تعلم آلي حساس للأسعار للمزايدة الافتراضية على الكهرباء

الملخص

تعرض الورقة نهجًا لتحسين المحافظ الاستثمارية مع قيود على المخاطر للمزايدة الافتراضية في أسواق الكهرباء بالجملة في الولايات المتحدة. وتتنبأ بفروق الأسعار الهامشية المكانية بين الساعات باستخدام شبكة عصبية متكررة، مستفيدة من الترابطات الناشئة عن تصفية السوق. وتستخدم شجرة معززة بالتدرج ومقيدة لنمذجة استجابة تلك الفروق لصافي المزايدات الافتراضية، ما يتيح للاستراتيجية مراعاة أثر مراكزها في الأسعار.

يجد التحليل التجريبي عبر PJM وISO-NE وCAISO أن أداء المحافظ التي تصوغ حساسية الأسعار صراحةً يتفوق على المحافظ التي تتجاهلها. كما تفيد الورقة بأن نسب شارب في الأسواق الثلاثة جميعها أعلى من نسبة مؤشر S&P 500، وتجد كفاءة أقل في نظام التسويتين لدى CAISO مقارنةً بـPJM وISO-NE. وتربط هذه النتائج تصميم الاستراتيجية بتقييم كفاءة السوق. ولا يقدم الملخص تواريخ العينة أو افتراضات تكاليف المعاملات أو تفاصيل قيود المخاطر أو تحققًا خارج العينة، لذا لا يكفي للحكم على استمرار الأداء المبلغ عنه في التداول الفعلي.

الأفكار الرئيسية

• تُصاغ المزايدة الافتراضية بوصفها تحسينًا لمحفظة استثمارية مقيدًا بالمخاطر لشركة تداول لحسابها الخاص.
• تتنبأ شبكة عصبية متكررة بفروق الأسعار الهامشية المكانية بين الساعات.
• يقدّر نموذج معزز بالتدرج ومقيد أثر صافي المزايدات الافتراضية في أسعار الفروق.
• يحسن وضع نموذج صريح لحساسية الأسعار أداء المحافظ المبلغ عنه عبر PJM وISO-NE وCAISO.
• يفيد التحليل بكفاءة أقل لنظام التسويتين في CAISO مقارنةً بـPJM وISO-NE.

الوسوم

# Machine Learning-Driven Virtual Bidding with Electricity Market Efficiency Analysis


# Machine Learning-Driven Virtual Bidding with Electricity Market Efficiency Analysis









This paper develops a machine learning-driven portfolio optimization framework for virtual bidding in electricity markets considering both risk constraint and price sensitivity. The algorithmic trading strategy is developed from the perspective of a proprietary trading firm to maximize profit. A recurrent neural network-based Locational Marginal Price (LMP) spread forecast model is developed by leveraging the inter-hour dependencies of the market clearing algorithm. The LMP spread sensitivity with respect to net virtual bids is modeled as a monotonic function with the proposed constrained gradient boosting tree. We leverage the proposed algorithmic virtual bid trading strategy to evaluate both the profitability of the virtual bid portfolio and the efficiency of U.S. wholesale electricity markets. The comprehensive empirical analysis on PJM, ISO-NE, and CAISO indicates that the proposed virtual bid portfolio optimization strategy considering the price sensitivity explicitly outperforms the one that neglects the price sensitivity. The Sharpe ratio of virtual bid portfolios for all three electricity markets are much higher than that of the S&P 500 index. It was also shown that the efficiency of CAISO's two-settlement system is lower than that of PJM and ISO-NE.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.