Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding...
-
Upload
irma-leese -
Category
Documents
-
view
104 -
download
0
Transcript of Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding...
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Modellspezifikation und Kurzfristprognose
stündlicher Elektroenergiepreise auf
liberalisierten Strommärkten in
Nordamerika und Westeuropa
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
• Carnero, A.; Koopman, S. J.; Ooms, M.: Periodic heteroskedastic RegARFIMA models for daily
electricity prices, Technical Report 03-071/4, Tinbergen Institute, Amsterdam, 2003.• Caporale, G. M., Ntantamis, Ch.; Pantelidis, Th.; Pittis, N.: The BDS Test as a Test for the Adequacy
of a GARCH (1, 1) Specification: A Monte Carlo Study, Journal of Financial Econometrics 32(2005), S.
282-309.• Conejo, A. C.; Plazas, M. A.; Espinola, R.; Molina, A. B.: Day-Ahead Electricity Price Forecasting
Using the Wavelet Transform and ARIMA Models, IEEE Trans. On Power Systems, 20(2005)2, S.
1034- 1042.• Contreras, J.; Espinola, R.; Nogales, F. J.; Conejo, A. J.: ARIMA Models to predict Next-Day
Electricity Prices, IEEE Trans. On Power Systems, 18(2002)3, 1014-1020.• Garcia, R.; Contreras, J.; van Akkeren, M.; Garcia, J. B. C.: A GARCH Forecasting Model to Predict
Day-Ahead Electricity Prices, IEEE Trans. On Power Systems, 20(2005)2, S. 867- 874.• Guirguis, H. S.; Felder, F. A.: Further Advances in Forecasting Day-Ahead Electricity Prices Using
Time Series Models, KIEE Int. Trans. On PE, 4-A (2004)3, 159-166.• Hinz, J.: Modeling day-ahead electricity prices, Paper, TU Dresden 11.5.2003.• MateoGonzales, A.; MunozsanRoque, A.; Garcia-Gonzales, J.: Modeling and Forecasting Electricity
Prices with Input/Output Hidden Markov Models, IEEE Trans. On Power Systems, 20(2005)1, 13-24.• Nogales, F. J.; Contreras, J.; Conejo, A. J. ; Espinola, R. : Forecasting Next-Day Electricity Prices by
Time Series Models, IEEE Trans. On Power Systems, 17(2002)2, 342-348.• Rodriguez, C. P.; Anders, G. J.: Energy price forecasting in the Ontario competitive power system
market, IEEE Trans. On Power Systems, 19(2004)1, 366-374.• Suenaga, H.; Williams, J.: The Natural Number of Forward Markets for Electricity, Paper, University
of California, 19.5.2004 (http://www.ucei.berkeley.edu/ucei/conf 2004).
Wissenschaftliche Quellen
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Wiss. Publikationen2002-2005
IEEE Transactions on Power Systems
KIIETransactions on Power Engineering
JFEJournal of Financial Econometrics
Discussion Papers
Anzahl 6 1 1 3
Tabelle 1
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
• Bienwald, B.; Steinhurst, W.; White, D.; Roschelle, A.: A Comparison of Wholesale
Power Costs in the PJM Market to Indexed Generation Service Costs, Synapse Energy
Economics, Cambridge, 3.6.2004.• California ISO, 2004 Summer Assessment.• California ISO, Market Analysis Report for July and August 2004.• California ISO, Market Analysis Report for September 2004.• Dube, St.: Visualisierung und Analyse des liberalisierten Elektrizitätsmarktes in den USA,
Diplomarbeit, FH Stralsund, März 2006• Energy Information Administration (EIA): Annual Energy Outlook 2004.• Energy Information Administration (EIA): National Energy Modeling System, 4.3.2003.• Fernandez, R.: NYISO Monthly Report, New York, August 2004.• IEA: Key World Energy Statistics 2004.• IEA: Energy Statistics Manual 2004.• New York Independent System Operator (NYISO), Annual Report 2002.• New York Independent System Operator (NYISO), Annual Report 2003.• Operator del Mercado Iberico de Energia-Polo Espanol (OMEL), Annual Report 2003.• Reynolds, J. M.: PJM Load Forecast Report – Supplemental Tables, 28.4.2004.
Geschäftsberichte und sonstige Quellen
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Box-Jenkins-Technik zur Spezifikation von
SARIMA-Modellen
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Modelleingrenzung Auswahlkriterien
RMSE%Prognosemodell RMAX%
Vergleichs- Trefferquoten prognose
Portmanteau-Testkorrekt spezifizierte Durbin-Watson-StatistikModelle Modellüberprüfung Kumuliertes Periodogramm
Overfitting
Modelle optimaler Signifikanz-Test der ModellparameterKompliziertheit Modellschätzung Minimierung von AIC bzw. SBC
Auswertung von:Ensemble Autokorrelationenidentifizierter Modellidentifikation partiellen AutokorrelationenModelle Periodogramm
Mean-Range-Diagramm Differenzen Histogramm und QQ-Plot
Modellklasse ARIMA (p,d,q)(pm,dm,qm)m
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Modelleingrenzung Auswahlkriterien
Prognosemodell RMSE% Vergleichs- RMAX% prognose
Durbin-Watson-Statistikkorrekt spezifizierte Kumuliertes Periodogramm
Modelle Modellüberprüfung Autokorrelationen von at2
LM-Test
Modelle optimaler Signifikanz-Test der ModellparameterKompliziertheit Modellschätzung Minimierung von AIC bzw. SBC
Ensemble Einheitswurzeltestsidentifizierter Modellidentifikation PeriodogrammModelle Differenzen
partielle Autokorrelationen Mean-Range-Diagramm
Teil 1 Autoregression
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
• Bestimmung der Saisonstruktur mit Hilfe des Periodogramms und der
Autokorrelationsfunktionen acf und pacf.• Einheitswurzeltest nach Dickey-Fuller und Phillips-Perron für die
Originaldaten.• Wiederholung des Einheitswurzeltest für die saisonbereinigten Daten.• Beseitigung der Einheitswurzeln mittels Differenzenbildung.• Bestimmung der Lag-Struktur für ein autoregressives Modell mit Hilfe
der partiellen Autokorrelationen pacf.• Schätzung eines parametersparsamen Modells mit signifikanten Para-
metern (Beobachtungsgleichung).
Spezifikation des AR-Modells (Beobachtungsgleichung)
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Identifikation eines GARCH(p, q)-Modells (Varianzgleichung)
• Auswertung der Autokorrelationen acf und der partiellen Autokorre-
lationen pacf der quadrierten Residuenfolge.• Ein Cut in der acf bestimmt das maximale Lag der Varianzfolge. Das
Maximum der Cuts in acf und pacf begrenzt die Lags der quadrierten
Residuen (GARCH-Parameter p).• Lagrange-Multiplier-Test (LM Test) zur Abgrenzung gegen höhere
Lags der quadrierten Residuen in der Varianzgleichung (GARCH-
Parameter q).
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Modelleingrenzung Auswahlkriterien
Prognosemodell Varianz- RMSE% und RMAX% Vergleichs- prognose
BDS-Test, LM-Testkorrekt spezifizierte Q-StatistikModelle Modellüberprüfung Durbin-Watson-Statistik
Verteilungsparameter, QQ-Plot
Modelle optimaler Signifikanz-Test der ModellparameterKompliziertheit zweistufige Minimierung von AIC bzw. SBC
Modellschätzung Konvergenzgeschwindigkeit prüfenModellkorrekturen
Ensemble identifizierter Autokorrelationen undModelle Modellidentifikation partielle Autokorrelationen
der quadrierten Residuenaus der Autoregression
Teil 2 GARCH-Spezifikation
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
• Schätzung eines parametersparsamen autoregressiven (integrierten)
Modells mit GARCH-Residuen (Beobachtungs- und Varianzgleichung).• Wechsel der Modellklasse auf EGARCH oder PGARCH bei Konvergenz-
problemen mit der Schätzroutine.• Überprüfung der Autokorrelation der Residuen mit Hilfe der Durbin-
Watson-Statistik.• Überprüfung der Schiefe und des Q-Q-Plots der Residuen.• Erneuter LM-Test zur Abgrenzung gegen höhere Lags im Varianzmodell.• BDS-Test zur Prüfung auf weitere nichtlineare Strukturen in den
Residuen.• Vergleich der Einschritt-Punkt- und Intervallprognose mit den Ist-Werten
am aktuellen Rand.• Prognose der Varianz.• Vergleich mit den Prognoseergebnissen des autoregressiven (integrierten)
Eingleichungsmodells.
