Alec, Horton (2010) Temperature Dynamics, Volatility, and the UK Demand for Natural Gas. [Dissertation (University of Nottingham only)] (Unpublished)

Access from the University of Nottingham repository: http://eprints.nottingham.ac.uk/23980/2/Alec_Horton_Dissertation.pdf

Copyright and reuse:

The Nottingham ePrints service makes this work by students of the University of Nottingham available to university members under the following conditions.

This article is made available under the University of Nottingham End User licence and may be reused according to the conditions of the licence. For more details see: http://eprints.nottingham.ac.uk/end_user_agreement.pdf

For more information, please contact eprints@nottingham.ac.uk

mailto:eprints@nottingham.ac.uk

Temperature Dynamics, Volatility, and the UK Demand for Natural Gas 

 

By  

Alec John Michael Horton 

 

2010 

 

A Dissertation presented in part consideration for the degree of MA Finance and Investments. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2  

Abstract 

The purpose of this paper is to consider how changes in temperature affect the volatility of the 

financial markets and overall demand for natural gas as released by the National Grid. Parts 1 to 

3 of this paper provide an overview of the gas markets and the literature. Parts 4 and 5 provides 

the reader with an in depth analysis into temperature, demand and the financial markets. Part 4 

finds a strong relationship between temperature and the demand for natural gas and clear 

evidence of seasonality in natural gas demand. Part 5 focuses on volatility and the financial 

markets. There is significant evidence that market volatility is greater during the winter months 

in comparison to the summer months. The market is also found to be largely inefficient, which is 

confirmed when testing the Efficient Market Hypothesis in part 5.1.  

 

 

 

 

Acknowledgements 

I would first like to thank my supervisor Dr Monica Giulietti who throughout the preparation of 

my dissertation has kept in constant communication and provided me with sound advice. This 

dissertation has been completed for Advisory Group AG, I would like to thank all the people at 

Advisory Group who helped me obtain my data and have remained in constant communication 

throughout this process, and I would also like to thank Advisory Group for several very enjoyable 

trips to Zurich throughout the writing of my thesis. 

 

 

 

 

 

 

 

 

 

 

 

3  

CONTENTS   List of Terms............................................................................................................................................5

1 Introduction .........................................................................................................................................7

1.1 Theoretical view of the Natural Gas Markets ............................................................................... 7

1.12 The Spot‐Futures Parity and Efficient Market Hypothesis...................................................... 7

1.2 What is Natural Gas? .................................................................................................................... 9

1.3 Background on the UK Natural Gas Market................................................................................ 10

1.31 The UK Import Market .......................................................................................................... 11

1.4 An overview of UK Weather ....................................................................................................... 12

1.41 Climate Change ..................................................................................................................... 14

1.5 Why are the energy markets so volatile? ................................................................................... 14

4.1 Data and Methodology ........................................................................................................... 21

4.2 Model Specification ................................................................................................................ 22

4.3 Estimation Results................................................................................................................... 23

4.4 National Grid Demand and Seasonality .................................................................................. 27

5.1 Testing the EMH...................................................................................................................... 30

5.2 Which Market is more responsive to changes in temperature? ............................................31

5.3 Data and Methodology ........................................................................................................... 31

5.3 ARMA ‐ Model Specification and Results................................................................................ 34

5.4 GARCH ‐ Model Specification and Results .............................................................................. 37

5.5 T‐GARCH ‐ Model Specification and Results ........................................................................... 40

5.6 Seasonal Analysis .................................................................................................................... 41

5.61 Monthly GARCH Analysis ...................................................................................................... 41

5.62 Spot Price Volatility and Seasonality..................................................................................... 42

7 Bibliography .......................................................................................................................................46

7.1 References ..............................................................................................................................46

7.2 Appendices..............................................................................................................................49

LIST OF FIGURES AND TABLES   

FIGURE 1 – WORLDWIDE MARKETED NATURAL GAS ENERGY CONSUMPTION (QUADRILLION BTU), IEO 2010. .........10 FIGURE 2 – NATIONAL DEMAND INDEX VS. LONDON DAILY LOW TEMPERATURE.................................................. 11 FIGURE 3 – FUTURES PRICE VS. BIRMINGHAM DAILY LOW, DECEMBER 2009 – JANUARY 2010.............................15 FIGURE 4 – NATIONAL GRID ESTIMATED DEMAND (MCM),.............................................................................. 29

4  

FIGURE 5 – PRICE BEHAVIOUR AND THE EFFICIENT MARKET HYPOTHESIS, BREALEY ET AL (2008)...........................36 FIGURE 6 – HURRICANE’S KATRINA AND RITA, AND THEIR PATH TOWARD THE US MAINLAND, AUGUST‐SEPTEMBER 2005. WELLS, 2006 .................................................................................................................................55 FIGURE 7 – DAILY NATURAL GAS PRODUCTION FROM THE GULF OF MEXICO FOLLOWING LANDFALLS OF HURRICANES KATRINA AND RITA. WELLS, 2006 ............................................................................................................... 55 FIGURE 8 – UK LOCAL DISTRIBUTION ZONES, NATIONAL GRID 2009................................................................. 56 FIGURE 9 – ACF AND PACF OF SPOT PRICE RETURNS. .................................................................................... 56

 

TABLE 1 – SUMMARY OF DEMAND, SPOT AND FUTURES DATA. ......................................................................... 19 TABLE 2 – AUGMENTED DICKEY FULLER TEST FOR UNIT ROOTS ........................................................................ 23 TABLE 3 – REGRESSION COEFFICIENTS AND N‐W S.E. ..................................................................................... 24 TABLE 4 – NATIONAL GRID DEMAND AND SEASONALITY ESTIMATED COEFFICIENTS..............................................28 TABLE 5 – EVIDENCE OF SEASONAL DEMAND FOR NATURAL GAS. ..................................................................... 28 TABLE 6 – SPOT AND FUTURES SUMMARY STATISTICS. .................................................................................... 30 TABLE 7 – ADF, JAN 2006 – MAY 2010. ..................................................................................................... 33 TABLE 8 – PORTMANTEAU TEST FOR WHITE NOISE, JAN 2006 – MAY 2010. ..................................................... 34 TABLE 9 – AKAINE’S INFORMATION CRITERION – AR COMPONENT.................................................................... 34 TABLE 10 ‐ AKAINE’S INFORMATION CRITERION – MA COMPONENT. ................................................................ 35 TABLE 11 – AKAINE’S INFORMATION CRITERION  ‐ ARMA (P,Q) ....................................................................... 35 TABLE 12 – TEST FOR ARCH EFFECTS ........................................................................................................... 37 TABLE 13 – AIC FOR GARCH (P,Q) MODELS.................................................................................................. 38 TABLE 14 – SPOT RETURNS, NOTE THAT (Α1 + Β1=0.983

5  

LIST OF TERMS 

 95% Conf.  95 percent confidence 

interval   GARCH (p,q) 

Generalised Autoregressive Conditional Heteroscedasticity 

 AIC  Aikaike Information 

Criterion   GWh  Gigawatt Hour 

 ADF  Augmented Dickey 

Fuller Test   HDD  Heating Degree Days 

 ACF  Autocorrelation 

Function   ICE  Intercontinental Exchange 

  AR (p)  Autoregressive    IEO  International Energy Outlook 

 

ARCH (q)  Autoregressive Conditional Heteroscedasticity    

LDZ  Local Distribution Zones 

 

ARIMA (p,q)  Autoregressive Integrated Moving Average   

MMcm  Million Cubic Meters 

 AUT  Autumn 

 MDV  Monthly Dummy Variable 

  BBL  Balgzand‐Bacton‐Line    MA (q)  Moving Average 

  Bcm  Billion Cubic Meters    NBP  National Balancing Point 

  LM  Breusch Godfrey Test    NTS  National Transmission System 

 BTU  British Thermal Units 

 N‐W  Newey West 

 

