COVID-19 und Energie

Ölpreisnachrichten und COVID-19 – Gibt es einen Zusammenhang?

Paresh Kumar Narayan¹

¹ Zentrum für Finanzökonometrie, Deakin University, Australien

Schlüsselwörter: Volatilität, Nachrichten, Ölpreise, Covid-19

https://doi.org/10.46557/001c.13176

Energieforschungsbriefe

Bd. 1, Ausgabe 1, 2020

Wir bewerten die relative Bedeutung von COVID-19-Infektionen und Ölpreisnachrichten für die Beeinflussung der Ölpreise. Wir zeigen, dass COVID-19 einen größeren Einfluss auf die Ölpreise hat, wenn die Zahl der neuen COVID-19-Infektionen 84.479 übersteigt. Ölpreisnachrichten haben, sofern sie von COVID-19-Fällen abhängig sind, nur begrenzte Auswirkungen auf den Preis. Wenn die Ölpreisvolatilität als Schwellenwert verwendet wird, beeinflussen bei höheren Volatilitätsniveaus sowohl COVID-19-Fälle als auch negative Ölpreisnachrichten die Ölpreise.

I. EINFÜHRUNG

Während über ein Jahrzehnt lang der Schwerpunkt auf der Frage lag, wie effektiv die Ölpreise die Aktienmarktrenditen vorhersagen (D. Zhang & Cao, 2013), hat sich der Schwerpunkt in letzter Zeit auf die Prognose/Vorhersage der Ölpreise selbst verlagert (siehe Gong & Lin, 2017; Yi et al., 2018; Y.-J. Zhang & Wang, 2019). Unsere Hypothese passt in diese Literatur: Wir schlagen vor, zu testen, ob Ölpreisnachrichten und COVID-19 (das zu der Zeit auftrat, als der Ölpreis einen historischen Einbruch erlebte) die Ölpreise erfolgreich vorhersagen können.

Unser Hypothesentest ist aus zwei Gründen einzigartig. Der erste Grund ist, dass wir über einen einzigartigen Datensatz zu Ölpreisnachrichten (sowohl positive als auch negative Nachrichten) verfügen, der nicht zur Untersuchung seiner Fähigkeit zur Vorhersage der Ölpreise genutzt wurde. Wir tun dies und zeigen, dass zwar sowohl positive als auch negative Nachrichten die Ölpreise vorhersagen, es jedoch die negativen Nachrichten sind, die eine stärkere Rolle bei der Vorhersage der Preise spielen. Der zweite Grund besteht darin, dass wir COVID-19 als Informationsvariable verwenden, um zu sehen, ob weltweit täglich neue Fälle von COVID-19 die Ölpreise vorhersagen. Wir tun dies, weil der Zusammenbruch der Ölpreise und der Ausbruch der Pandemie zwei Phänomene waren, die sich gleichzeitig abspielten. Wir zeigen, dass COVID-19 die Ölpreise vorhergesagt hat.

Mehrere Studien dokumentieren verschiedene Faktoren, die die Ölpreise verantwortungsvoll und aussagekräftig vorhersagen. Y.-J. Zhang & Wang (2019) dokumentieren beispielsweise die Rolle hochfrequenter Börsendaten; Yi et al. (2018) setzen erfolgreich eine Reihe von Prädiktoren ein, um die Ölpreise vorherzusagen; und Salisu et al. (2020) zeigen, dass Google-Trenddaten dabei helfen, Edelmetalle vorherzusagen. Keine dieser Studien berücksichtigt Nachrichtendaten, die sich speziell auf eine bestimmte Ware beziehen. In unserem Fall ist der Rohstoff Öl, und wir konzentrieren uns auf den Ölpreis. Wir berücksichtigen insbesondere Ölpreisnachrichten – sowohl negative als auch positive Nachrichten. Die Motivation für unsere Arbeit ist Narayan (2019), der gezeigt hat, dass Ölpreisnachrichten Aktienmarktrenditen vorhersagen. In seiner Arbeit reichte die Datenstichprobe zu Nachrichten bis zum Jahr 2013. Wir erweitern diesen Datensatz unter Verwendung der gleichen manuellen Datenerfassungsmethode, die in Narayan (2019) beschrieben wird, bis Mai 2020. Unsere Beiträge zur Literatur sind daher zweifach. Zunächst erstellen wir einen Ölpreis-Nachrichtendatensatz mit positivem und negativem Wortlaut, den wir auf Anfrage zur Verfügung stellen. Dies bedeutet, dass Forscher den Datensatz verwenden können, um andere Hypothesen zu testen.

