Modello congiunto per temperatura e gas naturale

he main target of this thesis is the presentation of a new stochastic joint model for temperature and natural gas. The new joint model is introduced starting from [Benth08], where dynamics of gas spot and temperature are studied separately. In this new model the correlation is between the Normal random variable of temperature and the subordinated Brownian motion of gas spot. This model is tested and calibrated on real datas: data sets of gas are provided by Bloomberg, the most important info-provider in the financial market; temperatures datas can be found on National Climatic Data Center, the world's largest climate data archive. The calibration of the model is studied in deep with Henry Hub datas, the main gas market in USA and even in the World, associated with the temperature of New York. The main parameter of this model, i.e. the correlation parameter, is deeply analyzed using a method to establish its significance. Thanks to this analysis it is possible to verify the significance of the correlation between gas spot and temperature using some American and European datasets. Finally, the possibile existence of a period where the correlation is more evident is discussed. In this thesis some important statistical techniques are considered. First of all, a non-Gaussian significance test, based on Montecarlo techniques, is proposed in order to valuate the non-Gaussian samples. Secondly, the main methods proposed in literature for the calibration of a Normal Inverse Gaussian distribution are described. Lastly, some of the main Normality tests are presented.

Questa Tesi ha come principale obiettivo la presentazione di un nuovo modello stocastico per l'analisi congiunta di temperatura e gas naturale. Partendo dagli studi affrontati da [Benth08] dove vengono studiate le dinamiche del prezzo del gas e delle temperature separatamente, viene introdotto il nuovo modello congiunto tra temperatura e gas naturale, dove sono correlati il processo gaussiano che controlla l’andamento della temperatura e il subordinato di un processo Normal Inverse Gaussian alla base della dinamica del gas naturale. Tale modello viene testato e calibrato su dati reali del gas spot e delle temperature: i primi sono forniti da Bloomberg, uno degli info-provider più utilizzati sul mercato finanziario; i secondi sono messi a disposizione dal National Climatic Data Center, il più grande archivio di dati climatici al mondo. In questo studio è approfondita l’analisi della calibrazione del modello utilizzando i dati dell’Henry Hub, principale mercato del gas USA e a livello mondiale, legati alla temperatura di New York. Viene poi analizzato in dettaglio il parametro di correlazione tra le due quantità in esame, parametro più importante del nuovo modello, utilizzando un metodo per stabilirne la significatività. Tale analisi rende possibile la verifica della rilevanza della relazione tra gas spot e temperatura per alcuni dataset americani ed europei. Infine si valuta la possibile esistenza di una finestra temporale in cui la correlazione tra le due quantità in questione è più marcata. In questa tesi viene approfondito l’utilizzo di alcune tecniche statistiche per la valutazione dei campioni. In primo luogo, dovendo trattare quantità non gaussiane, viene proposta una tecnica di testing della significatività dei risultati di tipo Montecarlo. In secondo luogo, vengono descritti i principali metodi di calibrazione di un Normal Inverse Gaussian proposti in letteratura. In terzo luogo, vengono illustrate alcune tecniche per la valutazione della normalità di un campione.