CLRM  Classical Linear Regression Model   

OTC  Over‐the‐Counter 

 

CLRM  Classical Linear Regression Model   

PACF  Partial Autocorrelation Function 

 

CHV  Composite Heating Degree Day Variable   

GBP  Pound Sterling 

 CHV  Composite Weather 

Variable   R2  R‐Squared, measure of model fit 

 CWV  Composite Weather 

Variable   NBP97  Short Term Flat NBP Trading Terms and 

Conditions 1997 

 CDD  Cooling Degree Days 

 SPR  Spot Prices (EMH) 

 

UGASDEMD  Daily Actual National Grid Demand for Natural Gas   

SPRN  Spring 

 MEAN  Daily Average 

Temperature   S.E.  Standard Error 

 

NBPG1MON  Daily Front Month NBP Closing Prices (Futures)   

SUM  Summer 

 HIGH  Daily High 

Temperature   UK   The United Kingdom 

 MIN  Daily Low 

Temperature   Thm  Therm 

 

GA1NB  Daily Prompt NG Closing Prices (Spot) 

 

T‐GARCH (p,q) 

Threshold Generalised Autoregressive Conditional Heteroscedasticity 

 

DTI  Department of Trade and Industry 

 

DD  Total Degree Days, HDD + CDD 

  DW  Durbin Watson Test    WSJ  Wall Street Journal 

  EMH  Efficient Market    WSD  Weather Surprise Dummy Variable 

6  

Hypothesis 

 

EIA  Energy Information Administration   

WSV  Weather Surprise Variable 

 FPR  Futures Prices (EMH) 

 WINT  Winter 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

The first part of this paper will be devoted to an overview of the Natural Gas markets and key 

issues that will provide the foundation for analysis in future sections.  Sections two and three will 

provide a summary of the literature and obtained data. Parts four and five will provide detailed 

analysis of both the level of demand and the financial markets for Natural gas, with a focus on the 

7  

temperature and volatility. Within section six are conclusions to the analysis in sections four and 

five. 

1 INTRODUCTION 

1.1 THEORETICAL VIEW OF THE NATURAL GAS MARKETS 

When analysing the relationship between temperature and the price of commodities past 

literature has generally preferred the use of either Spot or Futures prices. This part of the paper 

will briefly discuss the Spot‐Futures parity condition and its implications for analysis in further 

parts. Fama and French (1987) find that good spot‐price data is not available for most 

commodities and prefer the use of futures, they state that futures are regulated through organised 

regulated exchanges and thus can be assumed to be a true reflection of the market. Spot prices 

data is released by reporting agencies such as Bloomberg, Reuters and Platt’s and these prices 

often differ across reporting agencies.  Mu (2004) verifies Fama and French’s observations and 

also prefers the use of futures. 

1.12 THE SPOTFUTURES PARITY AND EFFICIENT MARKET HYPOTHESIS The theoretically correct relationship between the spot and futures price is known as the Spot‐

Futures Parity, if this relationship fails to hold, arbitrage opportunities arise. There are essentially 

two ways to acquire a commodity such as Natural gas. Market participant can purchase the 

physical commodity today and store it, or can choose to take a long position in futures, these 

two strategies must have the same market determined costs. Commodities are physical goods 

and thus have different properties to financial assets, for example, a Natural Gas processing 

plant is not purchasing a futures contract to speculate but to consume. In absence of storage 

costs, the forward price of a commodity, such as Natural Gas is given by Equation 1. Where F0 is 

the Forward Price, S0 the Spot Price, r the risk‐free rate of return and T the time period. This 

equation must hold to prevent risk free arbitrage profits. 

 

 Equation 1 

If a term ‘u’ is introduced, which represents the present value of all the known storage costs that 

will be incurred over the contract period, absorbing funds, it follows Equation 1 that  

 

8  

Equation 2 

There are also advantages to owning a physical commodity, if a Natural Gas processing plant is 

long futures and there is some unforeseen shock, such as an extremely cold winter, this will 

cause an increase in demand for gas, but, the plant cannot convert the futures contracts into 

physical delivery before contract maturity.  The advantage to the plant of holding the physical 

commodity is difficult to quantify, but Hull (2002) prefers the term ‘convenience yield’, denoted 

by y and shown in Equation 3. 

 

Equation 3 

The convenience yield essentially represents market expectations in regards to the future 

availability of the commodity. The greater the likelihood of shortages for example, the higher 

the convenience yield. The difference between the futures price and the spot price is called the 

‘Basis’, overtime the basis will be volatile but eventually converge. If today’s Futures price is 

equal to the expected spot price at maturity then; 

 

Equation 4  

Over an extended time period, in rational markets, expectations about futures spot price will 

adjust upward as often as downward. Telser (1958) finds that futures prices display no trend as 

they approach maturity and accepts the hypothesis that the futures price equals the expected 

spot price, Gray (1961) verified Telser’s findings and Dusak (1973) also supports Equation 4.   

 

The spot‐futures parity condition is consistent with the Efficient Market Hypothesis (EMH) 

(Fama, 1970) which states that the financial markets are informationally efficient. In an efficient 

market, new information is reflected instantly in commodity prices, which implies that the futures 

price is the optimal forecast of the spot price.  No other topic has produced as many articles as 

the EMH in the area of finance1. The spot futures parity condition is based on the assumption 

that market participants are able to trade in the spot and futures markets at the same time, i.e. 

traders can utilize any spot/futures price differentials. If the EMH holds then price patterns are 

random and no system based on past market behaviour can earn excess returns.                                                             1 Malkiel (1973) famously stated that a blindfolded chimpanzee throwing darts at the WSJ could select a portfolio that would so as well as the experts. 

9  

 

Walls (1995) founds that the spot price of natural gas was co integrated with the futures price, 

that each price conveys the same information about the present and expected underlying value, 

that is, the markets are efficient and Shawky (2002) found that many of the characteristics of 

the electricity market can be viewed to be broadly consistent with efficient markets. 

 

However, Chang (1985) found that ‘large wheat speculators’ possessed some superior 

forecasting ability and provides statistical evidence that is inconsistent with the hypothesis that 

commodity futures prices are unbiased estimates of the corresponding future spot prices, 

Houthakker (1957) also finds evidence of definite forecasting skill. In terms of the Natural Gas 

markets, Herbert (1993) was first to look at markets for US Natural Gas futures and found 

inefficiency in the market. Chinn et al (2005) found that futures prices were unbiased predictors 

of future spot prices, with the exception those in the natural gas markets at the 3‐month 

horizon, and Mazighi (2003) rejects the hypothesis of efficiency in the futures markets for 

natural gas and concludes that forward prices are far from being optimal predictors of spot 

prices. 

1.2 WHAT IS NATURAL GAS? 

Natural gas is a colourless, odourless and shapeless fossil fuel found underground that is 

generated through the slow decomposition of ancient organic matter. This gas is generally found 

trapped in pockets of porous rock which is supported by impermeable rock, although natural gas 

is also found within oil reservoirs (Associated Natural Gas) or coal deposits (Coal‐Bed methane). 

Natural gas is extracted through the use of wells drilled into the porous rock and is largely 

composed of methane, all other by‐products must be removed at a processing plant before being 

moved through pipelines to the end consumer. 

 

Natural gas is highly combustible and emits a great deal of energy when burned. Once delivered to 

homes it is used for a range of purposes, although in the UK it is primarily used to power central 

heating systems, boilers and gas powered ovens and increasingly Natural gas is being used to 

generate electricity. Consumers require space conditioning to create a comfortable living and 

working environment, electricity drives devices such as fans, air conditioners, chillers, cooling 

towers and electric boilers (Gellings, 2009) and energy use in buildings accounts for 53 percent 

of total electricity use (Harvey, 2010). Figure 1 illustrates that since 1990 Natural gas 

consumption has increased from 75.4 quadrillion Btu in 1990 to an estimated 162.3 quadrillion 

Btu in 2035 (International Energy Outlook 2010) and Harvey (2010) states that there are 

10  

enough Natural gas reserves to last for 80‐217 years depending on supply and demand 

approximations. 

