利用期货进行中短期日前电价预测

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：
《Short- to Mid-term Day-Ahead Electricity Price Forecasting Using Futures》
---
作者：
Rick Steinert, Florian Ziel
---
最新提交年份：
2018
---
英文摘要：
  Due to the liberalization of markets, the change in the energy mix and the surrounding energy laws, electricity research is a dynamically altering field with steadily changing challenges. One challenge especially for investment decisions is to provide reliable short to mid-term forecasts despite high variation in the time series of electricity prices. This paper tackles this issue in a promising and novel approach. By combining the precision of econometric autoregressive models in the short-run with the expectations of market participants reflected in future prices for the short- and mid-run we show that the forecasting performance can be vastly increased while maintaining hourly precision. We investigate the day-ahead electricity price of the EPEX Spot for Germany and Austria and setup a model which incorporates the Phelix future of the EEX for Germany and Austria. The model can be considered as an AR24-X model with one distinct model for each hour of the day. We are able to show that future data contains relevant price information for future time periods of the day-ahead electricity price. We show that relying only on deterministic external regressors can provide stability for forecast horizons of multiple weeks. By implementing a fast and efficient lasso estimation approach we demonstrate that our model can outperform several other models in the literature.
---
中文摘要：
由于市场的自由化、能源结构的变化和周围的能源法，电力研究是一个动态变化的领域，面临着不断变化的挑战。特别是投资决策面临的一个挑战是，尽管电价的时间序列变化很大，但要提供可靠的中短期预测。本文以一种有前途的新方法来解决这个问题。通过将计量经济学自回归模型在短期内的精度与市场参与者在短期和中期未来价格中反映的期望相结合，我们表明，在保持每小时精度的同时，预测性能可以大大提高。我们调查了德国和奥地利EPEX现货的日前电价，并建立了一个模型，该模型结合了德国和奥地利EEX的Phelix未来。该模型可视为AR24-X模型，每天每小时有一个不同的模型。我们能够表明，未来数据包含日前电价未来时间段的相关价格信息。我们表明，仅依赖确定性外部回归可以为数周的预测期提供稳定性。通过实现一种快速有效的套索估计方法，我们证明了我们的模型可以优于文献中的其他几种模型。
---
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：
--> Short-_to_Mid-term_Day-Ahead_Electricity_Price_Forecasting_Using_Futures.pdf (804.09 KB)

2022-6-14 00:23:52 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：中短期 Applications Participants Expectations Implementing

由于市场的自由化，短期至中期日前电价预测使用未来里克·施泰纳·特鲁帕大学（Viadrina，Fakult），福斯特·维斯特森查滕，格罗·夏尔恩斯特拉（Grosse Scharrnstra）59，15230 Frankfurt（Oder），GermanyFlorian ZielUniversit（Duisburg Essen，Fakult），福斯特·维斯特森查滕，Berliner Platz 6-8，45127 Essenabstract，随着能源结构和周围能源法规的变化，电力研究是一个动态变化的领域，面临着不断变化的挑战。投资决策面临的一个挑战是，尽管电价的时间序列变化很大，但要提供可靠的中短期预测。本文以一种有前途的新方法来解决这个问题。通过将计量经济学自回归模型在短期内的精度与市场参与者在短期和中期未来价格中反映的期望相结合，我们表明，在保持每小时精度的同时，可以大幅提高预测性能。我们研究了德国和奥地利EPEX现货的日前电价，并建立了一个模型，该模型结合了德国和奥地利EEX的螺旋未来。该模型可视为AR24-X模型，每天每小时有一个不同的模型。我们能够表明，未来数据包含日前电价未来时间段的相关价格信息。我们表明，仅依赖确定性外部回归可以为数周的预测期提供稳定性。通过实施快速有效的套索估计方法，我们证明了我们的模型可以优于文献中的其他几个模型。关键词：电价、中期、未来数据、预测、AR、Lasso1。

引言在过去的几十年中，建模和预测电价已经成为经济研究的一个重要和广泛的部分。电价的特殊性，也被称为程式化事实，以及由于新法律迅速变化的市场条件，尤其是在欧洲和德国，促进了这一发展。此外，在过去几年中，无论是通过法律还是通过协商协议，数据的透明度都有了极大的提高。例如，电力消耗、生产、价格甚至计划容量的数据都可以通过ENTSO-e或exchangesthemselves等不同来源下载。电力交易所还通过推出新的电力相关产品（如新的大宗产品、衍生品）或完整的新现货拍卖（如EXAAGreenPower拍卖），扩大了其产品组合。尽管这些变化将为知情的决策者提供更有效的选择，但也增加了决策过程的复杂性。计量经济学是一种试图结合不断变化的市场条件的研究方法，它通常构建模型，旨在捕捉电价时间序列的基本行为，并在事后提供预测。这些预测可以帮助市场参与者做出投资决策等决策。此外，预测的差异取决于其预测范围。只提前几天进行预测可以帮助电力公司调整生产计划。例如，如果抽水蓄能水电站的所有者掌握了未来极低价格的信息，他们可以通过现在释放水库，然后在电价较低时重新注水，轻松安排发电。

