Forecasting clean-energy assets returns : An introduction to Markov regime switching models

Abstract

This thesis investigates the predictability of daily returns on the iShares Global Clean Energy ETF (ICLN) using Markov Regime Switching (MRS) models. The main hypothesis is that clean energy markets do not move in a single, stable pattern: periods of high volatility and drawdowns alternate with calmer, growth-oriented phases. A secondary objective was to investigate if exogenous predictors, and more specifically, clean-energy related uncertainty indices would improve models performance. Results show that allowing for multiple regimes improves in- sample results relative to single-regime benchmarks. Additionally, the ARX and MS-ARX, based on graphical representation appear to have the best out of sample performance.

Esta dissertação analisa a previsibilidade dos retornos diários do iShares Global Clean Energy ETF (ICLN) recorrendo a modelos de mudança de regime de Markov. A premissa central é que os preços dos ativos de energia limpa não seguem um processo único e estável de geração de retornos, pelo contrário, alternam entre regimes caracterizados por maior volatilidade e períodos de quedas acentuadas e regimes marcados por dinâmicas mais moderadas e orientadas para o crescimento. Um objetivo adicional é avaliar se a inclusão de variáveis exógenas — em particular, índices de incerteza relacionados com a energia limpa — melhora o desempenho dos modelos. Os resultados empíricos indicam que a consideração de múltiplos regimes conduz a um melhor ajustamento para dados dentro da amostra do que os modelos de regime único. Além disso, com base na avaliação gráfica do desempenho preditivo, as especificações ARX e MS- ARX parecem apresentar os melhores resultados para dados for da amostra.