 Figure 1 – Worldwide marketed Natural gas Energy Consumption (quadrillion Btu), IEO 2010. 

1.3 BACKGROUND ON THE UK NATURAL GAS MARKET 

In the early 1980’s the UK gas industry began to liberalise and restructure2, which began with 

the privatisation of British Gas in 1986 and the ‘demerger’ of its activities in 1991. Prior to the 

liberalisation of Britain’s energy markets British Gas and 14 regional public electricity suppliers 

had a monopoly to supply gas and electricity to every domestic energy consumer. Today the 

market is very competitive and the demand for Natural gas in mainland UK is categorized 

between Local Distribution Zones (LDZs), of which there are thirteen in the National 

Transmission System (NTS). Ofgas was created to ensure a smooth transition from a vertically 

integrated state owned monopolistic market to a competitive market in which consumer 

interests were protected. 

 

The UK is one of the ‘big six’ major European gas markets along with Germany, Italy, France, 

Netherlands and Spain. The UK market is the largest volume market and is completely 

liberalised, because of this the UK market is also the most active, competitive and volatile gas 

trading market in Europe. Approximately 40% of the UK’s primary energy comes from gas, and 

there are large summer/winter swings due to ‘central heating’ demand, this is shown in Figure 

2, which clearly shows that when temperatures are at their lowest, the demand for natural gas 

is highest and vice versa. 

                                                            2 The 1982 Oil and Gas Act gave the government the power to dispose of British Gas assets and open up pipelines to the market. 

11  

 Figure 2 – National Demand Index vs. London Daily Low Temperature 

The majority of gas in Europe is priced on a long‐term contract, and a per country basis, short‐

term fluctuations tend to be due to traders trading out daily imbalances, these gas prices are 

based on ‘market values’ and competition at the National Balancing Point (NBP). In the UK 

market, the majority of demand for natural gas is during the winter months, summers are 

usually the lowest demand periods. However, abnormally hot periods can cause an increase in 

demand, as consumers demand electricity to cool their homes, this is usually found to be the 

case in the US market. Recent Natural Gas market volatility and the changeover of the UK from a 

net exporter to a net importer mean that security of supply is also a top priority for the UK. 

1.31 THE UK IMPORT MARKET The UK has historically been a net exporter of Natural Gas, however recently is became a net 

importer. In 2008 natural gas production was 70 Billion cubic meters (Bcm) and consumption 

was 96Bcm (CIA World Fact Book, 2010). The UK is home to the most developed and liquid hub 

in Europe, the NBP, which started trading in 1996. The NBP is a virtual trading hub which 

covers the whole British transmission grid, it is a notional point which does not have an 

identifiable physical location. It is the trading point of UK short‐term natural gas and is key to 

the price that domestic consumers pay and unlike the conventional European trading hubs, 

trades made at the NBP are not required to be balanced, there is no fixed fee for being out of 

balance. The NBP can be seen as the UK equivalent of the Henry Hub in the US, it is the pricing 

and delivery point for Natural Gas futures in the UK that are traded on the Intercontinental 

Exchange (ICE). 

 

12  

The UK has a growing import capacity, the majority of gas enters the NBP system passing 

through the five beach terminals in the North Sea, but there are also direct pipelines to Europe. 

Langeled is a crucial 1200km pipeline that brings Natural Gas from Norway, and is able to 

supply about 26Bcm per year, the Balgzand‐Bacton‐Line (BBL) from the Netherlands is also able 

to supply about 16Bcm per year. Zeebrugge is a physical trading point located in Belgium, this 

hub is joined to the Bacton terminal of the NBP through an interconnector pipeline that started 

operations in 1998 and has recently been upgraded to be able to supply 17Bcm per year. These 

three pipelines are able to meet a large part of the UK’s current demand. The original intention 

of the Zeebrugge pipeline for example, was to export gas from the UK North sea to Europe, but 

the flow of the Interconnector is often reversed to import gas to the UK market during winter 

months. Holz et al (2008) find that this increased pipeline import volume will compensate for 

the decline in UK domestic production. 

 

Natural Gas is traded on either the spot or futures markets in the UK. Spot trading is primarily 

used by traders who have short‐term physical gas imbalances to trade out. The Over‐the‐

Counter (OTC) market is an unregulated market which generally consists of bilateral 

transactions between shippers, although the terms applicable to these transactions are specified 

in the ‘Short Term Flat NBP Trading Terms and Conditions 1997, or ‘NBP97’. The spot market is 

generally representative of the physical side of trading, whereas the futures markets are 

favoured by speculators, or ‘paper side’ of the market. The exchange markets generally give the 

best transparency of pricing as there is a great deal of day settlement pricing for gas. 

 

This paper is focusing on the demand side of Natural Gas, although the supply side is also a key 

issue. To meet the projected growth in demand for natural gas worldwide, producers will need 

to increase annual production in 2035 to a level that is 46 percent higher than the 2007 total 

(IEO 2010). This could prove a problem for the UK market, although Holz et al (2008) finds that 

the competitive UK wholesale market will enable UK consumers to maintain their consumption 

levels in the future. 

1.4 AN OVERVIEW OF UK WEATHER  

The UK market differs from the US in regards to the demand for natural gas. In the US market 

the industrial sector is the largest consumer, but in the UK the single largest component of 

natural gas demand is the domestic consumer, this is largely because about 90% of UK homes 

have central heating systems of which 80% are gas‐fired (Stewart, 2004). Taylor et al (1977) 

find that demand in both industrial and residential sectors are price inelastic in the short‐run, 

but highly elastic in the long‐run. Al‐Sahlai (1989) confirms this and finds that industrial, 

13  

residential and commercial demand are inelastic with respect to price and income in the short‐

run.  

 

The UK market for Natural Gas is highly seasonal and because industrial demand for natural gas 

is relatively unresponsive in the immediate short‐term, the weather is the single most 

important factor that causes short‐term demand and price volatility. Weather data reaches the 

market very quickly, and is available to all participants, thus ‘weather surprises’ will be quickly 

reflected in the price of natural gas. If for example there was a sudden freeze in the North East, 

consumers in cities such as Newcastle and Sunderland would turn on their central heating 

systems. If this low temperature is unexpected, traders will be caught short Natural Gas and 

look to the spot market to buy Natural Gas for immediate consumption. This increase in demand 

would be reflected by a higher price, ceteris paribus. 

 

Natural Gas used to power UK central heating systems is the most significant demand factor, 

although over recent years the power generation market sector has been through considerable 

changes. Natural Gas used to generate electricity increased from a market share of 0% in 1990 

to a market share of 38% in 2002, displacing coal as the principal fuel for power generation in 

the UK (Stewart, 2004). This implies that extremely hot weather surprises, such as a summer 

heat wave, may instigate a spike in electricity demand used to power air conditioning systems, 

which could have a similar effect on the demand for gas. Mu (2004) finds that in the US market 

there is a ‘local peak’ in July and August as cooling demand increases the electric power use of 

natural gas.  Although this is certainly found to be the case in the US market, section three of this 

paper will look to see if this thought can be applied to the UK market. 

 

 Two measures of relative temperature that are common in the market place are that of Heating 

Degree Days (HDD) and Cooling degree Days (CDD). A day’s HDD is used to quantify the volume 

of energy required for heating during the day, and a CDD the volume of energy for cooling 

during the day, this is shown in equations 5 and 6. 

