Analysis of Seasonal Patterns in the Performance of Fuel Markets in the Visegrad Group

• Autorzy: Monika Krawiec , Anna Górska

Warianty tytułu

Analiza sezonowych prawidłowości na rynkach paliw Grupy Wyszehradzkiej

• Języki publikacji: EN

Abstrakty

EN

The objective of the paper is to examine seasonal patterns in the performance of fuel markets in the Visegrad Group (V4) countries (i.e., the Czech Republic, Hungary, Poland, and Slovakia). Unlike numerous papers that investigate global oil markets, this study focuses on regional retail fuel markets. The dataset consists of weekly Pb95 gasoline and diesel prices from January 2016 through December 2020. The methods applied cover a range of statistical and econometric tools, such as the Wilcoxon rank sum test, simple regression, and the generalized autoregressive conditional heteroscedasticity (GARCH) models. The research refers to important calendar effects such as the month-of-the-year effect and the Halloween effect, but it also considers the seasonal gasoline transition effect. The empirical analysis presented in this paper does not bring clear evidence for significant seasonal patterns in the performance of fuel markets in the Visegrad Group as the application of different methods provides mixed results. Nevertheless, the findings of the Wilcoxon test are consistent with the GARCH (1, 1) estimates, which detected an April effect for gasoline and a December effect for diesel in Poland. The simple regression and GARCH (1, 1) estimates are consistent for an October effect for gasoline in Slovakia. None of the methods applied allows us to find a significant Halloween effect, a reverse Halloween effect, or a gasoline seasonal transition effect on the fuel markets of the Visegrad Group. These findings bring new insight into the V4 fuel markets and may be important for oil processing firms, retail traders, transport and distribution companies, farmers, and individual consumers. (original abstract)

Celem pracy jest weryfikacja występowania sezonowych prawidłowości na rynkach paliw w krajach Grupy Wyszehradzkiej (V4), tj. w Czechach, na Węgrzech, w Polsce i na Słowacji. W odróżnieniu od wielu opracowań analizujących globalne rynki ropy ta praca koncentruje się na regionalnych detalicznych rynkach paliw. Dane empiryczne stanowią średnie tygodniowe ceny benzyny bezołowiowej Pb95 oraz oleju napędowego w okresie od stycznia 2016 do grudnia 2020 roku. Wykorzystane metody obejmują szereg narzędzi statystycznych i ekonometrycznych, takich jak test sumy rang Wilcoxona, regresja prosta oraz uogólnione modele autoregresyjne z warunkową heteroskedastycznością (GARCH). W badaniach skupiono się na analizie dwóch ważnych efektów kalendarzowych: efektu miesiąca w roku i efektu Halloween, ale uwzględniono również efekt sezonowej zmiany benzyny. Analiza empiryczna przedstawiona w pracy nie dostarczyła jednoznacznych dowodów na występowanie istotnych statystycznie prawidłowości na rynkach paliw w Grupie Wyszehradzkiej, gdyż wyniki uzyskane w konsekwencji zastosowania poszczególnych metod nie były jednoznaczne. Niemniej wnioski sformułowane na podstawie testu Wilcoxona są zgodne z wnioskami z modeli GARCH (1, 1) ujawniającymi efekt kwietnia dla benzyny i efekt grudnia dla oleju napędowego w Polsce. Ponadto wyniki regresji prostej i modelu GARCH (1, 1) wskazują efekt października dla benzyny na Słowacji. Natomiast żadna z zastosowanych metod nie pozwoliła wykryć efektu Halloween ani odwrotnego efektu Halloween czy też efektu sezonowej zmiany benzyny na rynkach paliw Grupy Wyszehradzkiej. Otrzymane wnioski dają nowy wgląd w rynki paliw Grupy Wyszehradzkiej i mogą być istotne dla podmiotów zajmujących się przetwórstwem ropy naftowej, przedsiębiorstw handlu detalicznego, firm transportowych i dystrybucyjnych, rolników czy konsumentów indywidualnych. (abstrakt oryginalny)

Słowa kluczowe

EN

Fuel market; Regression analysis; GARCH model; Wilcoxon test

PL

Rynek paliw; Analiza regresji; Model GARCH; Test Wilcoxona

• Czasopismo: Comparative Economic Research
• Rocznik: 2024
• Tom: 27
• Numer: nr 2
• Strony: 49--72