Zweitens ist unsere Zeitung die erste, die Ölpreisnachrichtendaten zur Vorhersage der Ölpreise nutzt und den Erfolg besonders negativ formulierter Nachrichten zeigt. Im jüngeren Zeitraum, der durch den Ausbruch von COVID-19 gekennzeichnet ist, zeigen wir, dass COVID-19 (die Zahl der neuen weltweiten Fälle des täglichen Virus) ebenso zur Vorhersage der Ölpreise beiträgt wie Ölpreisnachrichten, insbesondere wenn die Ölpreisvolatilität als Schwellenwert verwendet wird. Indem wir diese Beweise vorlegen, machen wir deutlich, dass die COVID-19-Pandemie mit einem der dramatischsten Einbrüche der Ölpreise zusammenfiel – daher spiegelt der von COVID-19 geprägte Zeitraum auch höhere negative Nachrichten wider. Ob die negativen Nachrichten über Öl von COVID-19 ausgingen oder nicht, ist an sich schon eine interessante Frage und bedarf weiterer Untersuchungen – eine Frage, die jedoch den Rahmen dieses Papiers sprengen würde. Wir belassen dies für zukünftige Arbeiten.

II. DATEN UND ERGEBNISSE

A. HINWEIS ZU DEN DATEN

Unser Datensatz ist täglich und deckt die Stichprobe vom 01.02.1995 bis zum 05.05.2020 mit insgesamt 6.590 Beobachtungen ab. Vier Datenreihen bilden den Kern dieses Artikels. Der erste ist der WTI-Ölpreis (OP). Diese Daten werden von der EIA-Website abgerufen; siehe https://www.eia.gov/dnav/pet/hist/RWTCD.htm. Anhand dieser Preisdaten berechnen wir die Rendite als . Bei den zweiten Daten handelt es sich um die weltweiten Neuerkrankungen von COVID-19. Wir berücksichtigen keine COVID-19-Todesfälle, da Todesfälle eine direkte Funktion der Fälle sind und eine hohe Korrelation aufweisen. Wir konzentrieren uns auf Fälle, weil sie ein umfassenderes Bild der COVID-19-Situation vermitteln. Tägliche Daten hierfür, die die Stichprobe vom 31.12.2019 bis zum 05.05.2020 abdecken, werden von unserer World-in-Data-Website abgerufen; siehe https://ourworldindata.org/grapher/daily-cas- es-covid-19. Die letzten beiden Datenreihen beziehen sich auf die Ölpreisnachrichten. Diese werden von Hand gesammelt. Daten von 1995 bis 2013 wurden von Narayan (2019) gesammelt. Wir erweitern den Datensatz unter Verwendung der gleichen Ansätze wie in Narayan (2019) bis Mai 2020. Abbildung 1 zeigt die Daten zu den WTI-Preisrenditen und die Anzahl der negativ und positiv formulierten Ölpreisnachrichten.

Ausgewählte deskriptive Statistiken der Daten sind in Tabelle 1 aufgeführt. Zusätzlich zu den COVID-19-Fällen gibt es drei Variablen

¹ Bevor wir Tabelle 1 lesen, ist ein Hinweis auf weltweite Fälle von COVID-19 angebracht. Diese Daten enthalten nur 91 Beobachtungen vom 31.12.2019 bis zum 5.5.2020. Dies reicht für Unit-Root-Tests nicht aus, daher führen wir keinen solchen durch. Über diese Daten ist viel bekannt, daher verschwenden wir keine Zeit darauf. Jedoch,

Tabelle 1: Vorläufige Beschreibung der Daten

In dieser Tabelle werden ausgewählte deskriptive Statistiken für die Variablen WTIR (Panel A), positive Nachrichten (Panel B) und negative Nachrichten (Panel C) aufgeführt. In der letzten Zeile jedes Panels wird der Strukturbruch-Einheitswurzeltest von Narayan & Popp (2010) für ein Modell aufgeführt, das zwei Brüche im Achsenabschnitt und im Trend zulässt. Die Pausentermine werden mit B1 (erste Pause) und B2 (zweite Pause) bezeichnet. Beide Pausen werden nur für den gesamten Stichprobenzeitraum geschätzt. Der kritische 1 %-Wert für den Narayan & Popp-Test beträgt -5,287. Mit Ausnahme des Einheitswurzeltests werden alle anderen Statistiken wie Mittelwert, Standardabweichung, Minimum und Maximum für drei Stichproben gemeldet – Zeiträume für die gesamte Stichprobe, für Zeiträume vor COVID-19 und nach COVID-19. Die Festlegung der COVID-19-Vor- und Nachproben erfolgt nach dem Datum, an dem der erste weltweite Fall des Virus gemeldet wurde (31.12.2019).

