Prévision générative des prix de l’électricité intrajournaliers

Résumé

L’article présente un réseau neuronal génératif pour établir des prévisions probabilistes des prix de l’électricité sur le marché allemand en continu. Au lieu de produire une simple estimation ponctuelle, la méthode génère des trajectoires de prix possibles et s’en sert pour guider le placement d’ordres de vente dans un scénario de trading à volume fixe.

Les auteurs rapportent que le modèle rivalise avec deux méthodes statistiques de référence selon les mesures statistiques. Dans leur évaluation économique, les stratégies fondées sur les trajectoires générées produisent des gains plus importants que celles fondées sur les méthodes de référence. L’extrait ne précise ni l’architecture du modèle, ni les règles exactes de placement des ordres, la période d’évaluation, le traitement des coûts de transaction ou l’ampleur des gains. Les résultats concernent le marché allemand intrajournalier et le scénario décrit ; ils ne démontrent pas que l’approche se généralise à d’autres marchés ou conditions de trading.

Idées clés

• Le modèle de prévision génère des trajectoires probabilistes pour les prix de l’électricité intrajournaliers.
• Les trajectoires générées servent à guider les ordres de vente dans un scénario de trading à volume fixe.
• Les performances statistiques sont comparées à celles de deux méthodes de prévision de référence.
• Les gains de trading rapportés favorisent le modèle génératif, mais l’extrait omet des éléments nécessaires pour évaluer les coûts et la généralisation.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.