پیش‌بینی قیمت برق روز آینده با نوسان‌پذیری تصادفی

خلاصه

این پژوهش با استفاده از مدل‌های نوسان‌پذیری تصادفی، پیش‌بینی‌های احتمالاتی برای قیمت‌های نقدی برق در روز آینده ارائه می‌کند. قیمت‌ها به‌صورت یک سری زمانی نامانا در نظر گرفته می‌شوند که واریانس آن در طول زمان تغییر می‌کند و نوسان‌پذیری آن با فرایندی تصادفی و نهفته در زمان گسسته نمایش داده می‌شود. پژوهش ابتدا یک مدل پایه نوسان‌پذیری تصادفی را بررسی می‌کند و سپس با افزودن چند متغیر توضیحی برون‌زا آن را گسترش می‌دهد.

شرح پژوهش گزارش می‌کند که برازش مدل غنی‌شده از مدل پایه بهتر است و پیش‌بینی‌های خارج از نمونه از کاربردپذیری و استحکام آن پشتیبانی می‌کنند. بازار، متغیرهای توضیحی، معیارهای ارزیابی پیش‌بینی یا میزان بهبود مشخص نشده‌اند؛ بنابراین شواهد را نمی‌توان بر اساس خلاصه ارائه‌شده به‌طور مستقل ارزیابی کرد. نویسندگان پیشنهاد می‌کنند که این مدل می‌تواند در طراحی مشتقات مالی برای پوشش ریسک معامله برق مؤثر باشد. این کاربرد پیشنهادی است و شرح، جزئیاتی درباره طراحی مشتقه، عملکرد پوشش ریسک یا قابلیت انتقال پیش‌بینی‌ها به دیگر بازارهای برق ارائه نمی‌کند.

ایده‌های کلیدی

• این پژوهش قیمت‌های نقدی برق در روز آینده را با مدل‌های احتمالاتی نوسان‌پذیری تصادفی پیش‌بینی می‌کند.
• مدل پایه، نوسان‌پذیری را به‌صورت فرایندی نهفته نمایش می‌دهد که در طول زمان تغییر می‌کند.
• در پژوهش گزارش‌شده، افزودن متغیرهای توضیحی برون‌زا مدلی با برازش بهتر از مدل پایه ایجاد می‌کند.
• گفته می‌شود پیش‌بینی‌های خارج از نمونه از کاربردپذیری و استحکام مدل غنی‌شده پشتیبانی می‌کنند.
• پیش‌بینی‌ها ممکن است از پوشش ریسک با مشتقات برق پشتیبانی کنند، هرچند نتایج پوشش ریسک ارائه نشده است.

برچسب‌ها

# Electricity Spot Prices Forecasting Using Stochastic Volatility Models


# Electricity Spot Prices Forecasting Using Stochastic Volatility Models









There are several approaches to modeling and forecasting time series as applied to prices of commodities and financial assets. One of the approaches is to model the price as a non-stationary time series process with heteroscedastic volatility (variance of price). The goal of the research is to generate probabilistic forecasts of day-ahead electricity prices in a spot marker employing stochastic volatility models. A typical stochastic volatility model - that treats the volatility as a latent stochastic process in discrete time - is explored first. Then the research focuses on enriching the baseline model by introducing several exogenous regressors. A better fitting model - as compared to the baseline model - is derived as a result of the research. Out-of-sample forecasts confirm the applicability and robustness of the enriched model. This model may be used in financial derivative instruments for hedging the risk associated with electricity trading. Keywords: Electricity spot prices forecasting, Stochastic volatility, Exogenous regressors, Autoregression, Bayesian inference, Stan

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.