使用Lasso预测电力现货价格：关于捕获

相似文件 换一批

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：
《Forecasting Electricity Spot Prices using Lasso: On Capturing the
  Autoregressive Intraday Structure》
---
作者：
Florian Ziel
---
最新提交年份：
2016
---
英文摘要：
  In this paper we present a regression based model for day-ahead electricity spot prices. We estimate the considered linear regression model by the lasso estimation method. The lasso approach allows for many possible parameters in the model, but also shrinks and sparsifies the parameters automatically to avoid overfitting. Thus, it is able to capture the autoregressive intraday dependency structure of the electricity price well. We discuss in detail the estimation results which provide insights to the intraday behavior of electricity prices. We perform an out-of-sample forecasting study for several European electricity markets. The results illustrate well that the efficient lasso based estimation technique can exhibit advantages from two popular model approaches.
---
中文摘要：
本文提出了一种基于回归的日前电力现货价格模型。我们用lasso估计方法估计所考虑的线性回归模型。套索方法允许模型中有许多可能的参数，但也会自动收缩和稀疏参数，以避免过度拟合。因此，它能够很好地捕捉电价的自回归日内依赖结构。我们详细讨论了估计结果，这些结果为电价的日内行为提供了见解。我们对几个欧洲电力市场进行了抽样预测研究。结果表明，有效的基于套索的估计技术可以显示出两种流行模型方法的优势。
---
分类信息：

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：
--> Forecasting_Electricity_Spot_Prices_using_Lasso:_On_Capturing_the_Autoregressive.pdf (1016.15 KB)

2022-5-23 11:55:08 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：LASSO 现货价格 Applications Quantitative Econophysics

利用Lasso预测电力现货价格：捕捉自回归日内结构Florian Ziel2016年1月26日摘要本文提出了一种基于回归的日前电力现货价格模型。我们用lasso估计方法估计所考虑的线性回归模型。套索方法允许模型中有许多可能的参数，但也会自动缩小和稀疏参数，以避免过度拟合。因此，它能够很好地捕捉电价的自回归日内依赖结构。我们详细讨论了估算结果，为电价的日内行为提供了见解。我们对几个欧洲电力市场进行了抽样预测研究。结果很好地表明，基于效率的估计技术可以显示出两种流行模型方法的优势。1简介和动机在日前电力现货价格预测中，存在大量不同结构的模型。Weron（2014）给出了分类的近期概览。大部分日前电力现货价格是按小时（或半小时）进行交易的。这导致了一个明显的事实，即如果我们忽视时钟变化问题，我们每天有24次（或48次）观测。随后，我们只考虑每小时交易价格，但对于半小时数据，调整后的事实也成立。所有的电价模型都严重依赖于每天24次观测的事实。这些模型可分为两类，与模型的设计无关，例如用于点预测或用于概率预测。属于第一类的建模方法构建了24个单独的模型，每天每小时一个模型。这些模型可以是标准的时间序列方法（例如Paraschiv等人。

（2014）、Nowotarski和Weron（2014）、Maciejowska和Weron（2015））或政权转换模型（如Karakatsani和Bunn（2008b））。通常，模型方法的动机是，在接下来的24小时内，每天都有一次拍卖（主要在上午或凌晨）。因此，我们同时观察24个交易价格。因此，用24个小模型对24维流程进行建模是一种显而易见的方法。第二类包含电力现货价格模型，该模型为完整观测数据提出了单一模型。此处将计算24小时前的预报。这种方法的动机是将价格过程视为一个随时间推移而演变的时间序列，作为电力负荷或可再生能源发电等相关过程。与第一类模型一样，它可以是各种模型类型，如基于时间序列的方法（如Haldrup et al.（2010）、Cruz et al.（2011）、Keleset et al.（2012）、Paraschiv et al.（2015）或Ziel et al.（2015a））或机器学习模型（如Conejo et al.（2005）、Singhal and Swarup（2011）或Cha^abane（2014））。从应用的角度来看，这两种模型方法都是有效的，因为它们可以在特定情况下具有良好的预测性能。然而，第一种方法似乎更合理，因为它更直接地匹配数据生成过程。然而，在每小时24个模型的第一节课中，我们通常观察较少，因此有24个简单且参数化程度较低的模型（参见Weron和Misiorek（2008）或Maciejowska等人（2015））。更重要的是，大多数方法在24小时内都假设相同的模型结构。模型结构是这样假设的，即i小时的价格取决于前一天i小时的价格，而不是不同的j小时的价格。许多模型不允许这种依赖性来简化模型结构，即使存在很强的依赖性。

在这方面，第二类车型可能具有优势。当他们使用更多的观测值进行估计时，如果模型设计允许的话，结果模型往往会有更多的相关参数，从理论上可以捕捉相关性。有趣的是，绝大多数机器学习模型（尤其是人工神经网络）属于第二类模型，用于估计一个大模型，参见Conejo等人（2005）、Singhal和Swarup（2011）、Cataloo等人（2011）、Sha fie-Khah等人（2011）、Hu和Taylor（2014）或Abediniaat等人（2015））。与基于时间序列的方法相比，这些估计技术似乎更依赖于具有大量观测的事实。为了更好地激发和理解这种依赖性问题，我们引入了Pd，在d天和h小时有电价。在整个论文中，我们忽略了时钟变化问题，并插入了3月缺失的凌晨2点，平均10月凌晨2点的两倍，以便每天有24个可观察的价格。现在，我们更仔细地了解了价格Pd、工作日d和小时h与价格Pd之间的线性依赖结构-1、前一天的lat d- 1和1小时。