بجلی کی ورچوئل بولی میں قیمت حساس مشین لرننگ

خلاصہ

یہ مقالہ امریکہ کی ہول سیل بجلی منڈیوں میں ورچوئل بولی کے لیے خطرے کی پابندیوں کے ساتھ پورٹ فولیو آپٹیمائزیشن کا طریقہ پیش کرتا ہے۔ یہ مارکیٹ کلیئرنگ سے پیدا ہونے والے انحصارات کو استعمال کرتے ہوئے ریکرنٹ نیورل نیٹ ورک سے مختلف گھنٹوں کے لوکیشنل مارجنل پرائس اسپریڈز کی پیش گوئی کرتا ہے۔ پابند گرادیئنٹ بوسٹنگ ٹری ان اسپریڈز کے خالص ورچوئل بولیوں کے ردعمل کا ماڈل بناتا ہے، جس سے اسٹریٹیجی اپنی پوزیشنوں کے قیمتوں پر ممکنہ اثر کو مدنظر رکھ سکتی ہے۔

PJM، ISO-NE اور CAISO کے تجرباتی تجزیے میں ایسے پورٹ فولیوز بہتر کارکردگی دکھاتے ہیں جو قیمت کی حساسیت کو واضح طور پر ماڈل کرتے ہیں، ان پورٹ فولیوز کے مقابلے میں جو اسے نظر انداز کرتے ہیں۔ مقالہ یہ بھی رپورٹ کرتا ہے کہ تینوں منڈیوں کے شارپ تناسب S&P 500 سے زیادہ ہیں، اور CAISO کے دو سیٹلمنٹ نظام کی کارکردگی PJM اور ISO-NE سے کم ہے۔ یہ نتائج اسٹریٹیجی کے ڈیزائن کو مارکیٹ کی کارکردگی کے جائزے سے جوڑتے ہیں۔ فراہم کردہ خلاصے میں نمونے کی تاریخیں، لین دین کے اخراجات کے مفروضے، خطرے کی پابندیوں کی تفصیلات یا آؤٹ آف سیمپل توثیق نہیں دی گئی، اس لیے یہ جانچنا ممکن نہیں کہ رپورٹ کردہ کارکردگی لائیو ٹریڈنگ میں برقرار رہے گی یا نہیں۔

اہم خیالات

• ورچوئل بولی کو ایک پروپرائٹری ٹریڈنگ فرم کے لیے خطرے کی پابندیوں والی پورٹ فولیو آپٹیمائزیشن کے طور پر پیش کیا گیا ہے۔
• ریکرنٹ نیورل نیٹ ورک مختلف گھنٹوں کے لوکیشنل مارجنل پرائس اسپریڈز کی پیش گوئی کرتا ہے۔
• پابند گرادیئنٹ بوسٹنگ ماڈل اندازہ لگاتا ہے کہ خالص ورچوئل بولیاں اسپریڈ کی قیمتوں کو کیسے متاثر کرتی ہیں۔
• قیمت کی حساسیت کو واضح طور پر ماڈل کرنے سے PJM، ISO-NE اور CAISO میں رپورٹ کردہ پورٹ فولیو کارکردگی بہتر ہوتی ہے۔
• تجزیے میں CAISO کے دو سیٹلمنٹ نظام کی کارکردگی PJM اور ISO-NE سے کم رپورٹ ہوئی ہے۔

ٹیگز

# 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.

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۔