 

Equation 5 

 

14  

Equation 6 

In the US, heating and cooling degree days are primarily used in the valuation of weather 

derivative contracts and generally have a threshold temperature of 65°F, for this reason 18°C 

will be used as the threshold temperature in future analysis. 

1.41 CLIMATE CHANGE Natural gas is one of the world’s three principal fossil fuels and is the Earths most abundant 

fossil fuel (Cocks, 2009). When conducting a study on weather and fossil fuel, climate change 

needs a mention, but it is beyond the scope of this paper to look at climate change in great 

detail, this paper will be concentrating on short‐term, intra‐month volatility, so climate change 

is not entirely relevant. Harvey (2010) states that global average temperature warming ranges 

from 3.5°C to as high as 6.5°C, but refers to the next century, not the next year or decade. In an 

attempt to estimate future demand forecasts the National Grid created a ‘Composite Weather 

Variable’ (CWV) using 2‐hourly temperatures and 4‐hourly wind speeds which includes factors 

such as Wind chill, cold weather upturn and ‘effective temperature’, but even this complex 

variable currently fails to incorporate the effects of climate change. 

1.5 WHY ARE THE ENERGY MARKETS SO VOLATILE? 

A highly volatile market is one in which prices are changing rapidly and unexpectedly, there is 

an extensive range of literature available that examines whether market fundamentals or other 

random factors determine price volatility. The price of Natural Gas, like any other commodity, is 

fundamentally determined by supply and demand, and volatility, by nature, is a response to 

shocks (Engle, 2001). The short‐term price paid for gas is determined by various factors, which 

include the availability of supply, storage levels and alternative fuel prices. Henning et al (2003) 

find that the Natural gas market is one of the most volatile commodity markets, even more so 

than the crude oil markets. They also conclude that near‐term wellhead production is generally 

inelastic, and because the demand for natural gas depends on the weather, which can shift 

quickly and unexpectedly, this can creates a demand imbalance that amplifies price volatility.   

 

In the US, ‘weather surprises’ such as hurricanes often cause vast amounts of volatility in the 

market for Natural gas. Figures 6 and 7 show the impact that these hurricanes had on wellhead 

production during the hurricane season of 2005. Shortly before Katrina and Rita hit, the 

demand for Natural gas was already above normal, due to higher‐than average late summer 

temperatures in the South. This increased the demand for gas to generate electricity, which 

consumers then used to cool their homes, when combined with the supply disruptions that 

followed, these hurricanes caused a significant spike in prices. Weather incidents can cause 

large intra‐day price volatility, although in the UK area tropical hurricanes are not possible. 

15  

Winter of 2009‐10 was the coldest on record for some years (see section three). Figure 3 show 

the daily low temperature in Birmingham, against both spot and futures prices over the period 

December 2009 to January 2010. It shows clearly that this ‘weather surprise’ caused market 

volatility and the price paid for Natural gas to both increase. During the period 7th‐8th of January, 

temperature was at its lowest level and spot prices were at their peak, this is consistent with the 

theory that short‐term spot prices are largely determined by demand fundamentals and traders 

trading out short‐term imbalances. 

20

25

30

35

40

45

50

02/12

/2009

09/12

/2009

16/12

/2009

23/12

/2009

30/12

/2009

06/01

/2010

13/01

/2010

20/01

/2010

27/01

/2010

Spot/Futures Price

-12-10-8-6-4-202468

Temperature

Spot Prices Futures Price Birmingham Daily Low 

Figure 3 – Futures Price vs. Birmingham Daily Low, December 2009 – January 2010. 

 

 

 

 

 

 

 

 

2 LITERATURE REVIEW    The data analysis part of this paper will first look at temperature and its relationship to the 

demand for Natural gas. Then a brief test of the EMH will be conducted, and if rejected, further 

16  

analysis will be conducted to see which financial market is more sensitive to temperature 

volatility. There is very little literature on weather and the demand for natural gas, the majority of 

the literature is based around the US market and concentrates on either the spot or futures 

markets. Literature in regards to the UK Natural gas market tends to be composed by government 

departments (see DTI, 2001) or the National Grid (see National Grid, 2007). There are clear gaps 

in current research on the weather, temperature and their relationships to the UK market for 

Natural gas, and the European Gas market has only just recently began to liberalise, thus literature 

is scarce. 

 

The EMH is one of the most discussed topics of finance; academics have disputed the theories of 

the EMH for decades. The commodity markets are largely unregulated in comparison to the 

capital markets, this makes the commodity markets a prime candidate for EMH testing and is 

the reason for the extensive range of literature in this area. In general early literature suggests 

that the inter‐market price behaviour and relative volatility are consistent with the theory of 

storage, accepting the hypothesis that the futures price equals the expected spot price (see 

Telser, 1958, Gray, 1961, and Dusak, 1973). The EMH has also been tested and confirmed in 

markets such as the Electricity markets (see Shawky, 2002) and the wheat markets (Chang, 

1985). The majority of studies have focused on long‐run properties, arguing that in the long‐run 

inefficiencies will be traded out via arbitrage (Garbade and Silber, 1983) or that spot and futures 

contracts share common stochastic trends (Lien and Root, 1999). However, Houthakker (1957) 

found evidence of inefficient markets in the Wheat, Corn and Cotton commodity markets and 

Roll (1984) came to the conclusion that Florida Orange Juice futures prices were 

informationally inefficient. 

 

The futures markets for commodities such wheat have been studied for decades, but the Natural 

gas markets were largely regulated and monopolised by domestic governments until recently, 

the US futures markets for example started trading in 1990. Only in recent years has data 

become available in the UK market, and continental Europe has only just embarked upon fully 

liberalising its markets. Herbert (1993) was the first to study the markets for US Natural gas 

futures and found early examples of inefficiency in the markets, Chin et al (2005) and Mazighi 

(2003) also reject the hypothesis of efficient markets in their Natural gas data. Whilst there is a 

great deal of literature rejecting market efficiency, there is also a wide range of academic studies 

that accept market efficiency. Walls (1995) adopted Herbert’s methodology, focusing on co 

integration and found the spot and futures prices to be co integrated where Modjtahedi and 

Movassagh (2005) observed that trends are due to positive drifts in the random‐walk component 

of the price. It is clear that various authors agree and disagree on different aspects of the EMH, and 

17  

for this reason part five of the paper will first test the EMH before conducting further analysis into 

the markets for Natural gas, but, whereas all the literature thus far has focused on the US markets, 

this paper will test the UK market. Further research in this area is also needed, particularly 

focusing on the European and UK markets for Natural gas. Analysis in future sections will be 

largely based on work by Mu (2004) and Ates and Wang (2007) who both favoured the use of 

GARCH models to measure volatility in their data series.  

 

Mu selected 766 weather stations east of the Rocky mountains from 1949‐2000 which were then 

used to define a weather surprise variable. The weather surprise variable was then implemented 

into a GARCH model. Mu found that the weather surprise variable has a significant effect on the 

conditional volatility of natural gas prices. Mu also concluded that the inclusion of the weather 

surprise variable in the conditional variance equation has significant effects on volatility 

persistence. Ates and Wang define a more complex ARMA X‐Threshold GARCH model to define 

volatility in their data series. They find that conditional volatility shocks are more persistent in 

the futures market than in the spot market and propose that this is because informed traders 

prefer to trade in the futures market because of its low trading costs relative to the spot market. 

Their analysis also finds that extreme cold weather surprises affect the variation in basis, spot 

and futures prices, that the conditional volatility of natural gas spot and futures are higher in 

winter and lower in summer months, and the conditional correlations between spot and futures 

markets are lower in winter and high in summer months, all of which will be tested in parts 4 

and 5 of this paper. Suenaga et al (2006) and Brown and Yucel (2008) both come to similar 

conclusions to Ates and Wang and Mu, that volatility is greater in the winter than in the 

summer. The reasons they give is because the high marginal cost of natural gas production and 

the inelastic winter mean that shocks of even a small magnitude can cause a large price swings. 

