Aprendizaje automático sensible a precios para ofertas virtuales de electricidad

Resumen

El artículo presenta un enfoque de optimización de carteras con restricciones de riesgo para las ofertas virtuales en los mercados mayoristas de electricidad de EE. UU. Pronostica los diferenciales horarios de los precios marginales locales con una red neuronal recurrente, utilizando dependencias creadas por la liquidación del mercado. Un árbol de boosting de gradiente con restricciones modela cómo responden esos diferenciales a las ofertas virtuales netas, lo que permite a la estrategia tener en cuenta el posible efecto de sus propias posiciones sobre los precios.

El análisis empírico en PJM, ISO-NE y CAISO muestra que las carteras que modelan explícitamente la sensibilidad a los precios superan a las que la ignoran. El artículo también informa de ratios de Sharpe superiores al del S&P 500 en los tres mercados y encuentra menor eficiencia en el sistema de dos liquidaciones de CAISO que en PJM y ISO-NE. Estos resultados conectan el diseño de estrategias con la evaluación de la eficiencia del mercado. El resumen proporcionado no indica las fechas de la muestra, los supuestos sobre costes de transacción, los detalles de las restricciones de riesgo ni una validación fuera de muestra, por lo que no basta para juzgar si el rendimiento presentado se mantendría en el trading real.

Ideas clave

• Las ofertas virtuales se plantean como optimización de carteras con restricciones de riesgo para una firma de trading propietaria.
• Una red neuronal recurrente pronostica los diferenciales horarios de los precios marginales locales.
• Un modelo de boosting de gradiente con restricciones estima cómo afectan las ofertas virtuales netas a los precios diferenciales.
• Modelar explícitamente la sensibilidad a los precios mejora el rendimiento de cartera presentado en PJM, ISO-NE y CAISO.
• El análisis informa de una menor eficiencia del sistema de dos liquidaciones en CAISO que en PJM y ISO-NE.

Etiquetas

# 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.

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.