Generative Prognosen von Preisverläufen für den Intraday-Stromhandel

Zusammenfassung

Die Arbeit stellt ein generatives neuronales Netz vor, das probabilistische Prognosen für Strompreise im kontinuierlichen Intraday-Markt in Deutschland erstellt. Statt nur einen Punktschätzer zu liefern, generiert die Methode mögliche Preisverläufe und nutzt sie zur Platzierung von Verkaufsaufträgen in einem Handelsszenario mit festem Volumen.

Die Autoren berichten, dass das Modell bei statistischen Kennzahlen mit zwei statistischen Prognose-Benchmarks konkurrieren kann. In ihrer wirtschaftlichen Auswertung erzielen Strategien auf Basis der generierten Verläufe höhere Gewinnzuwächse als Strategien auf Basis der Benchmarks. Der Auszug nennt weder die Modellarchitektur, genaue Auftragsregeln und den Auswertungszeitraum noch den Umgang mit Transaktionskosten oder die Höhe der Gewinne. Die Ergebnisse gelten für den deutschen Intraday-Markt und das beschriebene Szenario. Sie weisen daher nicht nach, dass sich der Ansatz auf andere Märkte oder Handelsbedingungen übertragen lässt.

Kernaussagen

• Das Prognosemodell generiert probabilistische Preisverläufe für Strompreise im Intraday-Handel.
• Die generierten Verläufe dienen zur Steuerung von Verkaufsaufträgen in einem Handelsszenario mit festem Volumen.
• Die statistische Leistung wird mit zwei Prognose-Benchmarks verglichen.
• Die berichteten Handelsgewinne sprechen für das generative Modell; im Auszug fehlen jedoch Angaben, die eine Bewertung von Kosten und Übertragbarkeit ermöglichen.

Schlagwörter

# Probabilistic intraday electricity price forecasting using generative machine learning


# Probabilistic intraday electricity price forecasting using generative machine learning









The growing importance of intraday electricity trading in Europe calls for improved price forecasting and tailored decision-support tools. In this paper, we propose a novel generative neural network model to generate probabilistic path forecasts for intraday electricity prices and use them to construct effective trading strategies for Germany's continuous-time intraday market. Our method demonstrates competitive performance in terms of statistical evaluation metrics compared to two state-of-the-art statistical benchmark approaches. To further assess its economic value, we consider a realistic fixed-volume trading scenario and propose various strategies for placing market sell orders based on the path forecasts. Among the different trading strategies, the price paths generated by our generative model lead to higher profit gains than the benchmark methods. Our findings highlight the potential of generative machine learning tools in electricity price forecasting and underscore the importance of economic evaluation.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.