预测的价值：量化准确预测的经济收益

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：
《The value of forecasts: Quantifying the economic gains of accurate
  quarter-hourly electricity price forecasts》
---
作者：
Christopher Kath, Florian Ziel
---
最新提交年份：
2018
---
英文摘要：
  We propose a multivariate elastic net regression forecast model for German quarter-hourly electricity spot markets. While the literature is diverse on day-ahead prediction approaches, both the intraday continuous and intraday call-auction prices have not been studied intensively with a clear focus on predictive power. Besides electricity price forecasting, we check for the impact of early day-ahead (DA) EXAA prices on intraday forecasts. Another novelty of this paper is the complementary discussion of economic benefits. A precise estimation is worthless if it cannot be utilized. We elaborate possible trading decisions based upon our forecasting scheme and analyze their monetary effects. We find that even simple electricity trading strategies can lead to substantial economic impact if combined with a decent forecasting technique.
---
中文摘要：
我们提出了德国季度小时电力现货市场的多元弹性净回归预测模型。虽然有关日前预测方法的文献多种多样，但对日内连续和日内集合竞价都没有进行深入研究，并明确关注预测能力。除了电价预测外，我们还检查了提前一天（DA）EXAA价格对日内预测的影响。本文的另一个新颖之处是对经济效益的补充讨论。如果不能加以利用，那么精确的估计是毫无价值的。我们根据预测方案阐述可能的交易决策，并分析其货币效应。我们发现，如果结合适当的预测技术，即使是简单的电力交易策略也会带来巨大的经济影响。
---
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
--
一级分类：Economics        经济学
二级分类：Econometrics        计量经济学
分类描述：Econometric Theory, Micro-Econometrics, Macro-Econometrics, Empirical Content of Economic Relations discovered via New Methods, Methodological Aspects of the Application of Statistical Inference to Economic Data.
计量经济学理论，微观计量经济学，宏观计量经济学，通过新方法发现的经济关系的实证内容，统计推论应用于经济数据的方法论方面。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Portfolio Management        项目组合管理
分类描述：Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--
一级分类：Quantitative Finance        数量金融学
二级分类：Risk Management        风险管理
分类描述：Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--
一级分类：Statistics        统计学
二级分类：Applications        应用程序
分类描述：Biology, Education, Epidemiology, Engineering, Environmental Sciences, Medical, Physical Sciences, Quality Control, Social Sciences
生物学，教育学，流行病学，工程学，环境科学，医学，物理科学，质量控制，社会科学
--

---
PDF下载：
--> The_value_of_forecasts:_Quantifying_the_economic_gains_of_accurate_quarter-hourl.pdf (4.13 MB)

2022-6-11 04:24:25 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：准确预测 econometrics Quantitative Applications epidemiology

预测的价值：量化准确季度电价预测的经济收益Schristopher Katha，*，1，Florian ZielbaRWE Supply&Trading GmbH，Altenessenerstr。27，45141 EssenbUniversity of Duisburg-Essen，House of Energy Markets and Finance Abstracts我们提出了一个针对德国季度小时电力现货市场的多元弹性净回归预测模型。虽然有关日前预测方法的文献多种多样，但对日内连续和日内集合竞价都没有进行深入研究，并明确关注预测能力。除了电价预测外，我们还检查了提前一天（DA）EXAA价格对日内预测的影响。本文的另一个新颖之处是对经济效益的补充讨论。如果不能利用精确的估计，则毫无价值。我们根据我们的预测方案阐述可能的交易决策，并分析其货币效应。我们发现，如果结合适当的预测技术，即使是简单的电力交易策略也会带来实质性的经济影响。关键词：预测、投资组合分析、弹性净回归、马科维茨投资组合、季度每小时现货价格、电价预测1。简介德国是欧洲能源市场大规模可再生能源整合的杰出例子。在政治诱导下，可再生能源发电能力得到了扩大，其营销得到了补贴。这不仅影响了德国日前竞价堆栈，还导致交易所和市场参与者将重点放在季度小时（QH）考虑上，以优化其优化程序，因为每小时日前竞价后剩余体积不断增加。有关所述可再生能源影响的更多信息，感兴趣的读者请参阅Hirth（2013）；Paraschiv等人（2014年）；Ketterer（2014）；Würzburg等人。

