Aprendizado de máquina sensível a preços para lances virtuais de energia

Resumo

O artigo apresenta uma abordagem de otimização de carteira com restrições de risco para lances virtuais nos mercados atacadistas de eletricidade dos EUA. Ele prevê os spreads de preços marginais locacionais entre horas com uma rede neural recorrente, usando dependências criadas pela compensação do mercado. Uma árvore de gradient boosting com restrições modela como esses spreads respondem aos lances virtuais líquidos, permitindo que a estratégia considere o efeito que suas próprias posições podem ter sobre os preços.

A análise empírica em PJM, ISO-NE e CAISO conclui que carteiras que modelam explicitamente a sensibilidade aos preços superam as que a ignoram. O artigo também relata índices de Sharpe superiores aos do S&P 500 nos três mercados e identifica menor eficiência no sistema de liquidação em duas etapas de CAISO do que em PJM e ISO-NE. Esses resultados relacionam o desenho da estratégia à avaliação da eficiência do mercado. O resumo fornecido não informa as datas da amostra, as premissas sobre custos de transação, os detalhes das restrições de risco nem a validação fora da amostra, portanto não é suficiente para avaliar se o desempenho relatado persistiria no trading ao vivo.

Ideias principais

• Os lances virtuais são formulados como otimização de carteira com restrições de risco para uma empresa de trading proprietária.
• Uma rede neural recorrente prevê os spreads de preços marginais locacionais entre horas.
• Um modelo de gradient boosting com restrições estima como os lances virtuais líquidos afetam os preços dos spreads.
• Modelar explicitamente a sensibilidade aos preços melhora o desempenho relatado das carteiras em PJM, ISO-NE e CAISO.
• A análise relata menor eficiência da liquidação em duas etapas em CAISO do que em PJM e ISO-NE.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.