Prediksjon av torskepriser i det norske førstehåndsmarkedet : en sammenligning av metoder for tidsserieprediksjoner

Abstract

I denne masteroppgaven undersøkes bruk av tidsserieanalyser til prediksjoner av torskepriser i det norske førstehåndsmarkedet. Oppgaven er skrevet i samarbeid med Norges Råfisklag. Prisene som predikeres er førstehåndsprisen for fersk og fryst torsk i Norges Råfisklags virkeområde, samt eksportprisene. Norges Råfisklag er ansvarlig for å sette minsteprisen for torsk. De tok i 2016 i bruk en dynamisk minsteprismodell. Med bakgrunn i denne modellen vil prediksjonene benyttes til å predikere minsteprisen. Denne utredningen skiller seg fra tidligere forskning på torskeprisene, da det benyttes tekniske analyser av tidsserier. Ukentlige priser for førstehåndsmarkedet og månedlige priser for eksport er benyttet i prediksjonene, med en tidshorisont på ett år. Kortere tidshorisonter er også undersøkt. Den innledende analysen av tidsseriene viser en klar økende trend i samtlige priser, samtidig som tidsseriene ikke innehar en klar sesong, noe som kan gjøre det vanskelig å predikere svingningene i prisene. Prediksjonsmetodene som er utforsket er ARIMA- og ETS-modeller, dynamisk harmonisk regresjon med fourierrekker, TBATS og nevralt nettverk med autoregresjon. I tillegg er det benyttet gjennomsnitts- og regresjonsmetoder for å kombinere prediksjonsmodellene. Som følge av volatile priser i førstehåndsmarkedet, presenteres to alternative metoder; GARCH-modell og regresjon med flere variabler. Resultater av analysene viser at de mer avanserte prediksjonsmodellene jevnt over gir bedre prediksjoner enn referansemodellene Naïve og Drift. Grunnet dette vil det være hensiktsmessig å benytte tekniske analyser av tidsserier for å predikere torskeprisene. Å inkludere en ekstern forklaringsvariabel øker ikke nøyaktigheten til prediksjonene. Det konkluderes med at en kombinasjon av å benytte prediksjonsmodeller sammen med kunnskap om markedet og faktorer som har vist seg å påvirke prisen, kan være det beste utgangspunktet for å predikere fremtidige torskepriser.

This thesis investigates the possibilities to use time series forecasting to predict the prices of cod in the first-hand market in Norway. The thesis is written in collaboration with Norges Råfisklag, and the prices forecasted is the first-hand price of fresh and frozen cod within Norges Råfisklag’s region and the market price of cod. Norges Råfisklag is required by law to set a minimum price, and for this purpose, a dynamic pricing model has been used since 2016. With this in mind, the forecasted prices will be used in a forecast of the minimum price. Weekly prices from the first-hand market and monthly market prices has been deployed in a one year ahead forecasting horizon. Initial analyses of the time series shows a long term increasing trend for all three prices. There is no fixed seasonal pattern, which may lead to difficulties in forecasting price fluctuations. The forecasting methods investigated are ARIMA and ETS models, dynamic harmonic regression with fourier terms, TBATS and neural network autoregression. In addition, two methods for forecast combinations have been explored; average and regression combinations. As a consequence of volatile prices in the first-hand market, two alternative methods is introduced; a GARCH model and dynamic regression with ARIMA-errors. Overall, more advanced forecasting methods results in better prediction accuracy than the benchmark models Naïve and Drift. Accordingly, it is appropriate to use forecasting methods to predict the prices of cod. Furthermore, there is no substantial improvements of accuracy with adding an external predictor to the forecasting models. In conclusion, forecasting models combined with knowledge about the market and underlying factors that may affect the price, seems to give the best foundation to predict the future prices of cod.