 

The authors all agree that there is more volatility and higher prices in the winter than the 

summer and the large majority find that the weather, particularly cold temperature has a very 

significant impact on Natural Gas prices. This paper will largely adopt the GARCH 

methodologies adopted by past literature. The only part of past studies that may have to be 

amended is when defining the weather surprise variable, this is because all of the studies are in 

the US markets, which are markets for both heating and cooling degree days, this paper expects 

to find cooling degree days to be largely insignificant in comparison to heating demand in the 

UK markets, thus, the composite weather variable may have to be redefined. 

 

There are clear gaps in the current research, for example, the majority of literature focuses on 

the US markets, this may mean that there are some factors overlooked or overstated in past 

18  

studies that need to be included or excluded in future studies of the European and UK natural 

gas markets. The reasons why there is very little literature on the UK markets and European 

literature is non‐existent is because the markets have only recently been liberalised so further 

research into this area is definitely required as the Natural gas markets continue to expand in 

upcoming years. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

3 GENERAL DATA SUMMARY   This paper obtained daily actual National Grid Demand figures from 1st Jan 2003 until the 31st 

May 2010 and daily front month NBP closing prices from the 5th of September 2005 until the 

28th of May 2010, both were obtained from Bloomberg. Daily British prompt Natural gas closing 

19  

prices from 1st Jan 2003 until the 31st May 2010 were also obtained from Reuters. Natural Gas is 

measured in pence per therm where the demand figures are measured in million cubic meters 

(MMcm). The data is summarized in table 1, the daily demand figures are reported daily, spot 

and futures prices are reported on trading days only. 

 

Observations 

(excl missing 

values) 

Min  Max  Mean Standard 

Deviation Skewness  Kurtosis 

Demand 

‘UGASDEMD’ 2,630  130.52  465.46  280.82  67.25  0.14  2.02 

Spot Prices 

‘GA1NB’ 1,932  5  168  35.20  17.73  1.80  8.59 

Futures Prices 

‘NBPG1MON’ 1,189  14.7  113.53  43.34  17.75  0.78  3.37 

Table 1 – Summary of Demand, Spot and Futures data. 

The highest demand recorded over the periods was on 8th January 2010, at a time when 

temperatures were at a record lows. The smallest demand recorded over the period was on the 

30th July 2006, at a time when 60% of the US was experiencing drought conditions (McKenzie, 

2006) and the UK was in the midst of a cool summer day relative to previous weeks (Deakin, 

2006). The lowest recorded spot price in the periods was the 3rd of September 2006, at a time 

when the UK had experienced the warmest September since records began, following the 

warmest month on record, July 2006 (Forster, 2006). The highest recorded spot price was also 

the day of the highest recorded futures price, the 22nd of November 2005. Prices were high 

around this time largely because of supply‐side issues, this period was in the midst of Russia‐

Ukraine gas disputes and coincided with the time when cold winter weather began to hit large 

parts of the UK. 

 

Although this paper has obtained daily demand figures for the whole of the UK mainland, the 

national grid segments the UK into thirteen different LDZs (see Figure 8). The methodology 

employed when attaining weather data was to select the largest consumer, where possible, in 

each LDZ and attain daily weather data3. Gas sales and customer data were obtained from the 

National Grid, and the following cities were selected, Glasgow, Carlisle, Sunderland, Manchester, 

Nottingham, Birmingham, Wrexham, Cardiff, South end‐on‐sea, Hammersmith and Fulham, 

Brighton and Hove, Southampton and Bristol, this data is summarised in table 18. 

 

                                                            3 Hammersmith and Fulham although not the largest consumer in the ‘North Thames’ LDZ, is the closest large urban area to the chosen weather station. 

20  

Based on these locations, weather data was obtained from Bloomberg from 1st January 1973 

until the 28th June 2010. To remain as consistent as possible across the dataset and to reduce 

basis risk4 all of the data was taken from the closest Airport and all the temperature 

measurements were taken in mid afternoon, between 13.20 and 13.50, this methodology is 

summarised in table 19. The dataset consists of observations on temperature, detailed in Table 

20: daily maximum (.HIGH), minimum (.MIN), average (.MEAN), heating degree days (.HDD) and 

cooling degree days (.CDD). The data set contains occasional missing observations due to failure 

of measuring stations to report to Bloomberg, although this is rare and largely insignificant as 

there are almost 900,000 data points within the historical weather data. ‘Wrexham’ has been 

removed entirely from future analysis as the data set was largely inconsistent and suffered from 

clear misreporting of data, tables 21‐32 provide summary statistics of the selected locations. 

The reasons for collecting such as vast amount of data will become more apparent when a 

‘weather shock’ variable is defined in later sections. Although the market in the UK isn’t as 

geographically broad as the US market for Natural Gas (Mu, 2004, selects 766 weather stations 

east of the Rocky Mountains from 1949‐2000) the rationale for selecting weather stations at 

various locations is to ultimately create a variable that includes all of the locations specified 

above. 

 

 

 

 

 

 

 

 

4 THE DEMAND FOR NATURAL GAS AND TEMPERATURE   This part of the analysis will look at temperature and Natural Gas demand. Mu (2004) states that 

the weather impacts about fifty percent of U.S. natural gas demand, and as explained in previous 

sections, the UK markets is much more reliant on Natural Gas than the US market. UK Households 

are now kept warmer than in the past. In 1970 5.6m homes were centrally heated, this increased 

to 21.7m by 2000, likewise, average internal temperatures increased from 13°c in 1970 to 18°c in 

2000 (DTI, 2001). With living standards expected to increase over time, a similar trend is likely to                                                             4 The risk that the temperature differs in the measurement station to that of the main rural area which was selected based on consumption data. 

21  

continue in the future, for this reason this paper expects to find a strong relationship between 

temperature and demand in the UK market. 

4.1 DATA AND METHODOLOGY National Grid actual demand figures from the 1st Jan 2003 until the 31st May 2010 were 

obtained from Bloomberg, summary statistics are provided in Table 1. As explained in section 3, 

the majority of the weather stations are located at airports closest in proximity to the highest 

consuming area in that particular LDZ.  Although every feasible step has been taken to ensure the 

reliability of the weather data some issues may still persist, for example, when estimating their 

CWV the National Grid notes that one weather station is on the top of an office building and is 

affected by the heat from the building in very cold weather (pg 25, Gas Demand Forecasting 

Methodology 2007). To ensure complete accuracy of the data, each location would have to be 

checked individually and any anomalies adjusted for, this is beyond the scope of this paper. 

 

Ates and Wang (2007) use just one city, Chicago, in their regression analysis. Chicago is generally 

favoured as it is the third most populous city in the US and one of the largest consumers of Natural 

Gas. Mu (2007) uses ‘total degree days’ as the explanatory variable in the regression analysis, 

similar to that shown in Equation 7. 

 

Equation 7 

The reason why ‘total degree days’ (DD) are favoured when using historical data from cities such 

as Chicago is because the summers are comparatively much warmer that those of the UK’s largest 

cities, and thus consumers require more cooling energy. The historical July and August average 

high in Chicago is about 7‐8°c higher than in London, this is a significant enough variation to have 

differing impacts on CDD’s across these two locations. Table 33 shows that Heating Degree Days 

have the highest correlation to Natural gas demand and Cooling Degree Days the lowest across all 

the chosen UK cities, it is for this reason that HDD’s will be preferred in further analysis. A 

Classical Linear Regression Model similar to that implemented by the National Grid will be first 

estimated using OLS. Each location will be regressed against the demand data, in addition to this a 

‘Composite HDD Variable’ (CHV) will also estimated, representing the sum of all the locations. The 

reasons behind regressing each location in addition to the CHV is to discover if any one location, 

London for example, is as accurate as using a composite variable. Ates and Wang (2007) elected to 

use only one location in their analysis into the weather and temperature, this is in comparison to 

Mu (2004) who, as explained briefly above, choose to use numerous locations.  

