Publication detail

A blending ensemble learning model for crude oil price forecasting

Year: 2025

Type of publication: článek v odborném periodiku

Name of source: Annals of Operations Research

Publisher name: Springer

Place: Dordrecht

Page from-to: 485-515

Titles:

Language	Name	Abstract	Keywords
cze	Model kombinovaného souhrnného učení pro predikci cen ropy	Za účelem efektivního zachycení různorodých profilů fluktuací při predikci cen ropy navrhujeme kombinovat heterogenní prediktory pro prognózování cen ropy. Konkrétně je vyvinut predikční model založený na kombinovaném ansámblovém učení (blended ensemble learning), který integruje různé metody strojového učení, včetně regrese k-nejbližším sousedům, regresních stromů, lineární regrese, hřebenové regrese (ridge regression) a regresní metody podpůrných vektorů. K validaci navrhovaného přístupu jsou využita data cen ropy Brent a WTI v různých časových frekvencích. Pro ověření účinnosti navrhovaného modelu je jeho výkonnost dále porovnávána s existujícími individuálními i ansámblovými metodami používanými k predikci cen ropy, jako jsou lasso regrese, bagging lasso regrese, boosting, náhodné lesy (random forest) a regrese podpůrných vektorů. Výsledky ukazují, že námi navržený model založený na blendingu překonává stávající predikční modely z hlediska chyb predikce jak v krátkodobém, tak ve střednědobém horizontu.	Predikce; Cena ropy; Brent; WTI; Míchání; Ensemble learning; Stacking regrese
eng	A blending ensemble learning model for crude oil price forecasting	To efficiently capture diverse fluctuation profiles in forecasting crude oil prices, we here propose to combine heterogenous predictors for forecasting the prices of crude oil. Specifically, a forecasting model is developed using blended ensemble learning that combines various machine learning methods, including k-nearest neighbor regression, regression trees, linear regression, ridge regression, and support vector regression. Data for Brent and WTI crude oil prices at various time series frequencies are used to validate the proposed blending ensemble learning approach. To show the validity of the proposed model, its performance is further benchmarked against existing individual and ensemble learning methods used for predicting crude oil price, such as lasso regression, bagging lasso regression, boosting, random forest, and support vector regression. We demonstrate that our proposed blending-based model dominates the existing forecasting models in terms of forecasting errors for both short- and medium-term horizons.	Forecasting; Crude oil price; Brent; WTI; Blending; Ensemble learning; Stacking regression

Search

Login for students

Login for employees

Publication detail

Map

Services

Popular Links