本研究基于随机波动率模型(SV)对俄罗斯电力现货市场日度电价进行预测,重点开发了包含外生回归变量(气温、工作日和自回归成分)的SV X模型。通过贝叶斯推断和Stan平台建模,SV X模型在多时段、多价格区间下表现出优异拟合和稳健的预测能力,在交叉验证和未来一周预测中均显著优于基础SV模型,适用于电力交易风险对冲与衍生品定价 。
报告标题:Electricity Spot Prices Forecasting Using Stochastic Volatility Models
作者:Batyrov Andrei Renatovich
指导教师:Kasianova Ksenia Alekseevna
发布机构:National Research University Higher School of Economics, Faculty of Computer Science, Master of Data Science项目
发布时间:2024年
研究主题:基于随机波动率模型的日内电力现货价格预测,模型基于贝叶斯推断,结合外生回归变量,重点研究不同电力市场价格时序序列的建模与预测。
本论文聚焦于利用随机波动率(Stochastic Volatility,SV)模型对电力现货市场的日内价格进行概率预测,解决其非平稳和波动率异方差的特性。首先构建基线SV模型,然后基于该模型引入外生回归变量(如空气温度、星期几指标及自回归成分)来提升性能。研究通过贝叶斯推断方法估计模型参数,并用十年数据进行交叉验证和一周的前瞻性预测。结果表明,结合外生变量的SV X模型能显著提高预测准确度,并适用于电力交易中风险套期保值衍生品定价,1,7,44]。
模型定义:SV模型基于对数波动率的隐变量自回归过程,价格条件分布为均值为常数,加权指数波动率下的正态分布:
[ y_t \sim \mathcal{N}(\bar{y}, e^{h_t/2}) ]
其中波动率隐变量满足 [ h_t = \mu + \phi(h_{t-1} - \mu) + \sigma \delta_t, \quad \delta_t \sim \mathcal{N}(0,1) ]
数据与探索:以欧洲价格区1号峰时段为基础,使用2023年5月至2024年4月底的小时数据;价格非平稳(Augmented Dickey-Fuller检验,p值均未达到拒绝阈值,确认非平稳);
模型拟合:贝叶斯采样得到参数后验,参数分布近似正态,适合后验均值预测;绘制1,000次预测分布与实际价格分布高度吻合,预测区间覆盖实际数据;
波动率分析:学习到的隐波动率与价格呈V型关系——价格远离均值时波动率升高,反映市场价格波动特征;
模型表现:
总结此基线模型对波动率的捕获较好,但均值假设简化,后续模型需加入时变均值和外生因子改进.
引入外生回归变量:
SV X模型定义:
[ y_t \sim \mathcal{N}\left( \bar{y} + \alpha y_{t-1} + \sum_{i=1}^{3} \beta_i X_{t-1}^i + \gamma D_t + \xi, e^{h_t/2} \right) ]
其中,(X_{t-1})为空气温度的多项式表达,(D_t)为星期几指标,其他为模型参数。
模型拟合:贝叶斯推断结果显示参数后验合理,1,000次预测分布覆盖实际价格,预测区间反映电价波动区间;
性能提升:
模型解释:通过偏依赖(Partial Dependence,PD)分析,模型响应温度及日期变化,验证其对于价格的解释能力.
方法:
结果:
结论:外生变量对SV模型的性能贡献显著,促进更稳健精准的电价预测.
预测策略:基于2023.05.01至2024.04.30的训练集,每天前移滚动训练,预测2024.05.01至2024.05.07的未来7天价格,包含所有8种模型组合;
结果:
说明:SV X模型能够更准确反映价格随外生变量动态变化而调整的均值和波动率,有助提高短期预测精度.
总结:
实际价值:研究成果可直接用于电力现货交易风险对冲及衍生品定价.
图1-2:消费者价格时序和小时均价轮廓
图1展现2023年5月至2024年4月欧洲区峰时电价波动,价格范围约500至2500 RUB/MWh,均值约1593,时变波动显著;图2反映24小时价格均值,峰时段约1900,下峰低于1200,显示显著日内周期波动。
图3:峰时14点和非峰时3点价格轨迹
峰时价格均值约1868,波动较大;非峰时价格均值约1058,波动较小。价格非平稳,支持ADF检验结论。
图4-7:SV Baseline模型参数后验及预测覆盖
参数后验近似正态,采样预测覆盖实际价格分布(密度对比)。预测置信区间涵盖实际轨迹,符合概率预测预期。
图8-9,图20-21,31-32:学得的隐波动率与价格关系
体现价格远离均值时,隐波动率升高的V形关系,内部变异范围合理,表现模型成功刻画了价格波动动态。
图10,22:预测均值与实际价格散点图
SV X模型相关系数0.52远高于基线0.08,说明外生变量带来了较大预测精度提升。
图11,23:残差分布和同方差验证
两模型残差均近似正态、无明显异方差,表明波动率模型的假设合理。
图12-13,24:空气温度与价格关系,多项式拟合与聚类分析显示消费价格与高温相关性较强,偏依赖分析确认温度及星期几均为重要影响因子。
图14-15:星期几影响和时序自相关分析(PACF)
星期日价格稍低,星期五波动率下降,PACF显示显著的七日周期相关性,支持模型使用星期变量和一天滞后自回归。
图25-26:交叉验证指标分布
SV X在不同时间、区域、时段均优于基线,且Mann-Whitney U统计显著验证该提升非偶然。
图27-30:未来一周预测均值及置信区间
展示不同价格区和时段的预测趋势,SV X置信区间一般较窄且能覆盖实际价格,表明更高置信度的预测。
本论文未涉及传统金融估值方法(如DCF、市盈率等),估值更多体现为模型性能评估:
论文未专门设置传统意义上的风险章节,但可从以下几点考虑:
本文系统构建了基于随机波动率框架的电力现货价格预测模型。通过对俄罗斯欧洲与西伯利亚两个价格区及峰谷时间段的实际小时数据分析,初步建立了基线SV模型,该模型针对异方差波动成功捕获了电价波动规律,但均值假设不足影响了预测性能。进一步引入空气温度、星期几和滞后电价作为外生回归变量,形成SV X模型,显著提升了预测准确性和相关性,得到了多指标(MAE、RMSE)和统计检验的坚定支持。长达近十年的交叉验证进一步强化了模型的普适性和稳健性。预测结果示范了SV X模型在未来一周电价预测上的优势和更狭窄置信区间,确认其更为精细的动态拟合能力。
本研究详尽剖析各类图表:从价格波动、参数后验、预测分布、残差分析、到偏依赖及自相关函数,全面展示了模型性能和外生变量的贡献机制。结论强调,不同价格区与时段特性各异,未来需针对24小时×2价格区更细粒度建模,并探讨丰富更多气象及市场驱动因素。此外,针对贝叶斯模型计算开销,作者提出自研高效ML库以满足大规模实时预测需求。该研究对电力现货市场风险管理、交易策略设计及衍生品定价具有重要应用价值。
如需特定图表深度讲解或模型代码部分解读,欢迎提出。
2406.19405.pdf