Forecasting electricity price with advanced econometric models

Abstract

Η μελέτη εμβαθύνει στη δυναμική της τιμολόγησης ηλεκτρικής ενέργειας στην ενεργειακή αγορά του Λος Άντζελες, πλοηγώντας μέσα από μια πληθώρα παραγόντων όπως οι καιρικές συνθήκες, οι τιμές των καυσίμων και οι οικονομικοί δείκτες. Μέσω μιας οικονομετρικής προσέγγισης, η έρευνα προσδιορίζει τη θερμοκρασία και τις τιμές των καυσίμων ως βασικούς παράγοντες πρόβλεψης των τιμών της ηλεκτρικής ενέργειας, δίνοντας έμφαση στη βαθιά επίδραση των περιβαλλοντικών και οικονομικών παραγόντων στις αγορές ενέργειας. Χρησιμοποιώντας προηγμένες στατιστικές τεχνικές, συμπεριλαμβανομένης της ανάλυσης πολλαπλής παλινδρόμησης, των αλγορίθμων ARMA, GARCH και μηχανικής μάθησης, η μελέτη αντιμετωπίζει τις προκλήσεις που θέτει η κυμαινόμενη φύση των τιμών ηλεκτρικής ενέργειας. Η ενσωμάτωση των μοντέλων ARMA και GARCH αποδεικνύεται καθοριστική για την αποτύπωση της αυτοσυσχέτισης και της ετεροσκεδαστικότητας, ενισχύοντας έτσι την προγνωστική ακρίβεια. Η εισαγωγή ενός μοντέλου GARCH(1,0) που έχει τελειοποιηθεί με μια κατανομή t Student δείχνει σημαντική βελτίωση στα διαγνωστικά μοντέλα, μετριάζοντας αποτελεσματικά ζητήματα που σχετίζονται με υπολείμματα βαριάς ουράς. Επιπλέον, οι τεχνικές μηχανικής μάθησης όπως το bagging, τα τυχαία δάση και η αναδρομική παλινδρόμηση κατάτμησης προσφέρουν διαφορετικές προοπτικές για την πρόβλεψη των τιμών ηλεκτρικής ενέργειας, με την τελευταία να αναδεικνύεται ως η κορυφαία επιλογή λόγω της ερμηνευσιμότητας και των ανώτερων μετρήσεων απόδοσης. Η αναδρομική προσέγγιση πρόβλεψης δείχνει την ικανότητα του μοντέλου να παρακολουθεί στενά τις πραγματικές κινήσεις της αγοράς με την πάροδο του χρόνου, υπογραμμίζοντας τις δυνατότητές του για περαιτέρω βελτίωση. Συνολικά, η μελέτη υπογραμμίζει τον κεντρικό ρόλο της θερμοκρασίας και των τιμών των καυσίμων στη διαμόρφωση της δυναμικής της τιμολόγησης της ηλεκτρικής ενέργειας, ενώ επίσης θέτει τις βάσεις για μελλοντική έρευνα που στοχεύει στη βελτίωση των τεχνικών πρόβλεψης στην ενεργειακή οικονομία.

The study delves into the intricate dynamics of electricity pricing in the Los Angeles energy market, navigating through a myriad of factors such as weather patterns, fuel prices, and economic indicators. Through a rigorous econometric approach, the research identifies temperature and fuel prices as pivotal predictors of electricity prices, emphasizing the profound impact of environmental and economic factors on energy markets.Utilizing advanced statistical techniques including multiple regression analysis, ARMA, GARCH, and machine learning algorithms, the study addresses the challenges posed by the fluctuating nature of electricity prices. The incorporation of ARMA and GARCH models proves instrumental in capturing autocorrelation and heteroskedasticity, thereby enhancing predictive accuracy.The introduction of a GARCH(1,0) model refined with a Student's t-distribution demonstrates a significant improvement in model diagnostics, effectively mitigating issues related to heavy-tailed residuals. Moreover, machine learning techniques such as bagging, random forests, and recursive partitioning regression offer diverse perspectives on forecasting electricity prices, with the latter emerging as the standout choice due to its interpretability and superior performance metrics.The recursive forecasting approach showcases the model's ability to closely track actual market movements over time, highlighting its potential for further refinement. Overall, the study underscores the pivotal role of temperature and fuel prices in shaping electricity pricing dynamics, while also laying the groundwork for future research aimed at refining predictive techniques in energy economics.