Von Interesse sind: WTI-Preisrenditen, positive Nachrichten und negative Nachrichten. Die Mittelwert-, Standardabweichungs-, Minimal- und Maximalstatistiken jeder Variablen werden zusammen mit dem zwei endogenen Strukturbruchtest von Narayan & Popp (2010) angegeben. Unser Grund, diesen Test zu wählen, ist auf die Ergebnisse der Monte-Carlo-Simulation in Narayan & Popp (2013) zurückzuführen. Neben den für die gesamte Stichprobe (02.01.1995 – 05.05.2020) gemeldeten Statistiken berücksichtigen wir eine Stichprobe vor COVID-19 (02.01.1995 – 30.12.2019) und eine Stichprobe nach COVID-19 (31.12.2019 – 05.05.2020).

Die Aufteilung der Stichprobe in einen Zeitraum vor und nach COVID-19 bietet einige interessante Erkenntnisse. Das erste, was hervorzuheben ist, sind die Ölpreisrenditen. In der Zeit vor COVID-19 betrugen die täglichen Durchschnittsrenditen 0,0358 % (oder 13,03 % pro Jahr); Mit dem Ausbruch von COVID-19 kam es jedoch zu einem dramatischen Rückgang der Ölrenditen auf einen Tagesdurchschnitt von -5,14 %. Ebenso betrug die Volatilität der Ölpreisrenditen vor der Pandemie 2,40 %, während die Volatilität während der Pandemie mindestens 16-mal höher war. Auch die Anzahl der positiven und negativen Wörter unterscheidet sich in den beiden Perioden drastisch. Während sich die Anzahl der positiven Worte in den beiden Zeiträumen kaum veränderte, gab es im COVID-19-Zeitraum mehr negativ formulierte Nachrichten über den Ölpreis als in der Zeit vor COVID-19. Insgesamt waren in der COVID-19-Phase sowohl der Ölpreis als auch die Ölpreis-Negativnachrichten sehr unterschiedlich.

verglichen mit der Zeit vor COVID-19. Eine mögliche Folgerung ist, dass negative Nachrichten einen größeren Einfluss auf die Entwicklung der Ölpreise haben könnten. Formale Tests im nächsten Unterabschnitt werden diese Aussicht bewerten. Um das Lesen der Daten abzuschließen, führen wir den Strukturbruch-Einheitswurzeltest (siehe Narayan & Popp, 2010, 2013) für alle drei Variablen durch und kommen zu dem Schluss, dass die Einheitswurzel null auf dem 1 %-Niveau sicher abgelehnt wird. Dies bedeutet, dass sie im Regressionsmodell in der Form verwendet werden können, in der sie in Tabelle 1 erscheinen.

B. ERGEBNISSE

Die Ergebnisse sind in Tabelle 2 aufgeführt. Wir betrachten zwei Arten von Schwelleneffekten, um zu testen, wie sich COVID-19 und Ölpreisnachrichten auf die Ölpreise auswirken. Anschließend verwenden wir zwei Formen der Schwellenwertregressionsmodelle; Das erste Modell hat keine Kontrollvariablen, während das zweite Modell die Volatilität der Ölpreisrenditen (annähernd durch quadrierte Renditen) als Kontrolle verwendet. Das Zeitreihen-Schwellenwertregressionsmodell weist die folgenden Darstellungen auf:

In dieser Regression ist WTIR die WTI-Ölpreisrendite (in Prozentform), Y einer der Prädiktoren (COVID-19, neg-

Es ist erwähnenswert, dass im Stichprobenzeitraum die tägliche durchschnittliche Zahl neuer Fälle von COVID-19 bei 44.691 lag.