Spezifikation des GARCH-Modells
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
0
2
4
6
8
10
12
1000 2000 3000 4000 5000 6000 7000 8000
CENTPROKWH
Stundenpreis in Spanien 1.11.2004 bis 17.1.2005 (Cent pro KWh)
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
.aX118,0X102,0
X260,0X342,0X309,0X371,0X871,0X
t193t192t
169t168t25t24t1tt
.a312,0a324,0144,0132,1 22t
21t
22t
21t
2t
Die Beobachtungsgleichung lautet
Die Varianzgleichung nimmt explizit folgende Gestalt an:
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
1
2
3
4
5
6
7
8
9
8600 8625 8650 8675 8700 8725 8750
CENTPROKWHF_GARC
Forecast: CENTPROKWHF_GARCActual: CENTPROKWHForecast sample: 8593 8760Included observations: 168
Root Mean Squared Error 0.341330Mean Absolute Error 0.250563Mean Abs. Percent Error 5.237366Theil Inequality Coefficient 0.034571 Bias Proportion 0.010938 Variance Proportion 0.011294 Covariance Proportion 0.977768
.0
.1
.2
.3
.4
.5
.6
.7
8600 8625 8650 8675 8700 8725 8750
Forecast of Variance
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
0
1.000.000
2.000.000
3.000.000
4.000.000
5.000.000
6.000.000
7.000.000
8.000.000
1 25 49 73 97 121 145
Ist Spanien ESP Garch
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Fehler AR-Modell
AR-Modell mit ARMA (1, 1)-Residuen
GARCH (1, 1)
GARCH (2, 2)
RMSE 0,341 0,341 0,341 0,341
RMSE % 7,080 7,091 7,090 7,087
MAE 0,249 0,251 0,249 0,251
MAPE % 5,215 5,261 5,208 5,237
Tabelle 2: Prognosevergleich nach Modellen und Fehlermaßen
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Zeitraum 24.9. bis 30.9.2003
Tabelle 3: Tägliche Prognosefehler für stündliche Elektroenergiepreise in Cent/KWh
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Stunde/MAPE% Mi Do Fr Sa So Mo Di
9 7,23 0,68 3,65 11,17 6,56 11,32 6,09 10 0,56 16,01 10,48 11,07 1,85 3,40 1,78 11 0,64 9,57 6,17 14,69 4,15 12,24 4,48 12 1,42 4,47 2,22 2,31 0,90 0,21 0,79 13 2,59 7,36 1,13 0,18 0,95 10,76 4,75 14 1,47 0,11 0,46 0,46 1,21 8,71 1,25 15 1,35 9,48 4,10 4,52 5,66 5,17 2,42 16 0,99 3,51 3,30 5,47 2,31 1,47 3,82 17 2,27 11,83 3,64 11,61 5,53 3,67 3,48 18 3,36 1,66 4,78 0,51 8,84 19,26 5,68 19 1,99 3,88 2,02 8,72 5,41 2,22 0,04 20 1,35 1,68 4,06 11,63 14,67 10,89 7,08
Tabelle 4: Prognosefehler in den Nachfragespitzen
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Fehler GARCH(2, 2) GARCH(2, 2)Tageszeit Dummy(9 - 20 Uhr gleich 1, sonst 0)
GARCH(2, 2)Tagesspitzen Dummy( 9 -11 Uhr und17 -20 Uhr gleich 1 sonst 0)
RMSE 0,341 0,341 0,340
RMSE % 7,087 7,082 7,069
MAE 0,251 0,250 0,250
MAPE % 5,237 5,224 5,227
Tabelle 5: Modellerweiterung durch Tagesdummies
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Tabelle 6: Fehlervergleich im MAPE%
