Co-movement of Commodity Prices – Results from Dynamic Time Warping Classification

• Authors: Sławomir Śmiech

Title variants

PL

Podobieństwo ścieżek cen towarów na rynkach światowych – analiza na podstawie klasyfikacji szeregów czasowych za pomocą metody dynamic time warping

• Languages of publication: EN

Abstracts

EN

Several factors are responsible for difficulties in describing the behaviour of commodity prices. Firstly, there are numerous different categories of commodities. Secondly, some categories overlap with other categories, while others indirectly compete in the market. Thirdly, although essentially commodity prices react to changes in economic conditions or exchange rates, to a large extent these prices depend on supply disturbances. However, in recent years commodity prices co-move, and researchers, beginning with Pindyck and Rotemberg (1990), have been trying to explain this phenomenon. The objective of the article is to conduct the classification of the series of commodity prices in the pre-crisis and after-crisis periods. The results of such classification will reveal whether co-movement of commodity prices is the same in both periods. The analysis is based on monthly data from the period January 2001 to February 2014. All prices and price indices are published by the World Bank. The results obtained in dynamic time warping clustering reveal that co-movement of commodity prices is more evident in the pre-crisis period. There are only several paths which determine commodity prices.

PL

Wiele czynników powoduje problemy dotyczące modelowania zachowania cen towarów na rynkach światowych. Wśród nich wymienić można rozmaitość kategorii towarów – które dodatkowo nie są rozłączne, powiązania cen towarów z różnych kategorii – część towarów może być traktowana jako komplementarne, przyczyny wahań cen towarów. Pewne przyczyny (głównie po stronie popytowej), takie jak aktywność gospodarcza, stopy procentowe czy kursy walut, są wspólne dla wielu kategorii towarów, inne z kolei – związane z podażą – są specyficzne. Mimo to w ostatnich dziesięcioleciach ceny towarów zachowują się podobnie (co-move), co doczekało się wielu opracowań. W pracy przeprowadzono i oceniono grupowanie cen towarów w okresie przed kryzysem oraz po globalnym kryzysie finansowym w celu sprawdzenia, czy ceny towarów przed kryzysem i po kryzysie grupują się w podobne skupiska i czy homogeniczność tych skupisk jest podobna. Analiza została przeprowadzona na danych miesięcznych z okresu styczeń 2001–luty 2014. Wszystkie ceny oraz indeksy cen zaczerpnięto z bazy Banku Światowego. W badaniu wykorzystano metodę dynamic time warping, dzięki której wykazano, że wspólne zachowanie cen było silniejsze w okresie przed globalnym kryzysem finansowym. Ustalono także, że liczba skupisk jest niewielka, co oznacza, że można zauważyć tylko kilka tendencji w zakresie zachowania się cen na światowych rynkach towarowych.

Keywords

EN

commodity prices; time series clustering; co-movement; dynamic time warping

PL

ceny towarów; klasyfikacja szeregów czasowych; wspólne zachowanie cen; dynamic time warping

• Publisher: Wydawnictwo Uniwersytetu Ekonomicznego w Krakowie
• Journal: Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie
• Year: 2015
• Issue: 4(940)
• Pages: 117-130

Contributors

author

Sławomir Śmiech

• Uniwersytet Ekonomiczny w Krakowie, Katedra Statystyki, ul. Rakowicka 27, 31-510 Kraków, Poland