中期或长期预测可以帮助市场参与者确定长期投资机会，例如，当考虑建设新风电场的决策时，电子邮件地址：steinert@europa-大学。弗洛里安·德（里克·施泰纳特）。Ziel@uni-到期日。de（Florian Ziel）预印本于2018年2月1日提交给Elsevier简介2他们需要获得有关其产品未来现金流的可靠信息。这一点在德国尤为重要，因为可再生能源生产商获得的市场溢价是根据§23a EEG（“Erneuerbare Energien Gesetz”）的附件1，通过使用EPEX SE的平均每月现货价格计算的。计量经济学模型通常使用日前电价的跨期相关性结构，并将其与外部基本面或程式化事实相关回归器相结合，以提供良好的预测，例如，Weron（2014）对不同模型的广泛回顾。然而，这些模型在进行中期甚至长期的地平线预测时通常会遇到困难。原因主要是，每一个不确定的回归因素，如电力负荷、风能和太阳能发电量、水库水位或燃料价格，都必须进行预测。这意味着预测者不仅要为电价建立一个好的模型，还要为回归者建立一个好的模型，尽管这两个时间序列可能来自非常不同的研究学科。此外，由于其自回归结构，其中一个序列预测中的每个错误都会对任何连续的预测时间点产生影响，这取决于时间序列本身的跨期相关性的大小，尤其是残差。因此，一些作者试图使用已经预测的回归系数或仅使用外部回归系数的对数（例如Bunn等人。

（2016）或Hagfors等人（2016））。这反过来又会导致一种情况，即预测范围仅限于使用的外部回归器的最小滞后。当涉及日前电价时，这意味着由于通常的小时分辨率，预测（例如四周）将导致4×7×24=672个时间点，必须进行预测。简单回归模型也会快速收敛到其平均值，这使得它们无法预测格朗格预测期（Keles等人，2012）。因此，我们希望建立一个模型，该模型能够通过使用回归器生成长达四周的可靠中短期预测，这提供了一个更好的长期确定性结构，这意味着我们不必尽可能长时间地预测它们。为此，我们决定使用德国和奥地利的EPEX日前电力现货价格，并将其与EEXPhelix期货结合，后者基于不同时间段的平均EPEX现货价格进行现金结算。由于文献对短期、中期和长期的区别并不一致，我们决定将我们使用的预测期宣布为短期至中期。我们的预测范围包括1至28天。在接下来的段落中，每当我们根据他们的预测范围列出一篇论文时，我们都会遵循他们自己对这个术语的定义。关于中长期电价预测的文献非常缺乏（Yan和Chowdhury，2013）。这对于计量经济学建模尤其如此。例如，Maciejowska和Weron（2016）利用自回归建模方法预测英国45天的电价。作者比较了AR模型与小时精度模型和AR模型（仅使用日平均值）在预测精度方面的差异。

他们发现，在中期，没有小时分辨率的简单模型似乎优于保持复杂小时结构的更复杂模型，而在短期内，这种关系正好相反。此外，他们还发现，包括回归系数并不总是能带来更好的预测，例如，由于预测该时间序列存在问题，将COprices包括在内通常会降低准确性。在Ziel和Steinert（2017）的研究中，作者对EPEX日前电价的销售和购买曲线应用了计量经济学自回归方法。通过模拟研究，他们可以复制市场情况，并为电价以及所有其他相关组件提供中长期概率预测。在他们的研究中，他们使用了拍卖出价以及风能和太阳能等外部回归系数。通过评估覆盖概率，他们能够将其概率预测值与实际电价时间序列进行比较，并指出，考虑到长时间跨度，模型往往会产生有希望的结果。中长期预测的其他方法源自电价研究的其他领域，例如Yan和Chowdhury（2015）的启发式方法或Bello等人（20162017）的基本模型。然而，现货和未来产品之间的关系是金融和能源经济学的一个广泛研究领域。然而，期货的典型关系可以通过现货价格和期货价格的预期差异来描述，这在商品研究中是由于参与者需要获得存储特定资产的溢价（Weron和Zator，2014）。但由于电价不容易存储，这种关系往往更加复杂。