(2013). 由于这一持续趋势，市场对其产品进行了调整，使德国市场具有另一个独特的特点。而荷兰或比利时等其他国家在本报告撰写时不提供任何QH产品贸易的可能性*相应的authorEmail地址：christopher。kath@rwe.com（克里斯托弗·卡萨，*，），弗洛里安。ziel@uni-到期日。de（Florian Zielb）下文所述的发现、解释和结论均为作者的发现、解释和结论，不一定反映RWE Supply&Trading GmbH的观点。本文中，德国有三家独立交易所，允许在提前一天进行交易，最多在实物交付前半小时进行交易。进入QH交易的机会始于2011年12月，最初的15分钟合约不连续的日内市场，因此在2014年9月和12月，通过四分之一小时的日前产品和EPEX日内看涨拍卖扩大了机会。Viehmann（2017）对德国现货市场进行了更深入的讨论。不幸的是，学术关注最近才集中在较低的时间间隔上。关于每季度德国现货市场的讨论很少。Kiesel和Paraschiv（2017）提供了一个良好的起点，他们讨论了季度每小时EPEX日内（ID）时间序列的计量经济学特征，并提供了分析模型方法。M"arkle Huss等人（2018年）评估引入15分钟合同的市场影响，并报告相关小时现货市场的价格下降。然而，目前的文献缺乏对QH价格预测的合理讨论。季度小时交易似乎至关重要，但目前还没有特定的预测模型。

本声明同样适用于2018年11月22日提交给能源经济学的QH拍卖以及预印本（可在《能源经济学》杂志上发表：2018年10月6日），作为连续日内交易。我们的目标是通过为这两个市场提供精确的价格估计来弥补这一差距。为了实现这一点，我们将考虑德国现货交易的最新输入因素以及预测技术的现状。在这种情况下，另一个不容忽视的方面是估算方案的经济影响。一方面，存在许多预测模型，至少对于小时日AHeadApplication（见Weron（2014）更广泛的讨论），另一方面，其中大多数将其范围限制在准确性评估上，但忽视了经济效益方面。即使是最准确的预测，如果在市场上或在不存在利用可能性的时间点进行，也没有实际价值。因此，我们的第二个贡献是通过对QH现货市场的精确预测来量化可实现的收益。本文的其余部分分为以下几个小节：第2节介绍了可用的德国QH现货市场并突出了其特点，然后第3节讨论了关联预测方法。这包括模型输入参数、必要的数据转换和总体估计算法。第4节阐述了我们实证研究中的预测表现以及我们价格预测的相关经济影响，随后在第5.2节中总结并简要展望了进一步扩张。四分之一小时交易及其在德国的相关性为市场参与者提供了多种可能的交易场所。其他国家通常会展示一个日内现货交易所和连续的日内交易平台。

这些拍卖也适用于四个德国网格区域，但除此之外，还有两个其他拍卖，如图1所示。现货交易最理想的开始时间是上午10:12在EXAA（奥地利能源交易所）进行最终投标。仅过了8分钟，EXAA就提前第一天发布了德国交货区的exchangetraded报价。尽管是澳大利亚交易所，EXAA的结果可以很容易地传递到德国市场领域。然而，我们必须承认，这种情况可能是暂时的，因为正在进行的谈判可能会分裂德奥投标区。截至2018年6月，当本文件定稿时，尚未实现市场分割。因此，德国出口商品交易所（Germanssult，EXAA）交易量的可能影响可能只会通过明确的旧跨境交易能力进行转移，或被交易所拍卖暗中考虑。只有EXAA iPost trading提供一项功能。该交易平台允许以已知价格进行第二轮竞价，以在买方或卖方市场上销售盈余。EXAA交易仅在非节假日工作日进行。所有周末或节假日价格均在节假日或周末前的最后一个工作日提前确定。因此，我们已经有一个QH指示，例如星期五的交货日期为星期天。下一次安联交易所交易量【TWh】2015 2016 2017年EPEX DA拍卖264 235 233EXAA DA拍卖8.2 8.0 5.4EPEX QH拍卖3.9 4.6 5.2EPEX QH ID 3.9 3.6 4.9表1：德国每小时和每季度现货交易所的年交易量。所有日内数据仅包含德国的数据，而当天的首日拍卖包括奥地利和卢森堡。据推测，最重要的交易机会是由德国EPEX dayahead（DA）拍卖提供的。上午12点42分左右进行的一轮竞标结果表明，日前市场的主要交易市场报价。

在撰写本文时，“EPEX提前一天”一词正确描述了德国提前一小时的交易所。尽管如此，其他交易所EXAAand Nord Pool Spot仍在将其业务扩展至德国日前市场。计划将价格与EPEX分开，以便三家独立交易所能够获得以下简称为“EPEX日前”的价格。我们坚持使用该符号，以与其他文献保持一致，因为这些更改是计划好的，但尚未实施。由于可再生能源供应量的增加以及平衡季度小时偏差的必要性，EPEX于2014年12月启动了第二次季度小时拍卖。严格按时间顺序来看，峰值出现在前一天，但它被称为日内看涨期权拍卖，因为对于电网运营商来说，前一天的市场窗口在下午14:30 d-1结束，如图1中的白线所示。虽然所有之前的市场都允许在封闭式拍卖中进行单轮竞价，以确定价格水平，但我们最后的交易机会，即EPEX日内市场，是一个连续的市场，可在交付前30分钟内进行交易。该交付周期于2015年7月更改，奥地利的分割不确定，以下内容被忽略。12： 00EPEX DA关闭- 115:00 16:00EPEX QHcloseContinuous QH盘中市场交易平衡能源交付交易至交割前30分钟10:12EXAA DA close10:20EXAA results EPEX DA results 12:42 15:15EPEX QHRESUMMED forecast time 14:30图1：现货交易时间表及其关联交易场所。所有提及的截止日期均假设在正常情况下，没有延迟结果、技术问题和在基础算法的第一次运行中确定的市场清算价格。

请注意，30分钟的日内提前期适用于跨电网交易，同一电网区域内的本地交易允许在交付前5分钟进行。45到30分钟。我们将考虑特定交付季度小时内所有交易的成交量加权平均价格（VWAP），因为连续交易活动很难量化。最后但并非最不重要的一点是，所有开放位置将由电网运营商在电网区域独立不平衡塔（reBAP）的能量平衡过程中解决。由于监管机构严格禁止有意进入失衡状态，该市场不是一个交易替代品，只是为了可比性而提及。表1暗示了不同交易所的相关性。数量分配表明每小时EPEX DA拍卖的巨大重要性。它的运行速度远远超过了QH交易场所。这种现象可以用它们的目的来解释。由于缺乏流动性，市场参与者更有可能在QH市场交易剩余头寸。大部分，即每小时需求和发电量将在日前交易中出价，因此QH流动性仅占DA流动性的2%。不幸的是，EXAA量是以聚合形式报告的，没有将其分为每小时或每季度的金额。因此，上述交易量仅允许对重要性进行粗略评估。低交易量表明，就德国现货交易而言，EPEX市场更为重要。当流动性受到限制时，这可能导致高波动性和价格飙升。为了检测这种情况，我们在图2中绘制了价格序列。QH拍卖和正在进行的QH盘中交易都可能高度波动，价格超过0欧元/兆瓦时或超过100欧元/兆瓦时。

