Forecasting electricity prices in the Czech spot market
Předpovídání cen elektřiny na českém spotovém trhu
diploma thesis (DEFENDED)
![Document thumbnail](/bitstream/handle/20.500.11956/80923/thumbnail.png?sequence=8&isAllowed=y)
View/ Open
Permanent link
http://hdl.handle.net/20.500.11956/80923Identifiers
Study Information System: 147699
Collections
- Kvalifikační práce [17132]
Author
Advisor
Referee
Rečka, Lukáš
Faculty / Institute
Faculty of Social Sciences
Discipline
Economics
Department
Institute of Economic Studies
Date of defense
10. 2. 2016
Publisher
Univerzita Karlova, Fakulta sociálních vědLanguage
English
Grade
Excellent
Keywords (Czech)
předpovídání, časové řady, ARIMA, GARCH, neurální sítě, vlnková transformaceKeywords (English)
Time Series, Electricity, Forecasting, ARIMA, GARCH, Neural networksTato diplomová práce se zaobývá předpovídáním hodinových a denních cen elektřiny na deregulovaném českém denním trhu s elektřinou. Metody použité pro odhad a předpověď hodinových a denních cen jsou vybrány z rodiny modelů ARIMA-GARCH a neurálních sítí. Dekompozice pomocí stacionární diskrétní vlnkové transformace je použita pro denní ceny v kombinaci s ARIMA modely a neurálními sítěmi. Hodinová data jsou modelována pomocí modelů GARCH a neurálních sítí. Výsledky předpovědí odhalují, že v případě denních cen, jednodušší modely, jako ARIMA předčí ostatní metody. Vlnková dekompozice nezlepšila přesnost předpovědí. V případě hodinových cen architektura neurální sítě Multilayer Perceptron dává lepší předpovědi než předpověd uskutečněná metodou ARIMA. Klasifikace JEL C20, C22, C45, C53, C65 Klíčová slova předpovídání, časové řady, ARIMA, GARCH, neurální sítě, vlnková transformace E-mail autora krystof.cerny@gmail.com E-mail vedoucího práce lebovicm@gmail.com 1
This master thesis is focused on analysis and forecasting of hourly and daily electricity price on the deregulated Czech daily electricity market. The methods used for estimating and forecasting hourly and daily prices are picked from the ARIMA-GARCH family of models and Neural Networks. For daily price data, the Redundant Haar Wavelet Transform decomposition of the time series is used in combination with ARIMA and Neural Networks models for forecasting. For hourly data, ARIMA and Neural Network models are considered. The forecasting results of daily data indicate that simpler models such as seasonal ARIMA outperform all other methods. Also the wavelet decomposi- tion of the daily series didn't prove useful in enhancing the forecast precision. For hourly data, the Multilayer Perceptron architecture of the neural network outperformed the ARIMA forecast. JEL Classification C20, C22, C45, C53, C65 Keywords Forecasting, Time Series, ARIMA, GARCH, Neural Net- works, Wavelet Transform Author's e-mail krystof.cerny@gmail.com Supervisor's e-mail lebovicm@gmail.com 1