Preissensitives Machine Learning für virtuelle Stromgebote

Zusammenfassung

Die Arbeit stellt einen risikobeschränkten Ansatz zur Portfoliooptimierung für virtuelle Gebote an US-Großhandelsstrommärkten vor. Sie prognostiziert stundenübergreifende Spreads der lokalen Grenzpreise mit einem rekurrenten neuronalen Netz und nutzt dabei Abhängigkeiten, die durch die Markträumung entstehen. Ein beschränkter Gradient-Boosting-Baum modelliert, wie diese Spreads auf die Netto-Gebote reagieren. So kann die Strategie berücksichtigen, wie ihre eigenen Positionen die Preise beeinflussen könnten.

Empirische Analysen für PJM, ISO-NE und CAISO zeigen, dass Portfolios mit expliziter Modellierung der Preissensitivität besser abschneiden als Portfolios ohne diese Modellierung. Die Arbeit berichtet außerdem für alle drei Märkte höhere Sharpe-Ratios als für den S&P 500 und eine geringere Effizienz im Zwei-Abrechnungs-System von CAISO als in PJM und ISO-NE. Diese Ergebnisse verknüpfen Strategieentwicklung mit der Bewertung der Markteffizienz. Die bereitgestellte Zusammenfassung nennt weder Stichprobendaten noch Transaktionskostenannahmen, Details der Risikobeschränkung oder eine Out-of-Sample-Validierung. Daher reicht sie nicht aus, um zu beurteilen, ob die berichtete Performance im Live-Handel anhalten würde.

Kernaussagen

• Virtuelle Gebote werden als risikobeschränkte Portfoliooptimierung für eine Eigenhandelsfirma dargestellt.
• Ein rekurrentes neuronales Netz prognostiziert stundenübergreifende Spreads der lokalen Grenzpreise.
• Ein beschränktes Gradient-Boosting-Modell schätzt, wie sich Netto-Gebote auf Spread-Preise auswirken.
• Die explizite Modellierung der Preissensitivität verbessert die berichtete Portfolio-Performance in PJM, ISO-NE und CAISO.
• Die Analyse berichtet eine geringere Effizienz des Zwei-Abrechnungs-Systems in CAISO als in PJM und ISO-NE.

Schlagwörter

# 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.

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.