虽然总体而言，两个时间序列似乎都遵循类似的趋势，但日内的等价物似乎有更多的峰值。然而，这种影响并不显著。总体情况反映了两个相似的报价。3、预测方法3.1。数据转换和输入参数价格图显示价格峰值和负价格的出现。这不是一个一般问题，但通常需要通过aprice spike分量对峰值进行显式建模、峰值稳健模型或转换以稳定时间序列的方差（Uniejewski et al.（2018））。我们决定采用后者，因为我们不想放弃后面讨论的模型的特征选择能力。一旦转换，就可以使用更广泛的算法集，而无需对价格峰值进行更多的关注。我们首先对数据进行变换，然后求逆，这样我们的模型输出仍然以真实的格式显示。转换主要通过提供更稳定的方差来支持算法，但不会改变任何关键信息。转换价格序列的常用方法是对数。虽然简单的对数变换适用于许多不同的情况，但我们的负值时间序列需要一种能够处理负值的变换方法。Westick to current literature findings to identification the best transformation for our needs Westick to current literature findings to identification the best transformation for our needs。在一项大型实证研究中，Uniejewskiet al.（2018）报告了我们在本文中使用的一种新提出的称为“mlog”的转换的RMSE相关性能。作者特别提出了尖峰敏感度量RMSE（均方根误差）的转换，这对于应用于高度波动的时间序列（如我们的日内时间序列）是有意义的。

mlog转换在所有市场都显示出稳定的结果，这就是为什么我们决定使用请参考第4.1节了解RMSE的数学公式。3.1数据转换和输入参数42016 2017 2018-50 0 50 150交付日期【2015年10月8日】-2018年5月31日]价格【欧元/兆瓦时】预测培训2016 2017 2018-50 0 50 150交付日期【2015年10月8日】-2018年5月31日]价格[欧元/兆瓦时]2015年10月8日-2016年10月6日-2016年10月6日-2018年5月31日样本外2015年10月8日-2016年10月6日-2016年10月6日-2018年5月31日样本外）EPEX QH电话拍卖B）EPEX ID连续QH VWAP2016 2018 2018-50 0 50 150交付日期【2015年10月8日】-2018年5月31日]价格【欧元/兆瓦时】预测培训2016 2017 2018-50 0 50 150交付日期【2015年10月8日】-2018年5月31日]价格【欧元/兆瓦时】2015年10月8日至2016年10月6日607.10至2018年5月31日，样本外b）EPEX ID continuous QH VWAPb）EPEX ID continuous QH VWAPP图2：EPEX同日QH拍卖和EPEX同日连续价格制度的价格图，分为培训和预测部分。蓝色部分标记了初始训练和参数化阶段，该阶段随后随着滚动估计的每次迭代而移动。红线表示我们的预测模型试图预测的样本外数据。它适用于我们的时间序列和市场。在实际处理之前，需要对数据进行规范化。因此，原始时间序列xqh，t调整为zqh，t=MAD（xqh，t- 中位数），其中MAD表示中位数绝对偏差（MAD）。Mad和中位数都是针对整个期间的xqh计算的。我们有意引入中性时间序列符号xqh，t转换过程不仅对价格执行，还对其他外部因素（如负荷或风）执行。一旦数据被规范化，其转换yqh由（摘自Uniejewski et al。

（2018）yqh，t=sgn（zqh，t）日志(zqh，t+c） +对数（c）, （1） 及其逆函数zqh，t=sgn（yqh，t）e | zqh，t|-日志（c）-c, （2） c=。Uniejewskiet al.（2018）也使用了该参数，并在多个市场取得了良好的结果。时间序列是每四分之一小时的时间序列，因此需要进行轻微的转换。夏令时会导致一个小时重复以及一个丢失的值。我们遵循Weron（2007）的方法，平均复制时间。如Buuren&Groothuis Oudshoorn（2011）所述，使用多重插补计算其省略的等效值，因此经验测试中的每天包括96个QH。我们还将此方法应用于时间序列中的所有其他间隙。除此之外，不再进行预处理。在我们的估计场景中，我们忽略了所有异常值的影响，并保持极值不变。我们的经验样本范围为2015年10月8日至2018年5月31日。表2中提供了有关如何获取不同数据系列的说明。单纯的自回归方法是不可取的，因为许多论文都指出了外部因素的影响。我们的目标是保持模型简单且易于复制，只考虑最常见的公开可用外部参数，如季度每小时ENTSO-E负荷预测（例如，在Kiesel&Paraschiv（2017）中使用）或EEX透明平台报告的风力发电（见Pape et al.（2016）；A"idet al.（2016年）；Garnier&Madlener（2015），适用于包含风馈入的模型）。这两个输入因素基本上是驱动的，可能具有斜坡效应。