References

• Alonso A., Berrendero J., Hernandez A., Justel A. (2006), Time Series Clustering Based on Forecast Densities, “Computational Statistics & Data Analysis”, vol. 51(2): 762–776, http://dx.doi.org/10.1016/j.csda.2006.04.035.
• Akram F. Q. (2009), Commodity Prices, Interest Rates and the Dollar, “Energy Economics”, vol. 31: 838–851.
• Berndt D., Clifford J. (1994), Using Dynamic Time Warping to Find Patterns in Time Series, “KDDworkshop”, vol. 10, nr 16: 359–370.
• Byrne J. P., Fazio G., Fiess N. (2013), Primary Commodity Proces: Co-movements, Common Factors and Fundamentals, “Journal of Development Economics”, vol. 101: 16–26, http://dx.doi.org/10.1016/j.jdeveco.2012.09.002.
• Frankel J. A. (2008), The Effect of Monetary Policy on Real Commodity Prices (in:) J. Y. Campbell (ed.), Asset Prices and Monetary Policy, NBER Working Paper 12713, University of Chicago, Chicago.
• Gilbert C. L. (2009), Speculative Influences on Commodity Futures Prices, 2006–2008, Working Paper, Department of Economics, University of Trento, Trento.
• Grabiński T. (1975), Dynamiczne modele analizy taksonomicznej, Doctoral thesis, Akademia Ekonomiczna w Krakowie, Kraków.
• Gohin A., Chantret F. (2010), The Long-run Impact of Energy Prices on World Agricultural Markets: The Role of Macro-economic Linkages, “Energy Policy”, vol. 38: 333–339, http://dx.doi.org/10.1016/j.enpol.2009.09.023.
• Hubert L., Arabie P. (1985), Comparing Partitions, “Journal of Classification”, vol. 2(1): 193–218, http://dx.doi.org/10.1007/BF01908075.
• Irwin S. H., Sanders D. R. (2011), Index Funds, Financialization, and Commodity Futures Markets, “Applied Economic Perspectives and Policy”, vol. 33: 1–31, http://dx.doi.org/10.1093/aepp/ppq032.
• Kaufman L., Rousseeuw P. J. (1990), Finding Groups in Data: An Introduction to Cluster Analysis, Wiley & Sons, New York.
• Kilian L. (2008), Exogenous Oil Supply Shocks: How Big Are They and How Much do They Matter for the US Economy? “Review of Economics and Statistics”, vol. 90: 216–240, http://dx.doi.org/10.1162/rest.90.2.216.
• Kilian L. (2009), Not All Oil Price Shocks Are Alike: Disentangling Demand and Supply Shocks in the Crude Oil Market, “American Economic Review”, vol. 99: 1053–1069, http://dx.doi.org/10.1257/aer.99.3.1053.
• Krugman P. (2008), Commodity Prices, “NY Times”, March 19.
• Kakizawa Y., Shumway R. H., Taniguchi M. (1998), Discrimination and Clustering for Multivariate Time Series, “Journal of the American Statistical Association”, vol. 93: 328–340.
• Kumar M., Patel N. R. (2007), Clustering Data with Measurement Errors, “Computational Statistics and Data Analysis”, vol. 51: 6084–6101, http://dx.doi.org/10.1016/j.csda.2006.12.012.
• Liao W. T. (2005), Clustering of Time Series Data – A Survey, “Pattern Recognition”, vol. 38: 1857–1874, http://dx.doi.org/10.1016/j.patcog.2005.01.025.
• Natanelov V., Mohammad J., Alam M. J., McKenzie A. M., Huylenbroeck G. V. (2011), Is There Co-movement of Agricultural Commodities Futures Prices and Crude Oil? “Energy Policy”, vol. 39: 4971–4984, http://dx.doi.org/10.1016/j.enpol.2011.06.016.
• Nazlioglu S., Soytas U. (2012), Oil Price, Agricultural Commodity Prices, and the Dollar: A Panel Cointegration and Causality Analysis, “Energy Economics”, vol. 34: 1098–1104, http://dx.doi.org/10.1016/j.eneco.2011.09.008.
• Papież M., Śmiech S. (2011), The Analysis of Relations between Primary Fuel Prices on the European Market in the Period 2001–2011, “Rynek Energii”, vol. 5: 139–144.
• Pindyck R. S., Rotemberg J. J. (1990), The Excess Co-movement of Commodity Prices, “Economic Journal”, vol. 100: 1173–89.
• Phillips P. C. B., Yu J. (2010), Dating the Timeline of Financial Bubbles during the Subprime Crisis, Cowles Foundation Discussion Paper No. 1770, Yale University, Yale, http://dx.doi.org/10.3982/QE82.
• Svensson L. E. O. (2008), The Effect of Monetary Policy on Real Commodity Prices: Comment (in:) J. Y. Campbell (ed.), Asset Prices and Monetary Policy, NBER Working Paper 12713, University of Chicago, Chicago.

Identifiers

DOI

10.15678/ZNUEK.2015.0940.0409