使用销售和购买曲线进行电价预测：

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Electricity Price Forecasting using Sale and Purchase Curves: The
  X-Model》
---
作者：
Florian Ziel, Rick Steinert
---
最新提交年份：
2016
---
英文摘要：
  Our paper aims to model and forecast the electricity price by taking a completely new perspective on the data. It will be the first approach which is able to combine the insights of market structure models with extensive and modern econometric analysis. Instead of directly modeling the electricity price as it is usually done in time series or data mining approaches, we model and utilize its true source: the sale and purchase curves of the electricity exchange. We will refer to this new model as X-Model, as almost every deregulated electricity price is simply the result of the intersection of the electricity supply and demand curve at a certain auction. Therefore we show an approach to deal with a tremendous amount of auction data, using a subtle data processing technique as well as dimension reduction and lasso based estimation methods. We incorporate not only several known features, such as seasonal behavior or the impact of other processes like renewable energy, but also completely new elaborated stylized facts of the bidding structure. Our model is able to capture the non-linear behavior of the electricity price, which is especially useful for predicting huge price spikes. Using simulation methods we show how to derive prediction intervals for probabilistic forecasting. We describe and show the proposed methods for the day-ahead EPEX spot price of Germany and Austria.
---
中文摘要：
本文旨在从全新的角度对数据进行建模和预测。这将是第一种能够将市场结构模型的见解与广泛的现代计量经济分析相结合的方法。我们没有像通常在时间序列或数据挖掘方法中那样直接建模电价，而是建模并利用其真实来源：电力交易的销售和购买曲线。我们将把这个新模型称为X模型，因为几乎每一个解除管制的电价都只是某一次拍卖中电力供需曲线相交的结果。因此，我们展示了一种处理大量拍卖数据的方法，使用精细的数据处理技术以及降维和基于套索的估计方法。我们不仅结合了几个已知的特征，如季节性行为或可再生能源等其他过程的影响，而且还结合了投标结构的全新阐述的程式化事实。我们的模型能够捕捉电价的非线性行为，这对于预测巨大的电价峰值特别有用。利用模拟方法，我们展示了如何推导概率预测的预测区间。我们描述并展示了德国和奥地利日前EPEX现货价格的拟定方法。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--
一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> Electricity_Price_Forecasting_using_Sale_and_Purchase_Curves:_The_X-Model.pdf (3.38 MB)

2022-5-9 03:30:25 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Quantitative Econophysics Applications Electricity QUANTITATIV

使用销售和购买曲线预测电价：X模型Florian Ziel，Rick SteinertEuropa Universit–Viadrina，Grosse Scharrnstrasse 59，15230 Frankfurt，Germany Abstracts我们的论文旨在从全新的角度对数据进行建模和预测。这将是第一种能够将市场结构模型的见解与广泛的现代计量经济分析相结合的方法。我们没有像通常使用时间序列或数据挖掘方法那样直接建模电价，而是建模并利用其真实来源：电力交易的销售和购买曲线。我们将这种新模型称为X模型，因为几乎每一个解除管制的电价都只是某一拍卖中电力供需曲线相交的结果。因此，我们展示了一种处理大量拍卖数据的方法，使用微妙的数据处理技术以及降维和基于套索的估计方法。这不仅包括几个已知的特征，如季节性行为或可再生能源等其他过程的影响，还包括投标结构的全新阐述的程式化事实。我们的模型能够捕捉电价的非线性行为，这对于预测巨大的电价峰值特别有用。利用模拟方法，我们展示了如何推导概率预测的预测区间。我们描述并展示了德国和奥地利日前EPEX现货价格的建议方法。关键词：电价预测、供需曲线、价格峰值、拍卖数据、竞价行为、概率预测1。引言近几十年来，电价建模已成为一个复杂而广泛的研究领域。

由于市场自由化和数据披露的增加，人们对价格的结构和行为有了新的见解。研究人员指出，无论在哪里交易，电价都有其典型特征。这些被概括为电价的典型事实，见Weron（2006）。这些程式化的事实之一涉及价格模式与其均值的巨大偏差，即所谓的价格峰值。电价的这一特殊特征对研究、政治和公司都有巨大影响。许多电力公司，例如德国的电力公司，都有义务在交易所出售部分电力，这使得它们的收益容易出现大幅价格飙升，并给它们的风险管理部门带来了一项复杂的任务。此外，许多金融合同，如期货或期权，都取决于价格过程的方差，因此需要可靠的估计技术。此外，投资项目或可再生能源开发等政治项目的长期成本计算依赖于稳定可靠的电价计算方法，这可以解释电价飙升的可能性。因此，在过去的几十年里，出现了各种各样的电价估算模型。这些模型通常与财务文献中的知名模型有关，但电子邮件地址：ziel@europa-大学。德（弗洛里安·齐尔），steinert@europa-大学。2016年8月18日提交给爱思唯尔的de（Rick Steinert）预印本可能来自许多其他研究领域。例如，Weron（2014）将电力价格模型分为五个不同的组、多智能体、基本、简化形式、统计和计算智能模型。

