Pronósticos de precios eléctricos intradía | Stratmill

Resumen

El artículo presenta una red neuronal generativa para elaborar pronósticos probabilísticos de los precios intradía de la electricidad en el mercado alemán de negociación continua. En lugar de producir una sola estimación puntual, el método genera posibles trayectorias de precios y las utiliza para orientar la colocación de órdenes de venta en el mercado, en un escenario de trading con volumen fijo.

Los autores afirman que, según métricas estadísticas, el modelo ofrece resultados competitivos frente a dos referencias de pronóstico estadístico. En su evaluación económica, las estrategias basadas en las trayectorias generadas registran mayores ganancias que las estrategias basadas en las referencias. El fragmento no especifica la arquitectura del modelo, las reglas precisas de las órdenes, el periodo de evaluación, el tratamiento de los costes de transacción ni la magnitud de las ganancias. Los resultados se limitan al mercado intradía alemán y al escenario descrito, así que no demuestran que el enfoque se generalice a otros mercados o condiciones de trading.

Ideas clave

• El modelo de pronóstico genera trayectorias probabilísticas para los precios intradía de la electricidad.
• Las trayectorias generadas se utilizan para orientar órdenes de venta en un escenario de trading con volumen fijo.
• El rendimiento estadístico se compara con dos métodos de pronóstico de referencia.
• Las ganancias de trading reportadas en la evaluación favorecen al modelo generativo, pero el fragmento omite detalles necesarios para evaluar los costes y la generalización.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.