Bayesian Hierarchical Probabilistic Forecasting of Intraday Electricity Prices

要約

我々は、パラメーターの不確実性を完全に組み込んだ、ドイツの連続日中市場で取引される電力価格のベイジアン予測に関する最初の研究を紹介します。
私たちのターゲット変数は IDFull 価格指数で、予測は事後予測分布の観点から与えられます。
検証には、これまでほとんど予測研究の対象になっていなかった、非常に不安定な 2022 年の電力価格を使用します。
ベンチマーク モデルとして、予測作成時に利用可能なすべての日中トランザクションを使用して、IDFull の現在値を計算します。
弱い形式の効率仮説によれば、最後の価格情報から構築されたこのベンチマークを大幅に改善することは不可能です。
ただし、ポイント測定値と確率スコアの両方に関して統計的に有意な改善が観察されています。
最後に、Orthogonal Matching Pursuit (OMP) が予測パフォーマンスの向上につながるという強力な統計的証拠を提示することで、電気料金予測における機能選択に LASSO を使用するという宣言されたゴールド スタンダードに異議を唱えます。

要約(オリジナル)

We present a first study of Bayesian forecasting of electricity prices traded on the German continuous intraday market which fully incorporates parameter uncertainty. Our target variable is the IDFull price index, forecasts are given in terms of posterior predictive distributions. For validation we use the exceedingly volatile electricity prices of 2022, which have hardly been the subject of forecasting studies before. As a benchmark model, we use all available intraday transactions at the time of forecast creation to compute a current value for the IDFull. According to the weak-form efficiency hypothesis, it would not be possible to significantly improve this benchmark built from last price information. We do, however, observe statistically significant improvement in terms of both point measures and probability scores. Finally, we challenge the declared gold standard of using LASSO for feature selection in electricity price forecasting by presenting strong statistical evidence that Orthogonal Matching Pursuit (OMP) leads to better forecasting performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google