💰 quantitative finance

Forecasting Oil Prices Across the Distribution: A Quantile VAR Approach

Dit artikel introduceert een Quantile Bayesian VAR-model dat de voorspelling van olieprijzen, met name voor neerwaartse risico's tijdens crises, significant verbetert door asymmetrische dynamiek in de verdeling te modelleren.

Oorspronkelijke auteurs: Hilde C. Bjornland, Nicolas Hardy, Dimitris Korobilis

Gepubliceerd 2026-04-15

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Hilde C. Bjornland, Nicolas Hardy, Dimitris Korobilis

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een oliefiets wilt kopen. Je wilt weten of de prijs van olie de komende maanden gaat stijgen of dalen, zodat je niet te veel betaalt of je voorraad niet te vroeg verkoopt.

Deze wetenschappelijke paper is als een nieuwe, superkrachtige weersvoorspelling voor de olieprijzen. De auteurs (Hilde Bjørnland, Nicolás Hardy en Dimitris Korobilis) zeggen eigenlijk: "De oude methodes kijken alleen naar het 'gemiddelde weer', maar wij kijken naar de kans op storm, hagel en zonneschijn apart."

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het probleem: De "Gemiddelde" leugen

Vroeger keken economen naar het gemiddelde. Stel je voor dat je een weersvoorspeller hebt die zegt: "Morgen is het gemiddeld 20 graden."

Dat klinkt prima.
Maar wat als de werkelijkheid is dat het 's ochtends 5 graden vriest en 's middags 35 graden is?
Die "gemiddelde" voorspelling is dan nutteloos voor iemand die een jas nodig heeft of iemand die een zonnebril zoekt.

In de oliewereld is dit precies zo. Olieprijzen gedragen zich niet als een rustig meer, maar als een woeste oceaan. Soms is er een stille golf, maar soms komen er enorme tsunami's (crises) of plotselinge droogtes. De oude modellen keken alleen naar het waterpeil in het midden en misten de gevaarlijke golven aan de zijkanten.

2. De oplossing: De "Kwantiel-Var" (De alles-zienende blik)

De auteurs hebben een nieuw model bedacht, een QBVAR.

De analogie: In plaats van één weersvoorspelling te geven, geeft dit model drie verschillende voorspellingen tegelijk:
1. Wat is de kans op een zware storm (dat de prijs crasht)?
2. Wat is de kans op perfect weer (dat de prijs stabiel blijft)?
3. Wat is de kans op een hittegolf (dat de prijs explodiert)?

Ze noemen dit "voorspellen over de hele verdeling". Ze kijken niet alleen naar het midden, maar specifiek naar de linkerkant (de gevaarlijke dalende prijzen) en de rechterkant (de gevaarlijke stijgende prijzen).

3. Wat hebben ze ontdekt? (De drie geheimen)

Geheim 1: Het gemiddelde wordt ook beter
Zelfs als je alleen maar wilt weten wat de "normale" prijs is (het midden), werkt hun nieuwe model beter dan de oude. Het is alsof je een GPS hebt die niet alleen de route toont, maar ook rekening houdt met kleine omwegen. De voorspelling is 2% tot 5% nauwkeuriger.

Geheim 2: De linkerkant (De crash) is voorspelbaar
Dit is het belangrijkste deel. De auteurs ontdekten dat je onzekerheid en financiële stress kunt gebruiken om te voorspellen wanneer de olieprijs gaat instorten.

De analogie: Stel je voor dat je een auto rijdt. Als je ziet dat de remmen trillen en het dashboardlampje knippert (financiële stress), weet je dat er een crash dreigt, zelfs als de snelheid (de huidige prijs) nog normaal lijkt.
Hun model gebruikt deze "trillende remmen" om te waarschuwen: "Pas op! De kans op een zware daling is groot!" Dit werkt 10% tot 25% beter dan oude methodes, vooral tijdens crisissen zoals de financiële crisis of de coronapandemie.

Geheim 3: De rechterkant (De explosie) is lastig
Het voorspellen van een plotselinge prijsstijging (een hittegolf) is veel moeilijker.

De analogie: Een oliecrisis door een oorlog of een plotselinge onderbreking van de aanvoer is als een blikseminslag. Je ziet de bliksem niet aankomen voordat hij inslaat.
Hun model is hier minder goed in. Voor deze "bovenkant" werken oude methodes die kijken naar de volatiliteit (hoe wild de prijs beweegt) vaak beter.
De oplossing: Als je hun nieuwe model combineert met die oude "wildheid-metingen", krijg je de beste van beide werelden.

