Probabilistische Strompreisprognosen und die Bewertung von Batteriearbitrage

Zusammenfassung

Die Studie untersucht, ob bessere probabilistische Day-Ahead-Strompreisprognosen zu besseren Handelsergebnissen mit Batterien führen. Sie nennt zwei Einschränkungen quantilbasierter Handelsstrategien: Sie honorieren keine ehrlichen probabilistischen Prognosen und ignorieren die zeitliche Abhängigkeit der Strompreise. Als Alternative formuliert die Studie die Batterieoptimierung als stochastisches Programm mit vollständigen probabilistischen Prognosen. Anschließend betrachtet sie, wie die Entscheidungsqualität in risikoneutralen und risikoaversen Szenarien unter verschiedenen Unsicherheitsmodellen gemessen werden sollte.

Die Arbeit bietet eine theoretische Begründung und empirische Evidenz anhand einer Fallstudie zum deutschen Strommarkt. Sie warnt davor, Ergebnisse von Batteriehandelsstrategien zur Rangordnung von Prognosemodellen heranzuziehen, und erörtert den Zusammenhang zwischen statistischer Prognosegüte, Entscheidungsqualität und wirtschaftlicher Performance. Der Auszug enthält weder konkrete Zahlenwerte noch Einzelheiten zur Fallstudie. Daher lässt sich nicht ableiten, welches Prognosemodell oder welche Batteriestrategie am besten abschneidet. Im Mittelpunkt steht die Bewertungspraxis, keine unmittelbar einsetzbare Handelsregel.

Kernaussagen

• Quantilbasierte Batteriestrategien honorieren möglicherweise keine wahrheitsgetreuen probabilistischen Prognosen.
• Diese Strategien lassen außerdem die zeitliche Abhängigkeit der Strompreise außer Acht.
• Die Studie formuliert die Batterieoptimierung als stochastisches Programm mit vollständigen Prognoseverteilungen.
• Sie bewertet die Entscheidungsqualität in risikoneutralen und risikoaversen Szenarien sowie unter verschiedenen Unsicherheitsmodellen.
• Die Fallstudie zum deutschen Markt zeigt mögliche Fehler bei der Rangordnung von Prognosen anhand von Batteriehandelsergebnissen auf.

Schlagwörter

# 2604.19580


# Probabilistic Forecasting for Day-ahead Electricity Prices, Battery Trading Strategies and the Economic Evaluation of Predictive Accuracy









Electricity price forecasting supports decision-making in energy markets and asset operation. Probabilistic forecasts are increasingly adopted to explicitly quantify uncertainty, typically issued as quantile predictions or ensembles of the full predictive distribution. However, how improvements in statistical forecast quality translate into economic value remains unclear. Battery storage arbitrage in day-ahead markets is a popular application-based benchmark for this purpose. We analyze quantile-based trading strategies (QBTS) and identify two critical flaws: they do not incentivize honest probabilistic forecasting and they ignore the intertemporal dependence structure of electricity prices. We therefore frame battery optimization as a stochastic program based on fully probabilistic forecasts and examine decision quality measurement for risk-neutral and risk-averse settings under different uncertainty models. Our discussion touches both sides of the coin: How reliable is the economic evaluation of forecasting models though (simplified) application studies - and how do improvements in statistical forecast quality for stochastic programs relate to the decision-quality and economic performance? We provide theoretical justification and empirical evidence from a case study on the German electricity market. Our results highlight the pitfalls of ranking forecasting models through battery trading strategies. We conclude with implications for evaluation practice and directions for future research in application-based forecast assessment.

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.