Forecasting Price in the Intraday Continuous Energy Market

Abstract

Tato diplomová práce se zabývá predikcí cen na rakouském vnitrodenním trhu s elektřinou, kde vysoká volatilita vzniká v důsledku krátkodobých výkyvů výroby z obnovitelných zdrojů energie, zejména větru a slunce. Přesné cen- ové predikce jsou zásadní pro účastníky trhu, protože výrazně ovlivňují ob- chodní rozhodnutí a řízení rizik. Studie porovnává modely strojového učení, jako jsou neuronové sítě a ensemble metody, s tradičními statistickými přístupy typu ARIMA, přičemž využívá historická cenová data obohacená o systémové predikce a informace o přeshraničních tocích. Empirické výsledky ukazují, že ensemble modely strojového učení, konkrétně LightGBM a XGBoost, překoná- vají tradiční modely časových řad ve všech krátkodobých horizontech díky své schopnosti efektivně zachytit nelineární dynamiku trhu. Naopak modely ARI- MAX a SARIMAX se při delších horizontech nedokáží přizpůsobit komplexitě trhu a LSTM sítě podávají slabé výsledky kvůli krátkým vstupním sekvencím a vysoké míře šumu v datech. Hybridní přístup ARIMA+XGBoost přináší pouze omezené zlepšení v případě, že primární predikce selhávají. Zjištěné výsledky zdůrazňují význam pokročilých metod založených na datech pro zlepšení ob- chodních strategií, řízení rizik a efektivity reálného trhu s elektřinou. Klasifikace JEL Q41, Q47, C53, C45...

This thesis investigates price forecasting in Austria's intraday continuous elec- tricity market, where high volatility arises from short-term fluctuations in re- newable energy generation, particularly wind and solar. Accurate forecasts are essential for market participants due to their impact on trading and risk management. The study compares machine learning models, such as neural networks and ensemble methods, against traditional statistical approaches like ARIMA, using historical price data enriched with system forecasts and cross- border flows. Empirical results show that ensemble machine learning models, specifically LightGBM and XGBoost, outperform traditional time series meth- ods across all short-term horizons by effectively capturing nonlinear market dynamics. In contrast, ARIMAX and SARIMAX models fail to adapt to the market's complexity at longer horizons, while LSTM networks underperform due to short input sequences and data noise. Hybrid ARIMA+XGBoost models offer limited improvement when the primary forecasts are weak. These find- ings underline the importance of advanced data-driven methods for enhancing trading strategies, risk management, and real-time market efficiency. JEL Classification Q41, Q47, C53, C45 Keywords Energy: Demand and Supply; Prices, Energy Forecasting,...