除了多智能体和基本方法之外，所有模型都有一个共同点，即它们关注价格本身或相关时间序列，如可再生能源或电力需求。多智能体模型通常关注电力供应和需求，通过均衡、优化或模拟获得价格（Ventosa et al.（2005），Liuet et al.（2012）），但因此通常不会将电力竞价和区域交换请求的时间序列纳入其方法中。基本面方法涵盖各种模型，但主要强调市场的基本经济和物理关系（Weron，2014）。关于价格峰值，当考虑到价格峰值的显式或隐式合并时，可以确定不同模型方法之间的区别。在时间序列模型领域，过程方差的特殊异方差模型的使用是典型的（例如Bowden and Payne（2008），Liu and Shi（2013））。但标准的GARCH类型模型无法解释数据中的所有极端价格事件（Swider和Weber（2007））。因此，许多研究人员开发了可以解释严重价格波动的扩展模型。这些模型通常分为两大类。首先，存在区域切换模型，该模型引入了不同的制度，通常是基准制度和尖峰制度，价格出现尖峰的概率不同（参见Karakatsani和Bunn（2008年）、Janczura和Weron（2012年）、Eichler和Tuerk（2013年））。其次，还有一些差异模型，它们添加了跳跃成分，例如泊松过程，以允许价格飙升（参见，例如Weron（2008），Escribano等人（2011））。很少有方法只关注价格峰值本身，试图预测事件而不对整个价格时间序列建模，例如Christensen等人。

(2012).然而，所有这些建模价格飙升的方法都有一个共同点，即它们主要关注价格时间序列，而不是决定价格过程的基本机制。电价也可以被视为在交易所交易的部分电力供应和需求之间的交叉点。由此产生的销售和购买曲线，也称为买卖曲线或市场供应和市场需求曲线，包含确定市场价格所需的所有信息，但提供了其他市场容量的所有其他价格的进一步信息。这些信息对于估计极端价格事件的可能性尤其必要，因为价格的弹性（可以从买卖曲线的形状中获得）在很大程度上解释了价格变动。但是，尽管用于建模，尤其是预测拍卖数据的时间序列方法相对较新，尚未以可理解的方式应用于电价数据，但一些作者已经对供需曲线的结构进行了建模，即使很少有人利用真实的拍卖数据。这些模型大多属于基本模型领域，但也常被称为结构模型，因为它们试图捕捉市场结构。其中许多来源于衍生定价领域，并不专注于预测电价本身，因此避免了随之而来的不确定性。Barlow（2002）是电价研究领域的第一位作者之一，他根据电力市场的真实拍卖数据建立了一个模型。在他的论文中，他使用了非线性的Ornstein-Uhlenbeck过程来获得真实的潜在价格过程的真实图像，并且能够捕捉极端价格事件。

在Eydeland and Wolynice（2003）的书中，第7章介绍了将能源供应映射到电价的基本市场模型方法。他们通过构建所谓的竞价堆栈来利用市场结构，竞价堆栈指的是不同价格的市场化总能源供应，理论上应等同于调查拍卖市场的销售曲线。我们想指出的是，竞价协议栈不一定与能源供应相同，因为竞价协议栈还包括竞价行为等。关于这方面的更多信息，我们建议阅读Eydeland和Wolynice（2003），考虑到发电商的特定成本函数，他们能够确定竞价函数以及随后的系统电价。另一个有希望的方法出现在Buzoianu等人（2005）的工作文件中，他们对市场供求曲线进行了建模。他们假设一个线性需求函数和一个非线性供给函数来构建一个价格-数量模型，其中两条曲线的交点等于市场结算价格。为了接近市场曲线，他们使用了温度、天然气能源供应和天然气价格等外部因素。Boogert和Dupont（2008）使用市场结构方法，包括电力需求与可用容量之间的关系来预测电价和荷兰电力市场出现峰值的可能性。Howison和Coulon（2009年）以及Carmona等人（2013年）提出了另一种结构化方法，他们对销售和购买结构进行了分析，并通过合并竞价叠加模型整合了其中的一些方面。基本结构模型的扩展通常是通过引入特定于市场的决定因素来实现的，例如瓦格纳等人所做的太阳能和风能馈入。

（2014年）或Hendricks和Ehrhardt（2013年）的CO排放量。最近的一些方法试图利用不断增加的可用数据量，尤其是EPEX的每小时拍卖数据，从而对售电和购电的实际电量进行深入分析。由于这通常会产生大量的数据，从而导致复杂性，一些研究人员试图通过将它们合并成具有理想特性的新曲线来简化生成的市场曲线。例如，Eichler等人（2012年）在一个扩展的摘要中阐述了一个想法，即使用供应/需求曲线对德国/奥地利的EPEX价格进行建模。他们利用这些曲线，使用带有工作日影响的自回归时间序列模型，对按比例的供需分布进行建模。Coulon等人（2014年）试图通过从同一小时的市场供求曲线中构建一条“价格曲线”，来克服非弹性需求假设这一常见问题。结果曲线显示了许多众所周知的典型行为属性，例如工作日效应。然后，价格曲线与伪需求曲线相匹配，伪需求曲线又是一条垂直线，两者的相交会产生市场清算价格。Aneiroset al.（2013）对西班牙电力市场采用了一种相关方法。他们考虑了库伦等人（2014）定义的类似价格曲线的功能建模方法，但称之为“剩余需求曲线”。然而，在电价研究中，术语剩余需求曲线通常在市场和竞价行为的框架中更为常见（如Hortacsu和Puller（2008）、V\'azquezet等人（2014）或Portela等人（2016））。希尔德曼等人。

