Dự báo đường đi giá điện cho giao dịch trong ngày

Tóm tắt

Bài viết trình bày một mạng nơ-ron sinh để dự báo xác suất cho giá điện trong ngày trên thị trường thời gian liên tục của Đức. Thay vì chỉ tạo ra một ước tính điểm, phương pháp tạo các đường đi giá có thể xảy ra và dùng chúng để định hướng đặt lệnh bán trên thị trường trong bối cảnh giao dịch với khối lượng cố định.

Các tác giả báo cáo mô hình đạt kết quả cạnh tranh với hai chuẩn dự báo thống kê theo các thước đo thống kê. Trong đánh giá kinh tế, các chiến lược dựa trên đường đi giá được tạo ra đem lại mức tăng lợi nhuận lớn hơn các chiến lược dựa trên chuẩn so sánh. Phần trích dẫn không nêu kiến trúc mô hình, quy tắc đặt lệnh cụ thể, giai đoạn đánh giá, cách xử lý chi phí giao dịch hay quy mô mức tăng. Kết quả chỉ áp dụng cho thị trường điện trong ngày của Đức và kịch bản đã nêu, nên không chứng minh cách tiếp cận này khái quát được sang các thị trường hoặc điều kiện giao dịch khác.

Ý chính

• Mô hình dự báo tạo ra các kịch bản đường giá có xác suất cho giá điện trong ngày.
• Các đường đi được tạo ra dùng để định hướng lệnh bán trong kịch bản giao dịch với khối lượng cố định.
• Hiệu suất thống kê được so sánh với hai phương pháp dự báo chuẩn.
• Mức tăng từ giao dịch được báo cáo có lợi cho mô hình sinh, nhưng phần trích dẫn thiếu chi tiết cần thiết để đánh giá chi phí và khả năng khái quát.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.