Show simple item record

Předpovídání cen elektřiny ve střední a východní Evropě
dc.contributor.advisorKrištoufek, Ladislav
dc.creatorKřížová, Kristýna
dc.date.accessioned2021-07-07T10:07:21Z
dc.date.available2021-07-07T10:07:21Z
dc.date.issued2021
dc.identifier.urihttp://hdl.handle.net/20.500.11956/126890
dc.description.abstractV rámci předpovídání cen elektřiny analyzujeme, zda přidání různých proměn- ných zlepšuje předpovědi, a zda kratší časové intervaly mezi pozorováními zlepšují přesnost předpovědí. Dále se zaměřujeme na správný výběr zpožděných pozorování, který doposud nebyl v literatuře důkladně popsán. Mnoho článků navíc studovalo ceny elektřiny pouze na větších trzích (např. USA, Austrálie, Nord Pool atd.), a to na datech s omezeným rozsahem a s časovým rozpětím pouze 2-3 roky. Abychom odstranili tyto mezery v literatuře, sestavujeme je- den denní a jeden hodinový datový soubor, oba pokrývající šestileté období (1. ledna 2015 - 31. prosince 2020), ze čtyř zemí střední a východní Evropy - České republiky, Slovenské republiky, Maďarska a Rumunska. Ty obsahují informace o cenách elektřiny a o našich sledovaných přidaných proměnných - teplotě a přeshraničních tocích elektřiny. Pro předpovídání používáme dvě různé metody - Autoregrese (AR) a Zdánlivě Nesouvisející Regrese (SUR). Důkladný výběr zpožděných pozorování, které přizpůsobujeme době uzavření aukčního obchodu s elektřinou, slouží dalším studiím jako návod, jak se vyhnout možným chybám a nekonzistenci v jejich...cs_CZ
dc.description.abstractWithin forecasting electricity pricing, we analyse whether adding various vari- ables improves the predictions, and if shorter time intervals between observa- tions enhance accuracy of the forecasting. Next, we focus on proper selection of lagged observations, which has not been thoroughly covered in the past litera- ture. In addition, many papers studied electricity prices in larger markets (e.g. United States, Australia, Nord Pool, etc.) on datasets limited in scope, with 2-3 years timespan. To address these gaps in literature, we obtain one daily and one hourly dataset, both spanning 6 years (January 1, 2015 - December 31, 2020), from four Central and Eastern European countries - the Czech Repub- lic, the Slovak Republic, Hungary, and Romania. These contain information on the electricity prices, and information on our observed added variables - temperature and cross-border electricity flows. For the forecasting, we use two different methods - Autoregression (AR) and Seemingly Unrelated Regression (SUR). The thorough selection of lagged observations, which we accustom to the closing time of the auction-based electricity market system, serves further studies as a guidance on how to avoid possible errors and inconsistencies in their predictions. In our analyses, both AR and SUR models show that...en_US
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Fakulta sociálních vědcs_CZ
dc.subjectElectricity Price Forecastingen_US
dc.subjectCentral Europeen_US
dc.subjectEastern Europeen_US
dc.subjectElectricity Marketen_US
dc.subjectDay-Ahead Marketen_US
dc.subjectTemperatureen_US
dc.subjectCross-Border Flowen_US
dc.titleForecasting Electricity Pricing in Central and Eastern Europeen_US
dc.typediplomová prácecs_CZ
dcterms.created2021
dcterms.dateAccepted2021-06-16
dc.description.departmentInstitute of Economic Studiesen_US
dc.description.departmentInstitut ekonomických studiícs_CZ
dc.description.facultyFakulta sociálních vědcs_CZ
dc.description.facultyFaculty of Social Sciencesen_US
dc.identifier.repId223555
dc.title.translatedPředpovídání cen elektřiny ve střední a východní Evropěcs_CZ
dc.contributor.refereeBaruník, Jozef
thesis.degree.nameMgr.
thesis.degree.levelnavazující magisterskécs_CZ
thesis.degree.disciplineEconomics and Financeen_US
thesis.degree.disciplineEkonomie a financecs_CZ
thesis.degree.programEkonomické teoriecs_CZ
thesis.degree.programEconomicsen_US
uk.thesis.typediplomová prácecs_CZ
uk.taxonomy.organization-csFakulta sociálních věd::Institut ekonomických studiícs_CZ
uk.taxonomy.organization-enFaculty of Social Sciences::Institute of Economic Studiesen_US
uk.faculty-name.csFakulta sociálních vědcs_CZ
uk.faculty-name.enFaculty of Social Sciencesen_US
uk.faculty-abbr.csFSVcs_CZ
uk.degree-discipline.csEkonomie a financecs_CZ
uk.degree-discipline.enEconomics and Financeen_US
uk.degree-program.csEkonomické teoriecs_CZ
uk.degree-program.enEconomicsen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csV rámci předpovídání cen elektřiny analyzujeme, zda přidání různých proměn- ných zlepšuje předpovědi, a zda kratší časové intervaly mezi pozorováními zlepšují přesnost předpovědí. Dále se zaměřujeme na správný výběr zpožděných pozorování, který doposud nebyl v literatuře důkladně popsán. Mnoho článků navíc studovalo ceny elektřiny pouze na větších trzích (např. USA, Austrálie, Nord Pool atd.), a to na datech s omezeným rozsahem a s časovým rozpětím pouze 2-3 roky. Abychom odstranili tyto mezery v literatuře, sestavujeme je- den denní a jeden hodinový datový soubor, oba pokrývající šestileté období (1. ledna 2015 - 31. prosince 2020), ze čtyř zemí střední a východní Evropy - České republiky, Slovenské republiky, Maďarska a Rumunska. Ty obsahují informace o cenách elektřiny a o našich sledovaných přidaných proměnných - teplotě a přeshraničních tocích elektřiny. Pro předpovídání používáme dvě různé metody - Autoregrese (AR) a Zdánlivě Nesouvisející Regrese (SUR). Důkladný výběr zpožděných pozorování, které přizpůsobujeme době uzavření aukčního obchodu s elektřinou, slouží dalším studiím jako návod, jak se vyhnout možným chybám a nekonzistenci v jejich...cs_CZ
uk.abstract.enWithin forecasting electricity pricing, we analyse whether adding various vari- ables improves the predictions, and if shorter time intervals between observa- tions enhance accuracy of the forecasting. Next, we focus on proper selection of lagged observations, which has not been thoroughly covered in the past litera- ture. In addition, many papers studied electricity prices in larger markets (e.g. United States, Australia, Nord Pool, etc.) on datasets limited in scope, with 2-3 years timespan. To address these gaps in literature, we obtain one daily and one hourly dataset, both spanning 6 years (January 1, 2015 - December 31, 2020), from four Central and Eastern European countries - the Czech Repub- lic, the Slovak Republic, Hungary, and Romania. These contain information on the electricity prices, and information on our observed added variables - temperature and cross-border electricity flows. For the forecasting, we use two different methods - Autoregression (AR) and Seemingly Unrelated Regression (SUR). The thorough selection of lagged observations, which we accustom to the closing time of the auction-based electricity market system, serves further studies as a guidance on how to avoid possible errors and inconsistencies in their predictions. In our analyses, both AR and SUR models show that...en_US
uk.file-availabilityV
uk.grantorUniverzita Karlova, Fakulta sociálních věd, Institut ekonomických studiícs_CZ
thesis.grade.codeA
uk.publication-placePrahacs_CZ
uk.thesis.defenceStatusO


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 560/5, 116 36 Praha 1; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV