Improving artificial intelligence forecasting models performance with data preprocessing: European Union allowance prices case study

Abstract

Los derechos de emisión de la Unión Europea (EUA) pueden ser vendidos y comprados por las empresas contaminantes. Originalmente fueron creados para intentar reducir las emisiones de gases de efecto invernadero, aunque se han convertido en activos que pueden ser utilizados por intermediarios financieros para buscar nuevas oportunidades de negocio. Por tanto, predecir la evolución temporal de su precio es muy importante para los agentes implicados en su compra o venta. Las Redes Neuronales han demostrado ser herramientas precisas y fiables para el ajuste de series temporales, y han sido ampliamente utilizadas para predecir variables económicas y energéticas. En este trabajo se utilizan dos de ellos, el Preceptrón Multicapa (MLP) y el Long Short-Term Memories (LSTM), junto con otro algoritmo de inteligencia artificial (XGBoost). Se combinan con dos herramientas de preprocesamiento, descomposición de la serie temporal en su tendencia y fluctuación. La predicción de precios se obtiene sumando los de cada subserie. Las dos herramientas se combinan con las tres herramientas de pronóstico para proporcionar 20 predicciones futuras de precios de EUA. Los mejores resultados los proporciona MLP-EMD, que es capaz de alcanzar un error porcentual absoluto medio (MAPE) del 2,91% para el primer dato predicho y del 5,65% para el vigésimo, con un valor medio del 4,44%.

European Union Allowances (EUAs) are rights to emit CO2 that may be sold or bought by enterprises. They were originally created to try to reduce greenhouse gas emissions, although they have become assets that may be used by financial intermediaries to seek for new business opportunities. Therefore, forecasting the time evolution of their price is very important for agents involved in their selling or buying. Neural Networks, an artificial intelligence paradigm, have been proved to be accurate and reliable tools for time series forecasting, and have been widely used to predict economic and energetic variables; two of them are used in this work, the Multilayer Perceptron (MLP) and the Long Short-Term Memories (LSTM), along with another artificial intelligence algorithm (XGBoost). They are combined with two preprocessing tools, decomposition of the time series into its trend and fluctuation and decomposition into Intrinsic Mode Functions (IMF) by the Empirical Mode Decomposition (EMD). The price prediction is obtained by adding those from each subseries. These two tools are combined with the three forecasting tools to provide 20 future predictions of EUA prices. The best results are provided by MLP-EMD, which is able to achieve a Mean Absolute Percentage Error (MAPE) of 2.91% for the first predicted datum and 5.65% for the twentieth, with a mean value of 4.44%.