Analiza szeregów czasowych kontraktów terminowych na miedź przy wykorzystaniu modelu ARIMA i GARCH z uwzględnieniem wpływu pandemii COVID-19 na wycenę surowców

• Autorzy: Łukasz Sroka
• Języki publikacji: PL

Abstrakty

Strach przed skutkami epidemii jest jednym z czynników wpływających na decyzje podejmowane na rynku zarówno od strony popytowej, jak i podażowej. Po stronie popytowej epidemia powoduje spadek wydatków konsumpcyjnych. Ludzie chorzy oraz przebywający na kwarantannie zostają w domach zamiast podróżować, odwiedzać centra handlowe, restauracje, kina czy teatry. Takie zachowanie konsumentów oznacza, że branża turystyczna, transportowa, produkcyjna oraz rozrywkowa bardzo silnie odczuwają brak popytu na swoje dobra i usługi (Jakóbik, 2020). Choroba wywołana wirusem bądź bakterią wpływa również na gospodarkę światową ograniczając podaż. Dzieje się tak, ponieważ pandemia redukuje liczbę pracowników zdolnych do pracy, co znacząco wpływa na podaż siły roboczej. Ponadto wiele sektorów gospodarki światowej doświadcza zakłóceń w łańcuchach dostaw, co prowadzi do niedoborów surowców oraz materiałów na rynku (Sieroń, 2021). Zakłócenia, które dotknęły światowe giełdy w 2020 roku wpłynęły również na wycenę surowców przemysłowych. Większość surowców zaczęło gwałtownie tanieć w okresie od stycznia do maja 2020. Za przykład może posłużyć cynk, którego cena pod koniec stycznia 2020 roku wynosiła 2428 dolarów za tonę, by już w marcu spaść do poziomu 1815 dolarów za tonę, czyli o ponad 25%. Po osiągnięciu marcowego minimum cenowego dla większości surowców przemysłowych rozpoczął się okres wzrostu cen. Na koniec grudnia 2020 roku za tonę cynku należało zapłacić 2700 dolarów, co stanowiło wzrost ceny o ponad 48% w porównaniu do marcowego dołka oraz wzrost o ponad 11% w porównaniu do stycznia 2020 roku. Silne wahania cen surowców przemysłowych w znacznym stopniu wpływają na decyzje podejmowanie przez przedsiębiorstwa dotyczące wielkości produkcji oraz zapasów. Aby móc podejmować skuteczne decyzje biznesowe, przedsiębiorstwo musi dokonać rewizji zarówno prognoz, jak również modeli ekonometrycznych wykorzystanych do ich stawiania. W związku z wyzwaniami, jakie stoją przed przedsiębiorstwem w obszarze prognostycznym, za cel niniejszego rozdziału postawiono przygotowanie prognoz cen kontraktów terminowych na miedź na trzy okresy. Dane, które wybrano do analizy, podzielono na dwa podzbiór. Pierwszy podzbiór cen zawierał obserwacje, na które wpływ epidemii COVID-19 jest widoczny, natomiast w skład drugiego podzbioru wchodziły ceny bez istotnego wpływu pandemii. Analiza cen kontraktów terminowych została przygotowana przy użyciu modelu ARIMA oraz modelu GARCH. (fragment tekstu)

Słowa kluczowe

PL

Rynek surowców; Ceny surowców; Rynek miedzi; Giełdy światowe; Pandemia; Kontrakty terminowe; Analiza szeregów czasowych; Model GARCH; Modele SARIMA

EN

Materials market; Raw materials prices; Copper market; World stock markets; Pandemic; Fixed-period contracts; Time-series analysis; GARCH model; SARIMA models

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2023
• Tom: Gospodarka, społeczeństwo i rynki finansowe w dobie wyzwań współczesnego świata
• Strony: 150--168