22  

 

The formulated research question is ‘Do low temperatures have a significant impact on National 

Grid demand data?’ the Null hypothesis is that HDD’s at each location do not impact national grid 

demand. 

4.2 MODEL SPECIFICATION The methodology preferred by the National Grid when evaluating the relationship between 

demand and the CWV is shown in Equation 8, where A&B are constants, CWVi the estimated 

Composite Weather Variable and ui the error term and i a ‘non‐holiday weekday’. 

 

Equation 8 

A similar simple regression model will be estimated using OLS, see Equation 9, where 

UGASDEMDi is the actual daily demand for Natural Gas, in MMcm. nHDDi  the Heating Degree Days 

at location n, and εi the error term. 

 

Equation 9 

This regression will be estimated against each location and the CHV (see Equation 11), where 

UGASDEMDi is the actual daily demand for Natural Gas, CHVi the Composite Heating Degree Day 

Variable, and εi the error term. 

 

Equation 10 

The CHV is an arithmetic mean and is computed using the methodology shown in Equation 11, 

where n represents the number of weather stations, with each locations Heating Degree Days 

denoted by HDDi. 

 

Equation 11 

23  

As the dataset contains two leap years, the 29th of February 2004 and 2008 have been removed from 

the analysis to insure that the CHV is consistent across the dataset. Section 4.3 interprets the 

estimation results. Firstly the Augmented Dickey Fuller (ADF) test was conducted to check for 

stationarity. The Breush‐Pagan and White tests were then employed to test for heteroscedasticity. 

Finally, the Durbin Watson (DW) and Breusch‐Godfrey (LM) tests were used to check for serial 

correlation. 

4.3 ESTIMATION RESULTS An important assumption in regression analysis with regards to time series data is that the data 

fluctuates around a mean, that is, the data is stationary. Running OLS on a non‐stationary series can 

lead to a spurious regression, to avoid this all variables in the model are required to be stationary. 

For example, generally one would expect commodities to be stationary, over time they are expected 

to follow an upward trend, this is because as world population grows, people demand more food 

and more energy and people generally expect their standard of living to increase, all of these factors 

imply and upward trend in future years. The EMH implies that the behaviour of commodity prices 

should follow a random walk, that the data should be non‐stationary, thus, the following hypothesis 

will be tested; 

 

H0: δ=0 Non‐Stationarity 

H1: δ

24  

demand for Natural gas increases in all locations. All of the p‐values on the estimated coefficients 

are very significant and all regressions show evidence of strong model fit, based on R2 values. 

 

The location with the largest Model fit is London, the London Metropolitan area is the most highly 

populated area and is responsible for the biggest demand for Natural gas in the UK, so the fact that 

London explains more of the variation in Natural gas demand is not surprising. Introducing the 

CHV as the dependent variable increases model fit slightly, but it is clear that choosing one large 

city, such as London or Chicago (Ates and Wang, 2007), will produce results similar to creating a 

composite weather variable, but creating a CHV generates a slightly more efficient slope 

coefficient. 

95% Conf.  Coefficients  NW S.E.  tvalue  Model Fit, R2       

  199.2084  1.359501  146.53 London   11.49701  0.1394825  82.43 

0.8430 

  188.6218  1.480893  127.37 Birmingham   11.54471  0.141975  81.32 

0.8228 

  178.5206  1.843107  96.86 Glasgow   1.89268  0.1817026  64.45 

0.7531 

  178.3121  0.1716902  100.32 Sunderland   11.93757  1.777476  69.53 

0.7758 

  185.1597  1.665936  111.14 Manchester   11.82768  0.1652612  71.57 

0.8044 

  191.2574  1.4648  130.57 Nottingham   11.76738  0.14637  80.39 

0.8304 

  185.2261  1.517523  122.05 Cardiff   12.66905  0.1562882  81.06 

0.8305 

  200.6933  1.285398  156.13 South end   11.77499  0.1375053  85.63 

0.8347 

  191.2164  1.413662  135.26 Brighton   12.16372  0.1448235  83.99 

0.8256 

  187.0117  1.517392  123.25 Bristol   1.92083  0.1522111  78.32 

0.8350 

  193.3418  1.483988  130.29 Southampton   11.82598  0.1478421  79.99 

0.8005 

  193.2944  1.500767  128.80 Carlisle   11.76573  0.1644963  71.53 

0.8013 

  184.1587  1.463701  125.82 CHV   12.46919  0.1542591  80.83 

0.8490 

Table 3 – Regression Coefficients and N‐W S.E. 

25  

The Breusch‐Pagan and White tests will be conducted to test for Heteroscedasticity. The Null 

Hypothesis is that the error term has a constant variance, the error term is homoscedastic 

(Equation 12) and the alternate hypothesis is that the error variance varies with the dependent 

variables (Equation 13). 

H0: Homoscedasticity 

 

Equation 12 

H1:Heteroscedasticity  

 

Equation 13 

Table 34 illustrates that, with the exception of Manchester, all of the chosen locations either fail 

the Breusch‐Pagan or White test, with Glasgow, Nottingham, Cardiff and Carlisle failing both 

tests. These two tests were also applied to the CHV regression, heteroscedasticity was found to 

be present using the White test, but the error term was found to be homoscedastic using the 

Breusch‐Pagan test. Problems with heteroscedasticity cannot be ignored, it causes the 

estimators to be inefficient and have much larger variance, changing according to different 

values of the explanatory variables, hetero‐consistent Standard Errors (S.E.) will be calculated 

after the models have been tested for serial correlation. As the regression is of AR (1) in nature, 

the Durbin Watson test of Serial Correlation will be applied to the above regressions. Equation 

14 will be tested, with the following hypothesis; 

H0: ρ=0 

H1:ρ≠0 

 

Equation 14 

If the error term is genuinely a random error term, ut, no serial correlation would imply that ρ=0. 

Table 35 illustrates that in all of the tests there is evidence of positive serial correlation, which 

indicates that errors from the previous day carry over into the future, this could cause an 

26  

overestimate in one day, leading to an overestimate in succeeding days. The OLS standard errors will 

be smaller than the true standard errors and the parameter estimates will give the impression of 

being more precise than they really are. 

‘Under both heteroscedasticity and autocorrelation the usual OLS estimators, although linear, 

unbiased, and asymptotically normally distributed, are no longer minimum variance among all linear 

unbiased estimators. In short, they are not efficient relative to other linear and unbiased estimators. 

Put differently, they may not be BLUE. As a result, the usual, t, F, and χ2 may not be valid’ (pg 442, 

Gujarati, 2003). 

 

If conclusions are drawn and inferences made despite heteroscedastiity they may be misleading, 

although ‘Heteroscedasticity has never been a reason to throw out a good model’ (Mankiw, 1990). 

Further statistical testing can be conducted post‐regression to test whether or not the coefficients 

are biased, future analysis in this section will test only the Compounded Weather Variable (CHV). 

 

 In regards to the CHV, the null hypothesis of Homoscedasticity is not rejected using the Breusch‐

Pagan test and only just rejected using the white test, a p‐value of 0.007 is only slightly below the 

0.01 rejection region. The White test results suggest that the coefficients are biased and are no 

longer valid to construct t‐statistics and make inferences. White developed an estimator for 

standard errors that is robust to the presence of heteroscedasticity, although a large sample size is 

required, with a sample size of 2,472 in this analysis this solution is acceptable. Before calculating 

the hetero‐robust S.E. a test of serial correlation will be conducted to determine whether to use 

Robust or Newey‐West adjusted S.E. 