Tabelle 2: Ergebnisse der Vorhersagbarkeit von Schwellenwerten

Panel B: Regression basierend auf der Volatilität der Ölpreisrendite als Schwellenwertvariable

In dieser Regression ist WTIR die WTI-Ölpreisrendite (in Prozentform), Y ist einer der Prädiktoren (COVID-19, negative Ölpreisnachrichten oder positive Ölpreisnachrichten), TV ist die Schwellenvariable (entweder COVID-19-Fälle oder WTI-Preisrenditevolatilität, VOL), ist der Schwellenwert. Zum Schluss . Es werden Weißheteroskedastizitäts-Standardfehler verwendet. Der Stichprobenzeitraum für die Regressionsschätzung ist der 01.02.1995 bis 05.05.2020. Schließlich bezeichnen * (**) *** die statistische Signifikanz bei 10 % (5 %) 1 %-Niveaus.

B. aktive Ölpreisnachrichten oder positive Ölpreisnachrichten), ist TV die Schwellenvariable (entweder COVID-19-Fälle oder WTI-Preisrenditevolatilität, VOL). Endlich .

Die in Panel A gemeldeten Ergebnisse berücksichtigen COVID-19 als Schwellenwertvariable. Wir untersuchen, ob die Wirkung von Ölnachrichten und COVID-19-Fällen von einem Schwellenwert für COVID-19-Fälle abhängig ist. Wir sehen, dass die Art und Weise, wie COVID-19 die Ölpreise beeinflusst, von der Anzahl der COVID-19-Fälle abhängt. Die Ergebnisse des kontrollbasierten Modells legen nahe, dass der Schwellenwert der COVID-19-Fälle bei 84.479 liegt. Während COVID-19 die Ölpreise sowohl dann vorhersagt, wenn die Fälle unter als auch über diesem Schwellenwert liegen, ist der Effekt stärker, wenn die Anzahl der Fälle über dem Schwellenwert liegt. Das Ergebnis unterscheidet sich auch statistisch von Null mit einer minimalen t-Statistik von 2,170. Zur Rolle von Ölpreisnachrichten gibt es bei Verwendung von COVID-19 als Schwellenwert nur begrenzte Hinweise darauf, dass Ölpreisnachrichten die Ölpreise vorhersagen. Wir stellen fest, dass nur dann, wenn der Schwellenwert der COVID-19-Fälle über 77.434 liegt, negative Ölpreisnachrichten den Ölpreis vorhersagen (t-Statistik = 1,753). Dieser Beweis ist jedoch statistisch gesehen schwach.

Im zweiten Fall verwenden wir als Schwellenvariable die Volatilität der Ölpreisrendite, wobei die Volatilität durch die quadrierten Ölpreisrenditen approximiert wird. Die Ergebnisse in Panel B legen nahe, dass positive Nachrichten keinen Einfluss auf den Ölpreis haben. Wenn die Volatilität jedoch höher ist (> 9,916 %), sagen negative Ölpreisnachrichten den Ölpreis voraus (0,0036, t-Statistik = 2,928). COVID-19-Fälle beeinflussen auch die Ölpreise, jedoch nur, wenn die Ölpreisvolatilität deutlich hoch ist (>499,95 %). In diesem Fall beträgt der Steigungsvorhersagekoeffizient 0,0005 (t-Statistik = 3,502). Die Botschaft lautet: Wenn die Ölpreisvolatilität hoch ist, handelt es sich um negative Ölpreisnachrichten

Das dominiert die Entwicklung der Ölpreise.

