یادگیری ماشین حساس به قیمت برای پیشنهاد مجازی برق

خلاصه

این مقاله رویکردی برای بهینه‌سازی سبد با محدودیت ریسک در پیشنهاد مجازی در بازارهای عمده‌فروشی برق ایالات متحده ارائه می‌کند. این رویکرد با شبکه عصبی بازگشتی، اسپرد قیمت نهایی مکانی بین ساعت‌ها را پیش‌بینی می‌کند و از وابستگی‌های ناشی از تسویه بازار بهره می‌گیرد. درخت تقویت گرادیان مقید، نحوه واکنش این اسپردها به خالص پیشنهادهای مجازی را مدل‌سازی می‌کند و به راهبرد امکان می‌دهد اثر احتمالی موقعیت‌های خودش بر قیمت‌ها را در نظر بگیرد.

تحلیل تجربی در PJM، ISO-NE و CAISO نشان می‌دهد که سبدهایی که حساسیت قیمت را صریحاً مدل می‌کنند، از سبدهایی که آن را نادیده می‌گیرند عملکرد بهتری دارند. مقاله همچنین گزارش می‌کند نسبت‌های شارپ هر سه بازار از شاخص S&P 500 بالاتر است و کارایی سامانه تسویه دوگانه در CAISO را کمتر از PJM و ISO-NE می‌یابد. این نتایج طراحی راهبرد را به ارزیابی کارایی بازار پیوند می‌دهند. خلاصه ارائه‌شده تاریخ‌های نمونه، فرض‌های هزینه تراکنش، جزئیات محدودیت ریسک یا اعتبارسنجی خارج از نمونه را ذکر نمی‌کند؛ بنابراین برای داوری درباره تداوم عملکرد گزارش‌شده در معامله واقعی کافی نیست.

ایده‌های کلیدی

• پیشنهاد مجازی به‌صورت بهینه‌سازی سبد با محدودیت ریسک برای یک شرکت معاملاتی اختصاصی مطرح شده است.
• شبکه عصبی بازگشتی اسپرد قیمت نهایی مکانی را بین ساعت‌ها پیش‌بینی می‌کند.
• مدل تقویت گرادیان مقید، اثر خالص پیشنهادهای مجازی بر قیمت اسپرد را برآورد می‌کند.
• مدل‌سازی صریح حساسیت قیمت، عملکرد گزارش‌شده سبد را در PJM، ISO-NE و CAISO بهبود می‌دهد.
• تحلیل، کارایی کمتر تسویه دوگانه را در CAISO نسبت به PJM و ISO-NE گزارش می‌کند.

برچسب‌ها

# 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.

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.