Машинное обучение с учётом влияния цен для виртуальных торгов электроэнергией

Сводка

В статье представлен метод оптимизации портфеля с ограничениями по риску для виртуальных торгов на оптовых рынках электроэнергии США. Он прогнозирует разницу предельных цен в разных часах с помощью рекуррентной нейронной сети, используя зависимости, возникающие при клиринге рынка. Модель градиентного бустинга с ограничениями оценивает, как эта разница меняется в ответ на чистые виртуальные заявки, позволяя стратегии учитывать влияние собственных позиций на цены.

Эмпирический анализ рынков PJM, ISO-NE и CAISO показывает, что портфели, явно учитывающие чувствительность цен, превосходят портфели, которые её игнорируют. В статье также сообщается, что коэффициенты Шарпа для всех трёх рынков выше, чем у S&P 500, а эффективность системы с двумя расчётами в CAISO ниже, чем в PJM и ISO-NE. Эти результаты связывают разработку стратегии с оценкой эффективности рынка. В представленном кратком изложении не указаны даты выборки, допущения о транзакционных издержках, подробности ограничений по риску или проверка вне выборки, поэтому по нему нельзя судить, сохранится ли заявленная результативность при торговле на реальном счёте.

Ключевые идеи

• Виртуальные торги рассматриваются как оптимизация портфеля с ограничениями по риску для проприетарной торговой фирмы.
• Рекуррентная нейронная сеть прогнозирует разницу предельных цен между часами.
• Модель градиентного бустинга с ограничениями оценивает влияние чистых виртуальных заявок на разницу цен.
• Согласно результатам, явный учёт чувствительности цен повышает результативность портфеля на рынках PJM, ISO-NE и CAISO.
• В анализе эффективность системы с двумя расчётами в CAISO ниже, чем в PJM и ISO-NE.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.