انٹرا ڈے بجلی ٹریڈنگ کے لیے قیمت کے راستوں کی پیش گوئی

خلاصہ

یہ مقالہ جرمنی کی مسلسل وقتی مارکیٹ میں انٹرا ڈے بجلی کی قیمتوں کے احتمالی اندازے کے لیے ایک جنریٹو نیورل نیٹ ورک پیش کرتا ہے۔ صرف ایک نقطہ تخمینہ دینے کے بجائے، یہ طریقہ قیمت کے ممکنہ راستے بناتا ہے اور انہیں مقررہ حجم کی ٹریڈنگ میں مارکیٹ کے فروخت آرڈر لگانے کے لیے استعمال کرتا ہے۔

مصنفین رپورٹ کرتے ہیں کہ شماریاتی پیمانوں پر ماڈل دو شماریاتی پیش گوئی بینچ مارکس کے مقابلے میں مسابقتی کارکردگی دکھاتا ہے۔ ان کے معاشی جائزے میں، اس کے بنائے ہوئے راستوں پر مبنی اسٹریٹیجیز بینچ مارکس پر مبنی اسٹریٹیجیز سے زیادہ منافع دیتی ہیں۔ اقتباس ماڈل کی ساخت، آرڈر کے عین قواعد، جائزے کی مدت، لین دین کے اخراجات کے برتاؤ یا منافع کی مقدار کی وضاحت نہیں کرتا۔ نتائج جرمنی کی انٹرا ڈے مارکیٹ اور بیان کردہ منظرنامے تک مخصوص ہیں، اس لیے یہ ثابت نہیں کرتے کہ طریقہ دوسرے بازاروں یا ٹریڈنگ کے حالات میں بھی کارآمد ہو گا۔

اہم خیالات

• پیش گوئی کا ماڈل انٹرا ڈے بجلی کی قیمتوں کے احتمالی راستے بناتا ہے۔
• بنائے گئے راستے مقررہ حجم کی ٹریڈنگ کے منظرنامے میں فروخت آرڈرز کی رہنمائی کرتے ہیں۔
• شماریاتی کارکردگی کا موازنہ پیش گوئی کے دو بینچ مارک طریقوں سے کیا گیا ہے۔
• رپورٹ کردہ ٹریڈنگ منافع جنریٹو ماڈل کے حق میں ہیں، لیکن اقتباس اخراجات اور عمومیت جانچنے کی تفصیلات نہیں دیتا۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