III. SCHLUSSBEMERKUNGEN

In dieser Anmerkung konzentrieren wir uns auf die Schätzung von Prädiktoren für die Ölpreise. Zwei Ereignisse der letzten Zeit – nämlich die COVID-19-Pandemie und die Ölpreisnachrichten – sind für die Entwicklung der Ölpreise von Bedeutung. Das ist unsere Hypothese. Der Einbruch der Ölpreise, einschließlich seines rekordverdächtigen und beispiellosen negativen Preises, ereignete sich in einer Zeit, als COVID-19 einen Großteil der globalen Wirtschaftstätigkeit zum Stillstand gebracht hatte. Da wir nicht über die jeweilige Rolle von COVID-19 und Ölpreisnachrichten auf die Ölpreise informiert waren, machten wir uns daran, zu untersuchen, wie sie die Ölpreise beeinflusst haben. Wir verwenden ein Schwellenwert-Regressionsmodell, das uns hilft zu beantworten, wie diese Variablen die Ölpreise beeinflussten, als die COVID-19-Infektionsfälle und die Ölpreisvolatilität einen bestimmten Schwellenwert erreichten. Wir zeigen, dass es einen Schwellenwert von 84.479 COVID-19-Infektionen gibt, ab dem sich COVID-19 stärker auf die Ölpreise ausgewirkt hat. In unserer Analyse wurde festgestellt, dass Ölpreisnachrichten nur eine begrenzte Rolle spielen, wenn sie von COVID-19-Fällen abhängig gemacht werden. Wenn wir jedoch die Volatilitätsvariable der Ölpreisrendite als Schwellenwert verwenden, stellen wir fest, dass zwar sowohl COVID-19-Fälle als auch negative Ölpreisnachrichten die Ölpreise beeinflussen, es jedoch die negativen Ölpreisnachrichten sind, die die Auswirkungen auf die Ölpreise ab einer bestimmten Volatilitätsschwelle dominieren. Als Nebenprodukt produziert unser Artikel tägliche Zeitreihendaten zu Ölpreisnachrichten, die für zukünftige Forscher nützlich sein können. Diese Daten sind auf Anfrage erhältlich.

Abbildung 1: WTI-Preisrenditen und negative und positive Wörter zum Ölpreis

In dieser Abbildung sind drei Datensätze dargestellt – nämlich die WTI-Ölpreisrenditen, die als relative logarithmische Preise (aktueller Preis, skaliert um einen um eine Periode verzögerten Preis) multipliziert mit 100 gemessen werden; Anzahl negativer und positiver Ölpreisnachrichten. Die Methodik zur Erfassung von Ölpreisnachrichtendaten ist in Narayan (2019) detailliert beschrieben. Interessierte Leser werden für weitere Informationen auf diese Quelle verwiesen. Die Daten sind täglich und umfassen den Zeitraum vom 01.02.1995 bis zum 11.05.2020.

Dies ist ein Open-Access-Artikel, der unter den Bedingungen der Creative Commons Attribution 4.0 International License (CC-BY-SA-4.0) verbreitet wird. Weitere Informationen finden Sie in der Rechtsurkunde dieser Lizenz unter https://creativecommons.org/licenses/by-sa/4.0 und im Rechtskodex unter https://creativecommons.org/licenses/by-sa/4.0/legalcode.

REFERENZEN

Gong, X. & Lin, B. (2017). Prognose der guten und schlechten Unsicherheiten der Rohölpreise mithilfe eines HAR-Frameworks. Energy Economics, 67, 315–327. https://doi.org/10.1016/j.eneco.2017.08.035

Narayan, PK (2019). Können veraltete Ölpreisnachrichten Aktienrenditen vorhersagen? Energiewirtschaft, 83, 430–444. https://doi.org/10.1016/j.eneco.2019.07.022

Narayan, P. K. & Popp, S. (2010). Ein neuer Einheitswurzeltest mit zwei Strukturbrüchen in Höhe und Neigung zu unbekanntem Zeitpunkt. Journal of Applied Statistics, 37(9), 1425–1438. https://doi.org/10.1080/02664760903039 883

Narayan, P. K. & Popp, S. (2013). Größen- und Leistungseigenschaften von Strukturbruch-Einheits-Wurzeltests. Applied Economics, 45(6), 721–728. https://doi.org/10.1080/0036846.2011.610752

Salisu, A. A., Ogbonna, A. E. und Adewuyi, A. (2020). Google-Trends und die Vorhersehbarkeit von Edelmetallen. Ressourcenrichtlinie, 65, 101542. https://doi.org/10.1016/j.resourpol.2019.101542

Yi, Y., Ma, F., Zhang, Y. & Huang, D. (2018). Prognose der Rohölpreise mithilfe des Prädiktors, wirtschaftlicher und kombinierter Randbedingungen. Wirtschaftsmodellierung, 75, 237–245. https://doi.org/10.1016/j.econmod.2018.06.020

Zhang, D. & Cao, H. (2013). Sektorale Reaktionen des chinesischen Aktienmarktes auf internationale Ölschocks. Emerging Markets Finance and Trade, 49(6), 37–51. https://doi.org/10.2753/ree1540-496×490603

Zhang, Y.-J. & Wang, J.-L. (2019). Helfen hochfrequente Börsendaten dabei, die Rohölpreise vorherzusagen? Belege aus den MIDAS-Modellen. Energy Economics, 78, 192–201. https://doi.org/10.1016/j.eneco.2018.11.015