4. Waarom is dit belangrijk voor jou?

Stel je voor dat je een verzekeraar bent of een bedrijf dat olie koopt.

Als je alleen naar het "gemiddelde" kijkt, denk je: "Het is wel veilig, de prijs is stabiel."
Maar met dit nieuwe model zie je: "Nee, kijk naar die trillende remmen (financiële stress), er komt een crash aan!"

Dit helpt bedrijven om zich beter te beschermen tegen grote verliezen. Het is alsof ze een paraplu hebben gekocht voordat de eerste druppel viel, in plaats van pas als het al stortregent.

Samenvatting in één zin

De auteurs hebben een slimme nieuwe manier bedacht om te voorspellen wanneer de olieprijzen gevaarlijk gaan dalen door te kijken naar onrust in de financiële wereld, iets wat de oude "gemiddelde" methodes volledig over het hoofd zagen.

Titel: Voorspelling van Olieprijzen over de Distributie: Een Quantile VAR-benadering

Auteurs: Hilde C. Bjørnland, Nicolás Hardy, en Dimitris Korobilis
Datum: April 2026

1. Het Probleem

Het voorspellen van olieprijzen is berucht moeilijk. Bestaande literatuur (zoals Alquist et al., 2013; Ellwanger en Snudden, 2023) toont aan dat zelfs geavanceerde econometrische modellen en futuresprijzen vaak niet beter presteren dan een simpele "no-change" (random walk) benchmark, vooral op kortere termijn.

De kern van het probleem ligt in de aard van olieprijsveranderingen:

Zware staarten en asymmetrie: De verdeling van olieprijsveranderingen is niet normaal; extreme waarden (crises) komen vaker voor dan een normale verdeling zou voorspellen.
Beperking van gemiddelde-modellen: Traditionele modellen (zoals Bayesian VARs) focussen op het voorwaardelijke gemiddelde. Dit geeft weinig inzicht in de waarschijnlijkheid of aard van staartgebeurtenissen (extreme dalingen of stijgingen).
Asymmetrische voorspellingskracht: Factoren zoals financiële onzekerheid en geopolitieke risico's gedragen zich asymmetrisch; ze kunnen sterk correleren met de linkerkant van de verdeling (dalingen) maar weinig invloed hebben op het gemiddelde of de rechterkant (stijgingen).

Het artikel stelt dat standaardmodellen economisch relevante variatie missen omdat ze de conditionaliteit van de volledige verdeling niet expliciet modelleren.

2. Methodologie: Quantile Bayesian VAR (QBVAR)

De auteurs ontwikkelen een Quantile Bayesian Vector Autoregression (QBVAR) om de volledige voorwaardelijke verdeling van reële olieprijzen te modelleren.

Kernkenmerken van het model:

Quantiel-specifieke dynamiek: In tegenstelling tot een standaard VAR die één set coëfficiënten schat voor het gemiddelde, schat het QBVAR coëfficiënten ( $\Phi_q$ ) en factorstructuren ( $\Lambda_q$ ) voor specifieke quantielen ( $q \in (0,1)$ ). Dit betekent dat de invloed van voorspellers (zoals onzekerheid of voorraden) kan variëren afhankelijk van of men de linkerkant (dalingen), het midden of de rechterkant (stijgingen) van de verdeling bekijkt.
Factorstructuur: Het model gebruikt een factor-decompositie in de covariantiematrix (gebaseerd op Korobilis, 2022) om cross-equation bewegingen te vangen. Dit lost het probleem op van variabele-ordening (ordering dependence) dat vaak voorkomt bij Cholesky-decompositie in frequentistische QVAR's.
Bayseiaanse Schatting:
- De likelihood is gebaseerd op de Asymmetrische Laplace-verdeling (ALD), die fungeert als een "werklikelihood" om specifieke quantielen te targeten.
- Er wordt gebruikgemaakt van een Gibbs-sampling algoritme dat de ALD vertaalt naar een mengsel van normale verdelingen met latente variabelen.
- Regularisatie: Er worden hiërarchische shrinkage-priors (Horseshoe-prior) gebruikt om overfitting te voorkomen, wat cruciaal is bij VAR-modellen met veel lags en parameters.
Voorspelling: Voor multi-stap voorspellingen worden de geschatte quantiel-specifieke coëfficiënten gebruikt, maar worden de innovaties (schokken) als Gaussiaans behandeld voor iteratie, gebaseerd op het Central Limit Theorem.