（2015）实证分析可再生能源对EPEX真实拍卖数据的影响，前提是它们没有得到政府补贴。例如，通过相应地操纵市场供应曲线，他们表明，当风力发电以其真正的边际成本进行市场营销时，负价格会完全减少。有关结构模型的更详细调查，请参见Carmona和Coulon（2014）。所有这些论文都有一个共同点，即它们至少展示了以下一种主要的缩图。他们没有纳入真实的拍卖数据（例如Boogert和Dupont（2008）），他们认为需求是非弹性的，因此只关注竞价组合（例如Eydeland Wolynice（2003）、Howison和Coulon（2009）、Carmona等（2013）），他们使用了跳过竞价之间重要关联结构的简化或调整（例如Buzoianuet等（2005），Coulon等人（2014年）），或未针对预测实际电价进行适当调整（例如Barlow（2002年））。除了电价研究外，Bowsher（2004）还提出了一种经济计量时间序列方法，该方法实际上涵盖了功能相关和时间相关拍卖数据的同期性质，他将功能信号加时间序列模型应用于FTSE100证券。我们的想法旨在填补在时间序列分析中进行的研究与在结构分析中进行的研究之间的差距，在时间序列分析中，市场结构通常被忽略，而在结构分析中，非弹性需求的假设可以适用于某些市场。相反，在德国和奥地利的电力市场中，很大一部分交易是在不同的能源公司之间在国家和国际基础上进行的，非弹性需求的假设是不现实的。数据的利用非常少，甚至不够彻底。

它尤其新颖，因为它充分利用了这两个方面的优势，它将深入了解市场参与者的竞价行为，同时在市场价格的概率预测中仍然保持较高的准确性。因此，我们将使用真实的数据生成过程，例如电价的销售和购买曲线，为极端价格变动提供更好的概率预测，同时仍采用自回归方法对电价的时间序列进行建模。我们将使用EPEX Spot（也称为Phelix）提供的德国和奥地利每小时日前电价拍卖数据。结果表明，合并销售和购买数据将产生预测极端价格事件可能性的预期结果。在我们的方法中，我们将能够估计电价的完整预测密度。我们的论文组织如下。下一节将重点介绍我们的想法，并将描述EPEX现货日前拍卖的数据和观察结果。我们将对我们的模型及其拍卖数据的具体设置进行详细描述。之后，我们展示了我们方法的实证结果。最后一节讨论了我们的发现，并将为可能的改进和未来的研究提供参考。在本文中，我们将使用短语“价格曲线”来描述销售和购买曲线。如果没有其他规定，每一价格将以欧元/兆瓦为单位，每一容量以兆瓦为单位。请注意，EPEX将市场结算量报告为以MWh为单位的能量。由于我们只考虑每小时的数据，所以我们用MW表示体积。2.价格形成过程和价格曲线结构交易所的电价是竞争性招标和报价的结果。因此，仅仅关注价格的时间序列就忽略了它们的真正来源。

如果真实的销售和购买曲线已知，那么价格可以完全由两条曲线的交点决定，而不考虑不同价格之间的时间依赖性。许多作者指出，价格是由外部因素驱动的，例如风能和太阳能或电力需求，参见Weron（2014）。然而，仔细观察基础价格过程，可以说，受这些因素影响的是电力交易所的买家和卖家，因此调整了他们的出价。其原因可能是，例如，这些市场参与者是电力公司，由于风速或温度的意外变化，或由于发电厂停运而导致生产不足，这些公司面临着严重的电力生产过剩。但这些市场参与者并不平等，他们可以是投资公司、电力生产商或输电服务运营商等。此外，并非所有的电力生产商都是平等的——它们有不同的生产组合，因此或多或少都有可能受到影响。g、 恶劣的天气条件。例如，风力发电水平的意外变化可能导致价格发生微小或巨大的变化，这取决于市场的均衡价格是否已经主要由风力发电商驱动。这种多样化的信息总结在电价的销售和购买曲线中。因此，特别是在估计重大价格变动时，有必要知道市场是否能够轻松地适应外部冲击，或者是否会出现巨大的价格飙升。因此，交叉口价格的敏感性可以通过分析原始价格曲线而不是仅将其结果作为价格时间序列来获得。为了进一步激发我们的想法，我们决定展示12的前一天价格。2015年4月，德国和奥地利的EPEX现货。