Apprentissage automatique sensible aux prix pour les enchères virtuelles d’électricité

Résumé

L’article présente une méthode d’optimisation de portefeuille sous contrainte de risque pour les enchères virtuelles sur les marchés de gros américains de l’électricité. Il prévoit les écarts entre les prix marginaux localisés d’une heure à l’autre à l’aide d’un réseau neuronal récurrent, en exploitant les dépendances créées par l’équilibrage du marché. Un modèle d’arbres de gradient boosting sous contraintes estime la réaction de ces écarts aux offres virtuelles nettes, ce qui permet à la stratégie de tenir compte de l’effet que ses propres positions peuvent avoir sur les prix.

L’analyse empirique portant sur PJM, ISO-NE et CAISO indique que les portefeuilles qui modélisent explicitement la sensibilité des prix surperforment ceux qui l’ignorent. L’article rapporte aussi des ratios de Sharpe supérieurs à celui du S&P 500 pour les trois marchés et constate une efficacité moindre dans le système à deux règlements de CAISO que dans ceux de PJM et ISO-NE. Ces résultats relient la conception de stratégie à l’évaluation de l’efficacité des marchés. Le résumé fourni ne donne ni dates d’échantillonnage, ni hypothèses de coûts de transaction, ni détails sur les contraintes de risque ou validation hors échantillon ; il ne suffit donc pas à déterminer si la performance rapportée se maintiendrait en trading réel.

Idées clés

• Les enchères virtuelles sont formulées comme une optimisation de portefeuille sous contrainte de risque pour une société de trading pour compte propre.
• Un réseau neuronal récurrent prévoit les écarts entre les prix marginaux localisés d’une heure à l’autre.
• Un modèle de gradient boosting sous contraintes estime l’effet des offres virtuelles nettes sur les prix des écarts.
• La modélisation explicite de la sensibilité des prix améliore la performance rapportée des portefeuilles sur PJM, ISO-NE et CAISO.
• L’analyse rapporte une efficacité moindre du système à deux règlements dans CAISO que dans PJM et ISO-NE.

Étiquettes

# 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.

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.