The Impact of Current Temperatures on Forecasting Natural Gas Futures Prices in the USA Using Machine Learning Algorithms

Wojarnik, G. (2025). The Impact of Current Temperatures on Forecasting Natural Gas Futures Prices in the USA Using Machine Learning Algorithms. In: Hernes, M., Wątróbski, J., Rot, A. (eds) Emerging Challenges in Intelligent Management Information Systems. ECAI 2024. Lecture Notes in Networks and Systems, vol 1217. Springer, Cham. https://doi.org/10.1007/978-3-031-78465-1_11

Celem badania było przeanalizowanie wpływu aktualnych temperatur w głównych miastach USA na dokładność prognoz cen kontraktów terminowych na gaz ziemny z wykorzystaniem różnych algorytmów uczenia maszynowego. W badaniu porównano wyniki sześciu algorytmów (drzewa decyzyjne, lasy losowe, maszyny wektorów nośnych, gradient boosting, k-NN oraz sieci neuronowe) w dwóch wariantach: bez danych o temperaturze (Badanie A) oraz z danymi o temperaturze (Badanie B). Wyniki wskazują, że uwzględnienie danych o temperaturze znacząco poprawia dokładność prognoz we wszystkich testowanych algorytmach. Najlepsze rezultaty uzyskano dzięki algorytmowi gradient boosting, który osiągnął najwyższą dokładność (0,581) po dodaniu danych pogodowych. Analiza istotności zmiennych ujawniła, że kluczowe dla prognoz cen gazu były minimalne i maksymalne temperatury, a także zmienna „day_of_year”. Z wniosków płynących z badania wynika, że włączenie temperatur do modeli prognostycznych może być korzystne dla strategii inwestycyjnych „end-of-day trading”, prowadząc do trafniejszych decyzji inwestycyjnych. Ograniczenia badania obejmują limitowany zakres danych pogodowych oraz konieczność dalszych testów w różnych warunkach rynkowych. Uzyskane wyniki mogą pomóc inwestorom i analitykom rynkowym w opracowywaniu bardziej efektywnych strategii inwestycyjnych.