Evaluating the effectiveness of neural network techniques in the forecasting of South African basic fuel prices
Date
2019-04
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Stellenbosch : Stellenbosch University
Abstract
ENGLISH ABSTRACT : South Africa has a number of fuel grades available to consumers, one of the
most popular being the 95 unleaded standard. The price of this fuel is comprised of many components including transport fees, taxes and the basic fuel
price. The basic fuel price is the cost in Rand of Brent crude oil used to re ne
the unit of petrol fuel, and is often the most signi cant component of the fuel
price as well as the most volatile. Having a reliable forecasting methodology
for the basic fuel price would be a helpful planning tool for many individuals
and small enterprises. The forecasting of general fuel prices has been studied
in the past with various forecasting techniques ranging from machine learning to ARIMA and regression models. In this study various deep learning
models, including feed forward, recurrent and convolutional neural networks
are assessed for their ability to accurately forecast the basic fuel price. These
models are ranked by their ability to reduce the mean absolute percentage
error on a common test data set. A number of time series data sets are used
as input for the models under review, which include the closing daily price of
Brent crude oil and the closing daily US Dollar exchange rate. The e ect of
inputting the 30 day rolling future contracts for both the closing oil price and
exchange rates is also investigated.
Overall it is determined that, of the models evaluated during this study, the
recurrent network performs the most favourably. On the nal test set, with
optimal model and input parameters, the individual observation errors range
from less than 1 % to more than 10 %. The average test error of 4.57 % can be
a bit misleading due to the observed range of individual errors. Hence it is not
as reliable of a forecast as one would hope for. However, the model did prove
to have a fairly reliable attribute to correctly forecast the direction of the basic
fuel price change. It did so in about 86% of the test data set observations,
and was o by only a few cents when an incorrect direction was forecast. It is
concluded that neural network models can be used to some degree for the task
of forecasting the South African basic fuel price. Such models are sensitive
to the amount of data provided and hence future work in this area should
prioritise obtaining more data and if possible incorporating additional data
sources.
AFRIKAANSE OPSOMMING : Suid-Afrika het 'n aantal brandstofgrade, waarvan een van die gewildste die 95-loodvrye standaard is. Hierdie brandstof se prys bestaan ondermeer uit vervoerfooie, belasting en die basiese brandstofprys. Die basiese brandstofprys is die koste in Rand van Brent-ru-olie wat vir verfyning gebruik word, en is dikwels die belangrikste komponent van die brandstofprys sowel as die mees wisselvallige. Om 'n betroubare voorspellingsmetodologie vir die basiese brandstofprys te hê, kan nuttig vir baie individue en klein ondernemings wees. Die voorspelling van algemene brandstofpryse is in die verlede bestudeer met tegnieke wat wissel van masjienleer tot ARIMA en regressiemodelle. In hierdie studie word verskeie diepleermodelle, insluitende voortvoerende, terugkerende en konvolusie neurale netwerke, beoordeel vir hul vermoë om die basiese brandstofprys akkuraat te voorspel. Hierdie modelle word gerangskik volgens hul vermoë om die gemiddelde absolute persentasie-fout op 'n algemene toetsdatastel te verminder. 'n Aantal tydreeksdatastelle is gebruik as intreë wat die sluiting van die daaglikse prys van Brent-ru-olie en van die daaglikse Amerikaanse Dollar-wisselkoers insluit. Die e ek van die insluiting van die 30 dae toekomstige kontrakte vir die sluitingsprys en wisselkoerse word ook ondersoek. Oor die algemeen is vasgestel dat van die modelle wat in hierdie studie geëvalueer is, die terugkerende netwerk die gunstigste presteer. Op die nale toetsstel, met optimale model- en insetparameters, wissel individuele foute van minder as 1 % tot meer as 10 %. Die gemiddelde fout op die toetsdatastel van 4.57 % kan 'n bietjie misleidend wees as gevolg van die verspreiding van individuele foute. Dit is dus nie so betroubaar soos wat mens sou hoop nie. Die model toon egter 'n redelike betroubare vermoë om die rigting van verandering in die basiese brandstofprys korrek te voorspel. Dit is gedoen in ongeveer 86% van die toetsdatastel waarnemings, en was af met slegs 'n paar sent toe 'n verkeerde rigting voorspel is. Daar word tot die gevolgtrekking gekom dat neurale netwerkmodelle tot 'n mate gebruik kan word om die Suid-Afrikaanse basiese brandstofprys te voorspel. Sulke modelle is sensitief vir die hoeveelheid data wat verskaf word en daarom moet toekomstige werk in hierdie gebied voorkeur gee aan die verkryging van meer data en indien moontlik die insluiting van bykomende databronne.
AFRIKAANSE OPSOMMING : Suid-Afrika het 'n aantal brandstofgrade, waarvan een van die gewildste die 95-loodvrye standaard is. Hierdie brandstof se prys bestaan ondermeer uit vervoerfooie, belasting en die basiese brandstofprys. Die basiese brandstofprys is die koste in Rand van Brent-ru-olie wat vir verfyning gebruik word, en is dikwels die belangrikste komponent van die brandstofprys sowel as die mees wisselvallige. Om 'n betroubare voorspellingsmetodologie vir die basiese brandstofprys te hê, kan nuttig vir baie individue en klein ondernemings wees. Die voorspelling van algemene brandstofpryse is in die verlede bestudeer met tegnieke wat wissel van masjienleer tot ARIMA en regressiemodelle. In hierdie studie word verskeie diepleermodelle, insluitende voortvoerende, terugkerende en konvolusie neurale netwerke, beoordeel vir hul vermoë om die basiese brandstofprys akkuraat te voorspel. Hierdie modelle word gerangskik volgens hul vermoë om die gemiddelde absolute persentasie-fout op 'n algemene toetsdatastel te verminder. 'n Aantal tydreeksdatastelle is gebruik as intreë wat die sluiting van die daaglikse prys van Brent-ru-olie en van die daaglikse Amerikaanse Dollar-wisselkoers insluit. Die e ek van die insluiting van die 30 dae toekomstige kontrakte vir die sluitingsprys en wisselkoerse word ook ondersoek. Oor die algemeen is vasgestel dat van die modelle wat in hierdie studie geëvalueer is, die terugkerende netwerk die gunstigste presteer. Op die nale toetsstel, met optimale model- en insetparameters, wissel individuele foute van minder as 1 % tot meer as 10 %. Die gemiddelde fout op die toetsdatastel van 4.57 % kan 'n bietjie misleidend wees as gevolg van die verspreiding van individuele foute. Dit is dus nie so betroubaar soos wat mens sou hoop nie. Die model toon egter 'n redelike betroubare vermoë om die rigting van verandering in die basiese brandstofprys korrek te voorspel. Dit is gedoen in ongeveer 86% van die toetsdatastel waarnemings, en was af met slegs 'n paar sent toe 'n verkeerde rigting voorspel is. Daar word tot die gevolgtrekking gekom dat neurale netwerkmodelle tot 'n mate gebruik kan word om die Suid-Afrikaanse basiese brandstofprys te voorspel. Sulke modelle is sensitief vir die hoeveelheid data wat verskaf word en daarom moet toekomstige werk in hierdie gebied voorkeur gee aan die verkryging van meer data en indien moontlik die insluiting van bykomende databronne.
Description
Thesis (MSc)--Stellenbosch University, 2019.
Keywords
Fuel prices -- Forecasting, Machine learning, Neural networks, UCTD, Brent crude oil -- Prices, Fuel prices -- Mathematical models