 

Time series data are, by definition, ordered in time, what occurs at time t is the best indicator of 

what will occur at time t+1, as a result the difference between the predicted and actual error in one 

time period are related to the error in the text time period. The DW test above tested for serial 

correlation of an AR (1) nature, the estimated statistic fell into the reject region suggesting strong 

positive autocorrelation, this suggests that the OLS estimators are no longer efficient and the 

estimated R2 is not a reliable estimate of the true R2. To check for serial correlation of a higher than 

AR (1) nature the DW is not suitable, for this the Breusch‐Godfrey (LM) test will be favoured, which 

is statistically a more powerful tool than the DW. For this part of the analysis three lagged variables 

were chosen, the LM tests confirms that there is a problem with autocorrelation as all the p‐values 

are extremely significant. As a result of these tests this paper considered implementing lagged 

variables into a regression, this analysis will be conducted in part five. As a result of the above tests, 

27  

the Newey‐West method will be implemented, which corrects the standard errors for serial 

correlation and heteroscedasticity, these corrected standard errors can then be used for inference. 

The Newey ‐West p‐value’s came in very significant, (see Table 3) so we can conclude that the 

relationship between the CHV and Natural Gas demand is true and strong. 

 

The formulated research question at the start of this analysis was ‘Do low temperatures have a 

significant impact on National Grid demand data?’ Although the CLRM may overestimate the effects, 

the above analysis and previous literature (see Ates and Wang, 2007, Mu, 2004) clearly 

demonstrates that temperature has a significant impact on the demand for Natural gas. The basic 

laws of Supply and Demand dictate that if demand increases, price should increase, ceteris paribus. 

Part 3.4 of the paper will look at National Grid Demand and Seasonality. 

4.4 NATIONAL GRID DEMAND AND SEASONALITY The methodology preferred in this part of the analysis will involve estimating National Grid Demand 

against the Weather Surprise Dummy Variable (see Equation 21) and the Monthly Dummy Variable 

(see Equation 41). 

 

Equation 15 

Where Dt is National Grid actual demand at time t, WSVt the Weather surprise variable at time t and 

μDVt the Monthly Dummy Variable at month μ and time t. Eleven dummy variables were included in 

the analysis to capture the twelve months, table 4 shows the estimation results where β2 is the 

coefficient for January, β3 for February... and β13 Decembers coefficient, August was omitted from 

the regression to prevent problems of perfect multicollinarity. 

 

 

Demand    Coefficients  Std. Err.  t  Robust S.E  Robust t  VIF 

β0  189.8395     2.679182      70.86  1.975296      96.11      

β1  33.01779     2.529292      13.05  2.453172      13.46     2.94     

β2  148.0643     4.312705      34.33  4.59691      32.21     3.00     

β3  139.8438     4.435837      31.53  4.319888      32.37     2.94     

β4  112.9477     4.329204      26.09  4.15421      27.19     2.95     

β5  83.39094     3.870468      21.55  3.019107      27.62     2.26     

Equation 15 

Estimation 

Results 

β6  55.93134     3.624846       15.43  2.94491      18.99     2.07     

28  

β7  17.26326     3.777905       4.57  2.661994       6.49     1.86     

β8  9.340919     3.746121       2.49  2.578551       3.62     1.88     

β9  (omitted)           

β10  20.27319     3.768107       5.38  2.777722       7.30     1.87     

β11  67.40618     3.866743      17.43  2.875138      23.44     1.97     

β12  96.40087      4.25406      22.66  3.386343      28.47     2.33     

  β13  135.7499     4.461677      30.43  4.795564      28.31     2.45     

Table 4 – National Grid Demand and Seasonality Estimated Coefficients. 

The model specification was then tested, tests of multicollinarity, heteroscedasticity and 

autocorrelation were conducted equivalent to those implemented in the earlier section. VIF values 

were estimated to check for multicollineratity, no VIF value was found to be above 10 so it appears 

there is no problem of multicollinearity. The Breusch‐Pagan statistics came in significantly below 

0.05 and the White test came significantly below 0.01, both tests conclude there are problems of 

heteroscedasticity. The Breusch‐Godfrey (LM) test was implemented with various lengths of lags, 

there was no evidence of serial correlation. To correct for heteroscedasticity, robust standard errors 

were calculated and are displayed in table 4.  

Month Estimated Natural Gas Demand 

(β0 + βi) 

Estimated Demand with Weather 

Surprise 

(β0 + βi + β1) 

January  337.9038  370.9216 February  329.6833  362.7011 March  302.7872  335.805 April  273.2304  306.2482 May  245.7708  278.7886 June  207.1028  240.1206 July  199.1804  232.1982 

August  189.8395  222.8573 September  210.1127  243.1305 October  257.2457  290.2635 November  286.2404  319.2582 December  325.5894  358.6072 

Table 5 – Evidence of Seasonal Demand for Natural Gas. 

Table 5 is constructed using the results from table 4 and the following inferences can be made. 

January is the month with the highest demand for Natural gas, August the lowest and ‘weather 

shock’ increases the demand for Natural gas by an estimated 33 Mcm, a visual representation is 

shown below in Figure 4, with total demand shown on the vertical axis and the date shown on the 

29  

horizontal. Mu (2004) finds evidence of a demand ‘spike’ around June and July (hot weather causes 

an increase in Cooling Demand), although figure 4 suggests that there is no evidence to suggest that 

this exists in the UK market for Natural Gas 

150

200

250

300

350

National Grid Estimated Demand (Mcm)

National Grid Estimated  Demand (Mcm)

 

Figure 4 – National Grid Estimated Demand (Mcm), 

Further analysis was also conducted to include Macroeconomic factors and domestic heating prices, 

to test if the weather was the most significant determinant of Natural Gas demand. The majority of 

the variables added were found to be insignificant in the short‐term, only domestic prices affected 

consumer demand, but there were large lags and thus are largely beyond the scope of this paper. 

 

 

 

 

 

5 THE FINANCIAL MARKETS AND TEMPERATURE   As explained in the above sections, theoretically, as Natural Gas can be stored, any disparity 

between spot and futures prices create arbitrage opportunities, this should ensure a close 

relationship between spot and futures prices. The aim of this section of the paper is to find if 

temperature is a key reason for abnormal disparity, or volatility, in the markets, and if so which 

market is most sensitive to changes in temperature, the spot or futures market. The second part 

of this section will then look to examine Campbell and Diebold (2000) findings that the winter 

30  

months are more volatile than summer months, and that prices are higher in the winter than the 

summer. But, before we can conduct any of the above analysis we first need to test the EMH. 

5.1 TESTING THE EMH The spot and future prices should behave similarly over time, they should be co‐integrated, 

Herbert (1993) was the first to test the relationship between spot and futures contracts in the 

Natural Gas markets, Herbet’s methodology will be adopted for this part of the analysis. 

 

The first step is to estimate the simple regression, using OLS, shown in equation 16. 

 

Equation 16 

Where Sprt are daily British prompt natural gas prices and Fprt daily first month NBP Natural 

Gas prices. If the estimated coefficient for c is not statistically different from zero and the 

estimated coefficient for d is not significantly different from one, this suggests that the market is 

efficient. 

 

Equation 17 

Herbert found that both series needed to be differentiated twice before a white noise series was 

obtained and thus concluded that both series are integrated of order two, the results of Herbert 

(1993) regression is reported in Equation 18. 

 

Equation 18 

Table 6 provides some summary statistics on the Spot and Futures prices for British natural gas, 

obtained from Bloomberg and Reuters, prices are quoted in GBP per Therm. 