3. Belangrijkste Bijdragen

Methodologische Innovatie: Het ontwikkelen van een QBVAR met factorstructuur die de volledige voorwaardelijke verdeling modelleert zonder afhankelijk te zijn van de volgorde van variabelen.
Empirisch Bewijs van Asymmetrie: Het aantonen dat de determinanten van olieprijsbewegingen sterk verschillen per quantiel. Factoren die relevant zijn voor het gemiddelde, zijn niet per se relevant voor de staarten.
Prestatieverbetering: Het aantonen dat het modelleren van de verdeling (in plaats van alleen het gemiddelde) leidt tot aanzienlijke winsten in risicobeoordeling, vooral tijdens marktdisrupties.

4. Resultaten

De auteurs gebruiken maandelijkse data van 1975 tot 2025 en vergelijken het QBVAR met drie benchmarks: een standaard Bayesian VAR (BVAR), een BVAR met stochastische volatiliteit (BVAR-SV), en een random walk (RW).

Drie kernbevindingen:

Verbetering van het Gemiddelde (Median):
- Het QBVAR verbetert de voorspelling van het mediaan (50e percentiel) met 2-5% ten opzichte van standaard BVAR's. Dit is opmerkelijk omdat het verbeteren van puntvoorspellingen bij olieprijzen al zeer moeilijk is.
Sterke Voorspelling van Downside Risico (Linkerstaart):
- Variabelen zoals financiële onzekerheid (JLN, JLNF12) en financiële condities (GZ Spread, EBP) voorspellen sterke dalingen in olieprijzen.
- De verbetering in voorspellingsnauwkeurigheid voor de linkerstaart (10e percentiel) bedraagt 10-25% ten opzichte van benchmarks.
- Deze winsten versterken zich tijdens crisisperiodes (zoals de financiële crisis van 2008, de oliecrisis van 2014-2016 en COVID-19).
- Interpretatie: Onzekerheid en financiële stress werken via een "precautionary demand" kanaal en signaleren neerwaartse risico's eerder dan andere modellen.
Uitdagingen bij Upside Risico (Rechterstaart):
- Het voorspellen van extreme prijsstijgingen (90e percentiel) blijft moeilijk. Het QBVAR presteert hier vaak slechter dan modellen met stochastische volatiliteit (BVAR-SV).
- Reden: Prijsstijgingen worden vaak veroorzaakt door onverwachte aanbodschokken (bijv. oorlogen, geopolitieke crises) die moeilijk te voorspellen zijn via macro-financiële variabelen, maar waar stochastische volatiliteit goed op reageert.
- Oplossing: Een combinatie van voorspellingen (QBVAR + BVAR-SV) herstelt deze verliezen en levert de beste resultaten op voor de volledige distributie.

Analyse van Grote Evenementen:
Tijdens grote prijsdalingen (2008, 2014, 2020) presteert het QBVAR consistent beter dan alle andere modellen. Tijdens prijsstijgingen (Golf-oorlog, 2008, 2022) is de prestatie heterogeen; het QBVAR doet het goed tijdens de Gulf War en de commodity super-cycle, maar minder goed tijdens de post-COVID/Ukraine crisis.

5. Betekenis en Conclusie

De studie concludeert dat het modelleren van de voorwaardelijke verdeling essentieel is voor risicobeheer en beleidsvorming, vooral omdat de kosten van het missen van een extreme daling (downside risk) vaak groter zijn dan het missen van een stijging.

Voor Risicomanagers en Beleggers: Traditionele modellen onderschatten systematisch downside-risico's tijdens perioden van stijgende financiële stress. Het QBVAR biedt een vroeger waarschuwingssignaal voor mogelijke prijsinstorten.
Voor Beleid: Het model biedt inzicht in hoe macro-financiële variabelen asymmetrisch werken op de olieprijsdistributie.
Praktische Implicatie: De beste aanpak is een hybride strategie: gebruik het QBVAR om downside-risico's te vangen en combineer dit met stochastische volatiliteit-modellen om upside-risico's (stijgingen) beter te dekken.

Kortom, het artikel bewijst dat het expliciet modelleren van quantiel-specifieke dynamiek substantiële winsten oplevert voor het voorspellen van olieprijzen, met name in tijden van onrust.