten. De impliciete redenering achter deze op kennis gebaseerde benaderingen is dat de olieprijzen sterk worden beïnvloed door grote, identificeerbare gebeurtenissen. Het is gebruikelijk dat bedrijven marktanalisten in dienst hebben die vertrouwen op informatie uit andere bronnen, zoals de Commodity Forecast van de Wereldbank, in plaats van hun eigen modellen te creëren.