Electricity market: Analysis and prediction of volatility
Electricity market: Analysis and prediction of volatility
bakalářská práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/81941Identifikátory
SIS: 151474
Kolekce
- Kvalifikační práce [17123]
Autor
Vedoucí práce
Oponent práce
Hájek, Jan
Fakulta / součást
Fakulta sociálních věd
Obor
Ekonomie a finance
Katedra / ústav / klinika
Institut ekonomických studií
Datum obhajoby
9. 9. 2015
Nakladatel
Univerzita Karlova, Fakulta sociálních vědJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
Volatilita, předpovídání, predikce, trh s elektřinouKlíčová slova (anglicky)
Volatility, forecasting, prediction, electricity marketTrh s elektřinou: Analýza a predikce volatility Abstrakt Vladimír Kunc July 30, 2015 Poslední dvě dekády jsou charakterizovány restrukturováním energetického prů- myslu a vznikem nových, soutěživých energetických trhů, kde přesné předpovědi cen elektřiny a cenové volatility je cenná jak pro spotřebitele, tak pro výrobce. Cí- lem této práce ja popsat a porovnat několik modelů pro predikci cenové volatility na českém denním trhu s elektřinou na datech poskytnutých společností OTE a.s. za roky 2009 - 2014. Tato práce srovnává 144 rozdílných konfiguracích pro tři různé třídy modelu - autoregresivní modely, modely typu GARCH a modely založené na umělých neuronových sítích. Tato práce provádí srovnání modelů pomocí pěti různých kritérií, z nichž každe popisuje model z jiného pohledu. Klíčová slova: predikce ceny, predikce volatility, GARCH, neuronové sítě, LSTM 1
Electricity market: Analysis and prediction of volatility Abstract Vladimír Kunc July 30, 2015 The last two decades can be characterized by restructuring of energy industry and the creation of new, competitive energy markets, where accurate forecasts of elec- tricity prices and price volatility are valuable both to consumers and producers. The aim of this work is to analyse several models for prediction of the price volatility of electricity on the Czech Electricity Day-ahead market on price data provided by OTE, a.s. for years 2009-2014. This work compares 144 different models' configura- tions for three distinct classes of models - autoregressive models, GARCH models, and artificial neural network models. This work provides comparison based on five different criteria, each describing the model in different way. Keywords: price prediction, volatility prediction, GARCH, neural networks, LSTM 1