Twórcy

autor

Łukasz Sroka

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Box, G. E. P., Jenkins, G. M. (1983). Analiza szeregów czasowych. Warszawa: PWN.
• Chrabołowska, J., Nazarko, J. (2003). Modele ARIMA w prognozowaniu sprzedaży. Zagadnienia Techniczno-Ekonomiczne, 48, 791-804. http://www.nazarko.pl/public/data/resource/upload/00003/2426/file/modele-arima2003.pdf
• Dąsal, K., Popławski, T. (2008). Problemy związane z prognozowaniem zużycia energii elektrycznej w Polsce. Polityka Energetyczna, 11(1), 101-115. https://min-pan.krakow.pl/wp-content/uploads/sites/4/2018/02/06-D sal-Pop awski.pdf
• Doman, M. (2004). Prognozowanie zmienności polskich indeksów giełdowych za pomocą modeli GARCH przy użyciu danych wysokiej częstotliwości. Acta Universitatis Lodziensis, 177, 291-309. https://dspace.uni.lodz.pl/xmlui/bitstream/handle/11089/7202/277-295.pdf?sequence=1&isAllowed=y
• Fiszeder, P. (2001). Zastosowanie modeli GARCH w analizie krótkookresowych zależności pomiędzy Warszawską Giełdą Papierów Wartościowych a międzynarodowymi rynkami akcji. Przegląd Statystyczny, 48(3/4), 345-364.
• Ganczarek-Gamrot, A. (2014). Analiza szeregów czasowych. Katowice: Wydawnictwo Uniwersytetu Ekonomicznego.
• Guha, B., Bandyopadhyay, G. (2016). Gold price forecasting using ARIMA model. Journal of Advanced Management Science, 4(2), 117-121. http://doi.org/10.12720/joams.4.2.117-121
• Jakóbik, W. (2020). Ujemna cena ropy, czyli taka, jaką wycenił koronawirus. Biznes Alert. https://biznesalert.pl/ujemne-ceny-ropy-kryzys-gospodarczy-odbicie-energetyka-ropa-wojciech-jakobik/
• Krężołek, D. (2020). Modelowanie ryzyka na rynku metali. Katowice: Wydawnictwo Uniwersytetu Ekonomicznego.
• Malska, W., Wachta, H. (2015). Wykorzystanie modelu ARIMA do analizy szeregu czasowego. Zeszyty Naukowe Politechniki Rzeszowskiej, 34(292/3), 23-30. https://doi.org/10.7862/re.2015.27
• Miłek, M. (2017). Wykrywanie pierwiastków jednostkowych z wykorzystaniem testów permutacyjnych. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach, 335, 27-38. https://cejsh.icm.edu.pl/cejsh/element/bwmeta1.element.cejsh-0131cdf0-52e5-4d5e-bdaa-7e2461f42187
• Nazarko, J., Chrabołowska, J., Rybaczuk, M. (2004). Zastosowanie wielosezonowego modelu ARIMA w prognozowaniu obciążeń mocą elektryczną. Taksonomia. Prace Naukowe Akademii Ekonomicznej we Wrocławiu, 11(1022), 173-182. http://www.nazarko.pl/public/data/resource/upload/00003/2426/file/zastosowanie-wielosezonowegomodelu-arima.pdf
• Nelson, D. B., Cao, C. Q. (1992). Inequality constraints in the univariate GARCH model. Journal of Business and Economic Statistics, 10, 229-235. https://doi.org/10.2307/1391681
• Piłatowska, M. (2009). Prognozowanie kombinowane z wykorzystaniem wag Akaike'a. Acta Universitatis Nicolai Copernici, 389, 51-62. https://doi.org/10.12775/AUNC_ECON.2009.025
• Piłatowska, M. (2011). Porównanie kryteriów informacyjnych i predykcyjnych w wyborze modelu. Prace i Materiały Wydziału Zarządzania Uniwersytetu Gdańskiego, 4(8), 499-512. https://docplayer.pl/45410930-Porownanie-kryteriow-informacyjnych-ipredykcyjnych-w-wyborze-modelu.html
• Sieroń, A. (2020). Czy pandemia COVID-19 spowoduje zapaść globalnej gospodarki? Instytut Misesa. https://mises.pl/blog/2020/03/14/sieron-czy-pandemia-covid-19-spowoduje-zapasc-globalnej-gospodarki/