En sammenligning av prissvingninger mellom Brent råolje og drivstoffpriser i Stavanger - en algoritmisk modell for tanking

Abstract

Denne avhandlingen undersøker og sammenligner volatiliteten i drivstoffmarkedet i Stavanger og Brent råolje. Bensin- og dieselpriser er samlet inn fra bensinstasjoner i Stavanger i 2020 og 2021, og brukes til oppgavens hovedmål om å utvikle en algoritmisk matematisk modell for tanking av kjøretøy til optimale tider for forbrukere som kan brukes i praksis. De innsamlede dataene antyder at det er høyere volatilitet i drivstoffmarkedet i Stavanger sammenlignet med Brent råoljemarkedet. Bensinstasjoner følger et karakteristisk Edgeworth-syklusmønster som har prishopp når de starter prissyklusene på nytt. Disse forekommer for det meste samtidig på alle bensinstasjoner som overvåkes i Stavanger. Dette mønsteret kan være vanskelig for forbrukerne å forutsi. Derfor kan en praktisk drivstoffalgoritme være nyttig. Det er mange faktorer som går inn i en slik modell for å gjøre den effektiv, for eksempel prishoppanalyse fra Edgeworth-syklusmønsteret som finnes i drivstoffmarkeder og estimering av volatilitet ved bruk av GARCH (1,1) -metoden.

This thesis investigates and compares the volatility in the retail fuel market in Stavanger and Brent crude oil. Gasoline and diesel prices have been collected from gas stations in Stavanger in 2020 and 2021, and are used for the thesis’ main goal of developing an algorithmic mathematical model for refueling vehicles at optimal times for consumers that could be used in practice. The collected data suggests that there is higher volatility in the retail fuel market in Stavanger compared to the Brent crude oil market. Gas stations follow a characteristic Edgeworth cycle pattern that have price spikes occur when restarting their price cycles. These are for the most part occurring at the same time across all gas stations monitored in Stavanger. This pattern can be difficult for consumers to predict. Therefore, a practical refueling algorithm could be useful. There are many factors that go in to such a model to make it efficient such as price spike analysis from the Edgeworth cycle pattern found in retail fuel markets and estimating volatility using GARCH(1,1) method.