Modelování spotových cen elektrické energie
Modelování spotových cen elektrické energie
bakalářská práce (OBHÁJENO)

Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/64004Identifikátory
SIS: 114772
Kolekce
- Kvalifikační práce [11264]
Autor
Vedoucí práce
Oponent práce
Hencl, Stanislav
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Finanční matematika
Katedra / ústav / klinika
Katedra matematické analýzy
Datum obhajoby
3. 9. 2014
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
vektorové autoregresní procesy, odhady VAR s restrikcemi, modelování cen elektřiny, spotové trhy elektřinyKlíčová slova (anglicky)
vector autoregressive processes, restricted VAR estimation, electricity price modeling, electricity spot marketsPopisujeme vektorový autoregresní model řádu 1 s restrikcemi parametrů a nalezneme jejich konzistentní estimátor. Několik modelů s restrikcemi aplikujeme na ceny elektřiny ve dvou trzích. Data zachycují clearingové ceny tzv. day-ahead aukcí, ve kterých účastníci obchodují s dodávkami elektřiny na příští den ve 24 samostatných hodinových blocích. Data proto modelujeme jako časovou řadu v R^24. Abychom se vyhnuli overfittingu, všechny modely podrobujeme crossvalidaci na klouzavých podmnožinách dat. Zjišťujeme, že jednoduché modely mají lepší výsledky, neboť jsou ve volatilních obdobích odolnější, než rozvinutější modely. Kvalitu modelů navrhujeme zlepšit zahrnutím exogenních dat, například údajů o počasí. Powered by TCPDF (www.tcpdf.org)
We describe a single-period vector autoregressive model with parameter restrictions and find a consistent estimator of the parameters. We apply several restricted models to electricity prices in two markets. The datasets are comprised of the settlement prices of day-ahead auctions in which market participants bid on next day's electricity deliveries in 24 separate hourly blocks. We therefore model the data as a time series in R^24. To avoid overfitting we crossvalidate all models using sliding windows of training and testing data. We find that simple models perform better because they are more resilient in volatile periods than more comprehensive models. We suggest that model performance could be improved by incorporating exogenous data, such as weather conditions. Powered by TCPDF (www.tcpdf.org)