How Can High-Frequency Data and Automatic Feature Selection Be Used to Improve Forecasts of Volatility and Value-at-Risk for Brent Crude Oil Futures?

Abstract

Sammendrag

Denne masteroppgaven undersøker hvordan høyfrekvente data og automatisk funksjonsvalg kan forbedre prognoser av volatiliteten og Value-at-Risk (VaR) for Brent-Råoljefutures. Forskningen identifiserer et betydelig gap i bruken av disse avanserte dataanalyseteknikkene for å forbedre prediksjoner til bruk i finansiell risikostyring. Hovedmålet med denne studien er å undersøke verdien av å integrere høyfrekvente data og maskinlæringsfunksjoner til prognoseformål for volatilitet og VaR. En omfattende metodikk som kombinerer statistisk analyse og maskinlæringsmodeller, inkludert nevrale nettverk og regresjonsanalyser, blir testet på høyfrekvente handelsdata. Funnene viser at automatiske funksjonsvalg forbedrer nøyaktigheten av volatilitetsprognoser betydelig. I tillegg viser resultatene at modeller som baserer seg på høyfrekvente data er mer nøyaktige sammenlignet med modeller som baserer seg på tradisjonelle prognoseteknikker, og er et godt utgangspunkt for presise risikovurderinger og bedre beslutningsverktøy for finansanalytikere og beslutningstakere i denne sektoren. Studien konkluderer med at bruk av høyfrekvente data og automatisert funksjonsvalg kan påvirke risikostyringsstrategier betydelig, og tilbyr robuste verktøy for mer nøyaktige prognoser i finansmarkedene. Resultatene gir videre et grunnlag for fremtidig forskning rettet mot å integrere mer komplekse algoritmer og datakilder for å ytterligere forbedre predikativ nøyaktighet i finansiell risikostyring.

Nøkkelord: Value-at-Risk (VaR), Realisert volatilitet, Maskinlæring, Modellvalg, Råoljefutures

Abstract

This master's thesis investigates how high-frequency data and automatic feature selection can enhance volatility and Value-at-Risk (VaR) forecasts for Brent Crude Oil futures. The research identifies a significant gap in the utilization of these advanced data analytics techniques in improving financial risk management predictions. The primary objective of this study is to determine the effectiveness of integrating high-frequency data and machine learning feature selection to refine forecasts of volatility and VaR. A comprehensive methodology combining statistical analysis and machine learning models, including neural networks and regression analyses, is applied to high-frequency trading data. The findings reveal that feature selection significantly improves the accuracy of volatility forecasts. In addition, models incorporating high-frequency data outperform traditional forecasting models, demonstrating more precise risk assessments and better decision-making tools for financial analysts and traders. The study concludes that employing high-frequency data and automated feature selection can significantly affect risk management strategies, offering robust tools for more accurate forecasting in financial markets. These advancements provide a foundation for future research aimed at integrating more complex algorithms and data sources to further enhance predictive accuracy in financial risk management.

Keywords: Value-at-Risk (VaR), Realized Volatility, Machine Learning, Model Selection, Brent Crude Oil Futures