我们发现,与大量单变量和多变量基准相比,我们的方法对每小时前电价的预测具有竞争力,具有时变参数和重尾误差分布。参考banerjee O,加维勒,和D\'Aspremont A(2008),“通过稀疏最大似然估计对多元高斯或二进制数据的模型选择”,机器学习研究杂志9(三月),485-516.巴希尔A,卡瓦略厘米,哈恩公关,和琼斯MB(2019),“后处理后验子过精确度矩阵以产生稀疏图估计”,贝叶斯分析14(4),1075-1090.贝洛A,和Reneses J(2013),“使用协整技术在西班牙市场进行电价预测”,载于“第33届年度国际预测研讨会(ISF 2013)用大数据进行预测”。Bosco B,巴里西奥L,佩拉加蒂山,和Baldi F(2010),“欧洲电力价格的长期关系”,《应用计量经济学杂志》25,805-832.Bunea F,她Y,和Wegkamp MH(2012),高维矩阵简约估计的联合变量和秩选择〉,《统计年鉴》40(5),2359-2388.卡里罗A,克拉克特,和Marcellino M(2019),“具有随机波动性和非共轭先验的大型贝叶斯向量自回归”,《计量经济学杂志》212(1),137-154.卡特·C,和Kohn R(1994),“关于状态空间模型的吉布斯抽样”,Biometrika 81(3),541-553。Carvalho CM,吴波胜,和Scott JG(2010),稀疏信号的马蹄形估计器“Biometrika 97(2),465-480.查克拉博蒂A,巴塔查里亚,和Mallick BK(2020),Biometrika 107(1),《同时降秩和变量选择的贝叶斯稀疏多元回归》,205-221.陈建宗,和Jeliazkov I(2009),“状态空间模型中的e-cient仿真和集成似然估计”,国际数学建模和数值优化杂志1(12),101-120蔡CL,和齐阿普利亚斯(2018),“建模时变协整和协整秩的贝叶斯方法,”商业与经济统计杂志36(2),267-277.De Marcos RA,Reneses J和Bello A(2016),“用协整和VEC模型进行长期西班牙电力市场价格预测”,载于“概率方法应用于电力系统(PMAPS)国际会议”。De Vany A和Walls W(1999),“现货电价的协整分析:美国西部输电的洞察”,“能源经济学”21(5),435-448。Eisenstat E,Chan JC和Strachan RW(2016),“时间计算参数变量的随机模型特性搜索”,“计量经济学评论”35(8-10),1638-1665。Friedman J,Hastie T,H-Fling H,Tibshirani R,等人。
|