Twórcy

autor

Monika Krawiec

• Warsaw University of Life Sciences - SGGW, Poland

autor

Anna Górska

• Warsaw University of Life Sciences - SGGW, Poland

Bibliografia

• Ambroziak, Ł., Chojna, J., Gniadek, J., Juszczak, A., Miniszewski, M., Strzelecki, J., Szpor, A., Śliwowski, P., Święcicki, I., Wąsiński, M. (2020), The Visegrad Group - 30 Years of Transformation, Integration and Development, Polish Economic Institute, Warszawa.
• Arendas, P., Tkacova, D., Bukoven, J. (2018), Seasonal patterns in oil prices and their implications for investors, "Journal of International Studies", 11 (2), pp. 180-192, https://doi.org/10.14254/2071-8330.2018/11-2/12
• Borges, M. (2009), Calendar effects in stock markets: Critique of previous methodologies and recent evidence in European countries, "Working Papers", WP 37/2009/DEUECE, School of Economics and Management, Technical University of Lisbon.
• Borowski, K. (2016), Analysis of selected seasonality effects in markets of futures contracts with the following underlying instruments: crude oil, Brent oil, heating oil, gas oil, natural gas, feeder cattle, live cattle, lean hogs and lumber, "Journal of Management and Financial Sciences", 26 (4), pp. 27-44.
• Bouman, S., Jacobsen, B. (2002), The Halloween Indicator, 'Sell in May and Go Away': Another Puzzle, "The American Economic Review", 92 (5), pp. 1618-1635, https://doi.org/10.1257/000282802762024683
• Burakov, D., Freidin, M., Solovyev, Y. (2018), The Halloween effect on energy markets: an empirical study, "International Journal of Energy Economics and Policy", 8 (2), pp. 121-126.
• e-petrol.pl (n.d.), https://www.e-petrol.pl (accessed: 21.06.2021).
• Engle, R.F. (1982), Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation, "Econometrica", 50 (4), pp. 987-1007, https://doi.org/10.2307/1912773
• GasBuddy (n.d.), https://www.gasbuddy.com (accessed: 9.07.2022).
• Górska, A., Krawiec, M. (2015), Calendar Effects in the Market of Crude Oil, "Scientific Journal of Warsaw University of Life sciences - SGGW: Problems of World Agriculture", 15 (30), pp. 52-70, http://doi.org/10.22004/ag.econ.230857
• Howstuffworks (n.d.), Auto, https://www.auto.howstuffworks.com (accessed: 10.08.2022).
• Ibendhal, G. (2019), Fuel Price Seasonality, Kansas State University, https://www.agmanager.info/machinery/fuel-price-forecasts/fuel-price-seasonality (accessed: 5.07.2022).
• Osińska, M. (2006), Financial econometrics, PWE, Warszawa.
• Qi, M., Wang, W. (2013), The Monthly Effects in Chinese Gold Market, "International Journal of Economics and Finance", 5 (10), pp. 141-146, https://doi.org/10.5539/ijef.v5n10p141
• Rosado, J., Guerra, D., Ferreira, P. (2021), Seasonality in fuel consumption: a case study of a gas station, "Revista De Métodos Cuantitativos Para La Economía Y La Empresa", 32, pp. 3-12, https://doi.org/10.46661/revmetodoscuanteconempresa.4350
• Rosini, L., Shenai, V. (2020), Stock returns and calendar anomalies on the London Stock Exchange in the dynamic perspective of the Adaptive Market Hypothesis: A study of FTSE100 & FTSE250 indices over a ten year period, "Quantitative Finance and Economics", 4 (1), pp. 121-147, https://doi.org/10.3934/QFE.2020006
• Shapiro, S.S., Wilk, M.B. (1965), An analysis of variance test for normality (complete samples), "Biometrika", 52 (3-4), pp. 591-611, https://doi.org/10.1093/biomet/52.3-4.591
• U.S. Energy Information Administration (n.d.), https://www.eia.gov (accessed: 10.08.2022).
• Valadkhani, A. (2013), Seasonal patterns in daily prices of unleaded petrol across Australia, "Energy Policy", 56, pp. 720-731, http://doi.org/10.1016/j.enpol.2013.01.050
• Wild, C.J., Seber, G.A.F. (2000), Chance encounters: A first course in data analysis and inference, Wiley, New York.
• Yu, H.C., Shih, T.L. (2011), Gold, crude oil and the weekend effect: a probability distribution approach, "Investment Management and Financial Innovations", 8 (2), pp. 39-51.

Identyfikatory

DOI

10.18778/1508-2008.27.12