Sept 05May 10  GA1NB Spot Prices  NBPG1MON Futures Prices Mean  40.98  43.24 Standard Deviation  18.82  17.75 Variance  354.12  315.06 Skewness  1.50  0.77 Kurtosis   7.52  3.37 

Table 6 – Spot and Futures Summary Statistics. 

31  

Some observations at the end of 2005 were inconsistent and possibly misreported, for this 

reason 1,108 observations were selected from January 2006 until May 2010. Campbell and 

Diebold (2000) looked at temperature data in the US from the 1960’s until the early part of 

2001 and found that all of their distributions had moderate skewness and moderate excess 

kurtosis. The most likely reason for the large Kurtosis in this data set, particularly the spot data, 

as explained in section three, is that the Russia‐Ukraine gas dispute caused very large daily 

movement in the spot markets in late 2005, for this reason it is excluded from the above 

analysis. This data was used to run a regression similar to Herbert (1993). The results are 

shown in Equation 19. 

 

Equation 19 

The estimated coefficients are both significant and it can be concluded that the coefficients c and 

d are statistically different from 0 and 1 at the 5% level. The results above are consistent with 

Herbert (1993) findings and demonstrate that the market is inefficient. The following section 

will now test which market is most sensitive to temperature volatility. 

5.2 WHICH MARKET IS MORE RESPONSIVE TO CHANGES IN TEMPERATURE? Many of the more public critics, such as your daily newspapers, often blame the low cost of 

trading in the futures markets for excess speculation, and thus market volatility. This may be 

the case, but in terms of the weather, recent literature, most notably Campbell and Diebold 

(2000), find that low temperatures have stronger effects on the volatility of spot price changes 

then on futures price changes, Henning et al (2003) also find that the volatility of prices in the 

futures market has the propensity to be much lower than the volatility in the spot market..  

 

The next section will focus on the relationship between temperature and price volatility. In 

particular it will test if conditional volatility shocks are more persistent in the futures than the 

spot market (Ates and Wang, 2007) or vice versa (Campbell and Diebold, 2000). Further 

analysis of the hypothesis that volatility is higher in the winter and lower in the summer (Ates 

and Wang, 2007) and thus prices are higher in the winter than the summer (Campbell and 

Diebold, 2000, Brown and Yucel, 2008 and Suenaga et al, 2006) will also be considered. 

5.3 DATA AND METHODOLOGY The terms conditional variance and volatility will be used interchangeably, and price volatility is 

defined as the returns on daily price movements. Both the spot and futures data display signs of 

32  

excess skewness and kurtosis, as prices are bounded by zero on the downside but are limitless 

on the upside, the distribution of price data is often skewed. In order to create a more normal 

data distribution the continuously compounded log return will be used to measure intra‐day 

volatility, shown in Equation 20, this methodology is generally favoured across the literature. 

 

Equation 20 

Non‐trading days are excluded from the analysis, these include weekends and holiday periods 

such as the Christmas and Easter periods. A weather surprise variable (WSV) will be created 

similar to that generated by Mu (2004) and Ates and Wang (2007). Equation 21 defines the 

criteria that is used to establish the thresholds of what constitutes a ’weather surprise’. 

 

Equation 21  

Where CHVt denotes the sum of Heating Degree Days at all locations at time t and HDD.AV is an 

integer which represents an approximate average HDD figure across all locations from 1970 to 

June 2010. The reason why data as far back as 1970 is used to estimate the ‘shock’ factor is 

because this period includes many shocks and is a much more efficient predictor of future 

weather patterns, more effective than using the last two years of temperature data for example. 

 

Historically Bristol has the lowest HDD’s at 7.17, Sunderland the highest of 9.77, to keep the 

Weather Surprise Variable estimations simple HDD.AV will take the value of ‘8’ in future 

analysis. As a fixed integer has been selected it is easier to see that the more the temperature 

deviates from normal, the greater is the weather surprise. A ‘WSV Dummy variable’ will also be 

created, the variable takes a value of 1 if the WSV at time t is greater than zero, i.e. there is a 

‘cold weather surprise’ and a value of 0 is taken if the WSV at time t is zero, i.e. there is no 

weather surprise, see Equation 22. As HDD’s cannot be negative, the downside of the ‘weather 

surprise’ is limited to zero. 

 

Equation 22 

33  

Firstly, each price series is tested for the presence of a unit root using the Augmented Dickey‐

Fuller (ADF) test. It is important to check for stationarity as, if energy consumption is stationary 

shocks will be transitory whereas if energy consumption is non‐stationary (i.e. contains a unit 

root), shocks will be permanent. This is important when predicting future forecasts as if energy 

consumption is stationary, then the past behaviour of energy consumption serves a role in the 

generation of forecasts. On the other hand, if energy consumption is non‐ stationary, then the 

past behaviour of energy consumption serves little or no use in forecasting (Apergis et al, 2010).  

 

In part three of this paper tests of stationarity were conducted on HDD’s and Demand data, a 

similar ADF test for unit root will be conducted below. In this section an ARIMA model will be 

estimated to determine the optimal number of lags required to test for stationarity (Said and 

Dickey, 1984, used a similar approach). In all instances, the null hypothesis of non‐stationarity 

is tested. Table 7 shows that in all three time series the null is rejected, all are found to be 

stationary, which is consistent with results in the US markets (Brown and Yucel, 2008). 

Variable  Number of Lags   Test Statistic  Reject the Null? 

Spot Returns  7  ‐15.047  Yes 

Future Returns  3  ‐17.492  Yes 

WSV  9  ‐4.332  Yes 

Table 7 – ADF, Jan 2006 – May 2010. 

Graphical analysis was also conducted, correlogram and partial correlograms were estimated to 

check for evidence of autocorrelation. Mu (2004) provides an autocorrelation function (ACF) 

table with coefficient estimates of 10 lags, Gujarati (2003) states that a rule of thumb is to 

compute Autocorrelation Functions (ACF) up to one‐third to one‐quarter the length of the time 

series. As the time series in this study are so large the portmanteau test for white noise, which 

tests whether the selected group of autocorrelations are different from zero will be favoured. 

Table 8 reports the Portmanteau test statistics, both Spot return and the WSV are found to be 

significant, but Futures prices display random walk characteristics. That is, futures price returns 

today are not correlated with returns from previous periods. As the main aim of this paper is to 

ultimately provide a future prognosis for these markets futures price returns will be excluded 

from further analysis based on the results displayed in table 8. 

Number of 

Lags Spot  Prob > Chi2  Futures  Prob > Chi2  WSV  Prob > Chi2 

Q(2)  16.02  0.0003  1.55  0.4617  1536  0.0000 

Q(20)  54.76  0.0000  15.17  0.7615  8142  0.0000 

Q(150)  224.25  0.0001  170.88  0.1167  20763  0.0000 

34  

Q(300)  343.60  0.0042  338.36  0.0629  36829  0.0000 

Table 8 – Portmanteau test for White Noise, Jan 2006 – May 2010. 

5.3 ARMA  MODEL SPECIFICATION AND RESULTS Before using any statistical modelling, a measure of volatility must first be defined. Equations 23 

explain the basic steps in defining spot price volatility in this paper 

 

Equation 23 

Where dY*t is the relative change in spot returns and Xt is the mean‐adjusted relative change in spot 

returns. X2t will be used as a measure of volatility. Autocorrelation and Partial Autocorrelation 

graphs were first constructed, there was strong evidence of both in the Spot Price volatility variable 

Xt. A correlogram was then examined to identify the nature of the time series process(es).   

 

An ARMA model allows Yt to be explained by the past, or lagged, values of Y itself and stochastic 

error terms. An ARMA (1,0) model was first constructed and is shown in Equation 24. 

 

Equation 24 

This model was estimated and the coefficients were found to be significant. To determine the 

optimal lag length of this model the Alkaike Information Criterion (AIC) will be implemented, which is 

used to find the model that helps best fit the data with the minimum