基本关系通常描述如下：（参见Benth et al.（2008））RPt，T=e[PT | It]- Ft，T，（1）式中，E[PT | It]是基于信息集Itattime T<T for T的交货期T的预期电价∈ T、 RPt，Tre展示了前面提到的风险溢价和Ft，T以电价为基础的T期数据和模型设置3的未来价格。通常交割期为T=[T，T]与T<T的间隔。然而，在实践中，期货通常以相应的到期日报价。例如，到期日为2的Phelix日基准期货指的是从产品交易后第2天的第一个小时开始的一天所有24小时的交付期。这就是所谓的Musiela参数化（Musiela，1993），正式描述了未来产品的价格，即未来产品的价格，以t为单位，相应的交付期从t+m开始。因此，m=min（t）的成熟时间m保持不变- t、 如果交货期是一个间隔t=[t，t]，那么我们有Ft，m=Ft，Twith m=t- t、 在建模部分，我们也考虑了Musiela参数化，例如Barndor Off-Nielsen等人（2014）、Carmona和Coulon（2014）或Benthand Paraschiv（2017）也进行了这样的研究。为了显示未来产品与预期价格的直接关系，有助于将方程（1）重新排列为E【PT | it】：E【PT | it】=RPt，T+Ft，T（2）可以看出，未来电价预期（例如通过计量经济学建模生成）与相应未来产品的价格之间存在直接的理论联系。假设风险溢价为0，我们可以通过查看未来产品轻松获得未来电价。

然而，几位作者发现了关于风险溢价的各种结果，通常表示存在负风险溢价或正风险溢价，通常由一组复杂的变量决定，参见Redl和Bunn（2013）或Aoude et al.（2016）。考虑到日前电价和期货的历史信息以及与风险溢价有关的其他相关信息，可以构建和预测小时电价远期曲线。这是根据Caldana等人（2017年）提供的德国和奥地利电力市场的真实数据完成的。尽管作者还必须预测电力现货价格，但他们研究的重点是获得每小时价格远期曲线的实际近似值。Paraschiv等人（2015年）利用估计的小时价格远期曲线模拟德国/奥地利市场的实际小时日前现货价格行为。他们还对两个不同的时间点进行预测研究，每个时间点有两个不同的预测范围。他们表明，当考虑到平均绝对百分比误差（MAPE）时，他们的组合模式转换方法比组合ARIMA基准的结果更好。由于他们的方法的性质以及他们与我们的预测水平相似的事实，我们将在后面详细比较我们的模型。然而，我们的模型将有所不同，因为我们只关注通过使用可观察的历史期货捕捉日前价格变动，而我们不一定需要完整的每小时价格远期曲线。然而，日前电价对未来产品的可能依赖性相当复杂，需要一种特定的建模方法。因此，我们将建立一个模型，该模型将使用在时间点t观察到的未来产品，通过计量经济学建模预测四周前的四天价格。

我们的模型不需要明确创建每小时电价远期曲线，而是将未来产品价格的影响直接建模到日前电价。再加上其他已知的回归器，如工作日或一年中的季节，我们确保我们的每个外部回归器在整个预测期间都是确定性的。这种方法可以捕获不同未来产品的信息，因此可以解决预测回归系数的叠加误差问题。从财务角度来看，这与简单地利用市场对期货的预期来改善我们的预测不谋而合。假设我们的信息集与活跃交易者的信息集不同，尤其糟糕，例如关于电厂的实际停运或维护，这是一种有希望改善预测的方法。因此，我们的论文结构如下。下一节将详细描述如何将两种截然不同的市场结构合并到一个模型中。我们将提出一个具有高效估计和累加器选择算法的模型，以获得较高的预测精度。在第3节中，我们将进行彻底的预测研究，以详细分析我们的发现。最后一部分将总结我们的研究结果，指出我们研究的不足以及对未来研究的建议。数据和模型设置图1显示了不同未来产品和日前电价的复杂性。我们选择了我们在本文中使用的未来产品，并绘制了其2016年7月29日的结算价格，对应于其交易的时间框架。例如，2016年7月29日是星期五，到期日为绿线的周末基准期货指的是周末所有时间的日前电价，例如2007年7月30日。和31.07。

期货基于日终价格，这意味着由于现货产品的市场结构，日前电价为30.07。实际上是可以观察到的。这种情况由两条不同的垂直数据线和模型设置线描述。根据可观察到的日前价格，交易者必须通过预测未来电价来确定不同未来时期的价格，这被描绘为灰色线。不难看出，交易的期货产品为29.07。包含了未来几天的大量信息，但由于未来的一周和一个月，也包含了一些关于未来四周的信息。