| dc.description.abstract | Sammendrag
Tema i denne utredningen handler om prognostiseringsmuligheter for kunstgjødselspriser. Det er tatt utgangspunkt i tidsseriemodeller og futurespriser for å komme frem til prognosemodeller for kunstgjødselspriser. I denne oppgaven fokuseres det på urea, Diammonium phosphate (DAP) og Muriate of Potash (MOP) som er hovednæringsstoffene i kunstgjødsel.
Historiske kunstgjødselspriser har vist høy grad av volatilitet over flere tiår og har medført høy risiko for aktører i kunstgjødselsmarkedet. Markedet står overfor en stadig voksende verdensbefolkning og problemstilling om tilstrekkelig mat for å dekke økningen står sentralt. Kunstgjødsels rolle som innsatsfaktor i matdyrking gjør at de vil være påvirket.
Kunstgjødselsmarkedets utfordring ser ut til å være at det består av få og store aktører i markedet. Det gjør at prisene er sensitiv i forhold til ett lands endring i både forbruksmønster eller endringer i regler og vilkår. Kartlegging av kunstgjødsels prisdrivere viser jordbruksavlinger som mais, ris, hvete og på produksjonssiden energi råvarer som den største innsatsfaktoren.
Tidligere forskning viser ulike resultater for prognostisering av kunstgjødselspriser.
Fama og French (1985) fant bevis for anvendelse av futures priser som prognose på 10 av 21 råvarer. Regresjonsanalyse, VAR modellen og kointegrasjonsanalyse er blant andre metoder som har vært benyttet for å påvise sammenheng mellom kunstgjødsel og dens prisdrivere.
Innenfor tidsseriemetode er følgende modeller anvendt: Siste Verdi, Gjennomsnitt, Glidende Gjennomsnitt, Eksponentiell Glatting og Eksponentiell Glatting med trend. Modellenes formål er å avdekke eventuelle mønster i prisen som kan være prediksjon for fremtidige priser.
Futures kontrakter (1,2,3 og 6 måneder) for råolje, naturgass og hvete er valgt for å finne prognostiseringsmuligheter da futures kontrakter for urea, DAP og MOP ikke har eksistert sammenhengende siste 20 årene. Regresjonsanalyse med utgangspunkt i futurespriser og med utganspunkt i basis er anvendt i utredningen.
Etter tidsseriemodellene er modellen Siste Verdi pekt ut som mest egnet for DAP og MOP priser. For urea vil modellen Glidende Gjennomsnitt gi minst gjennomsnittlig feil (MAD). Siste Verdi, EG og EGT har som følge av datasettets høye volatilitet og manglende trend, gitt relativt like MAD verdier. Siste Verdi har allikevel gitt marginalt bedre prognoser.
Bruk av futures kontrakter i utredningen har ikke resultert i sterke nok relasjoner mellom futures kontrakter (råolje, naturgass og hvete) og kunstgjødsel. Basis har derimot vist vesentlig bedre relasjon til kunstgjødsel. Generelt har langsiktige futures kontrakter (3 og 6 måneder) gitt bedre samvariasjon med kunstgjødsel enn de med kortere perioder (1 og 2 måneder).
Svakhet med begge metodene er at modellene er basert på fortiden og forutsetter at fremtiden skal bli relativ lik for å kunne gi gode prognoser.
Tidsserie modeller med Glidende Gjennomsnitt i spissen, viser bedre prognoser enn futurespriser, men forskjellen er marginal. Begge metodene kan derfor brukes innenfor de spesifikke modellene/futureskontrakter som har gitt best predikasjon.
Abstract
The topic of this paper is about forecasting fertilizer prices. It is all based on Time-Series Forecasting method and futures prices as forecast. This paper focuses on the price of urea, Diammonium phosphate (DAP) and Muriate of Potash (MOP), which are the main nutrients in fertilizer.
History of fertilizer prices has shown a high degree of volatility over decades and has resulted in high risk for participants in the fertilizer market. The market is facing a growing world population and the problem of adequate food to meet the increase in population is raised. Fertilizers as an important input in food cultivation, means they will be affected.
Challenges of the fertilizer market seem to be their few major buyers and sellers in the market. It means that prices are sensitive to one country’s changes in both consumption patterns and in terms and conditions in the matter of commodities and agriculture. Examining price drivers of fertilizer resulted in crops such as maize, rice, wheat, and on the supply-side energy commodities as the main input factor is detected.
Previous research shows different results from forecasting fertilizer prices. Fama and French (1985) found evidence of the use of futures prices as forecast in 10 of 21 commodities. Regression analysis, VAR model and cointegration are among other methods that have been used to detect correlation between fertilizer and its price drivers.
Within the Time-Series Forecasting method the following models are applied: Last Value, Average, Moving Average, Exponential Smoothing (ES) and Exponential Smoothing with trend (EST). Models' purpose is to identify any patterns in price that may be the prediction of future prices.
Futures contracts (1, 2, 3 and 6 months) of crude oil, natural gas and wheat are chosen to find the power of forecasting fertilizer prices, because the futures contracts of urea DAP and MOP has not existed continuously the past 20 years. Regression analysis based on futures prices and basis are used in this paper.
In Time-Series Forecasting method, Last Value is pointed out as the most suitable for DAP and MOP prices. For urea, the model Moving Average yields at least average error (MAD). Last Value, ES and EST as a result of high volatility and lack of trend, has resulted in almost equal MAD values. Last Value has still given marginally better forecasts.
The use of futures contracts in this paper has not resulted in strong enough correlations between futures contracts (crude oil, natural gas and wheat) and fertilizers. However, basis has shown significantly better correlation with fertilizers. In general, long-term futures contracts (3 and 6 months) yielded better correlation with fertilizer than those with shorter periods (1 and 2 months).
Weakness of both methods is that the models are based on the past and assume that the future will be equal in order to provide good forecasts.
Time-Series Forecasting method by Moving-Average shows better forecasts than futures prices, but the difference is marginal. Both methods can be used in the specific models or futures contracts that have provided the best predictability. | no_NO |