Max. Gewinn
GARCH(2,2) und Spitzendummy
mit Dummy ohne Dummy Verbesserung
6,74 6,67 0,07 6,18 6,45 -0,27 7,27 7,42 -0,15 2,05 1,76 0,29 3,76 3,96 -0,20 2,07 1,95 0,12 4,56 4,67 -0,12 3,17 2,98 0,18 6,17 6,00 0,17 6,36 6,30 0,06 3,78 3,47 0,31 6,79 7,34 -0,55
Max. Verlust
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
PJM-Verbund
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
PJM-Zone/RMSE% 25.1.-31.1.2005 25.8.-31.8.2005
PECO 4,756 3,846 PENELEC 6,933 4,935 PEPCO 5,201 3,221 PPL 4,952 4,017
Tabelle 7: Jahreszeitliche Abhängigkeit der Güte von Preisprognosen (LMP1)
LMP Locational Marginal Pricing (Nodalpreisbildung im Rahmen des Engpassmanagements)
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
[1] vom 14.12. bis zum 20.12.2004[2] vom 21.12. bis zum 27.12.2004
Tabelle 8: Prognoseergebnisse für stündliche Elektroenergiepreise pro Tag für New York
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschuleTabelle 9: Einschrittprognosefehler für stündliche EE-Preise und –Nachfrage
nach Tagen (Januar 2005)
Wochentage Di Mi Do Fr Sa So Mo
Modell Fehlermaße
ESP_HP_1_garch RMSE% 10,43 5,63 7,67 8,14 7,48 11,38 9,09
NE_HP_1_garch RMSE% 33,42 18,60 26,32 35,49 36,91 26,30 22,21
ONT_HP_1_garch RMSE% 21,36 16,70 17,81 27,06 15,11 13,82 19,74
EU_HP_1_garch RMSE% 5,97 8,92 25,29 8,64 6,88 4,80 5,51
NE_HD_1_garch RMSE% 1,23 1,76 1,71 1,81 1,10 1,55 2,88
ONT_HD_1_garch RMSE% 0,47 0,97 0,70 0,60 0,73 0,49 0,99
EU_HD_1_garch RMSE% 4,81 3,01 3,86 5,71 6,41 3,67 3,15
ESP Spanien NE New England ONT Ontario EU Europäische Union
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
ESP Spanien NE New England ONT Ontario EU Europäische Union
Tabelle 10: Einschrittprognosefehler für stündliche EE-Preise und-Nachfrage nach Tagen (August 2005)
Wochentage Do Fr Sa So Mo Di Mi
Modell Fehlermaße
ESP_HP_2_garch RMSE% 12,00 8,40 8,99 3,63 13,23 10,41 9,29
NE_HP_2_garch RMSE% 63,86 61,44 91,79 88,20 39,59 70,98 33,34
NE_HP_2free_garch RMSE% 30,54 29,45 28,35 25,96 26,71 21,93 25,07
ONT_HP_2_garch RMSE% 26,18 27,56 24,29 32,18 24,41 26,90 34,98
EU_HP_2_garch RMSE% 5,86 10,88 8,87 7,13 8,14 7,19 5,94
NE_HD_2_garch RMSE% 3,20 2,42 1,82 2,43 3,08 2,23 1,68
ONT_HD_2_garch RMSE% 0,91 0,77 1,33 1,29 1,58 0,75 1,05
EU_HD_2_garch RMSE% 3,85 3,22 4,13 3,53 3,92 2,74 4,45
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Tabelle 11: Prognoseergebnisse für stündliche Nachfrage und Preise EE
pro Tag in den Bundesstaaten von New England
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Kritik an der Modellierung von Garcia u.A.[2005] für Spanien und
Kalifornien mit Daten für 1999/2000:
Die Beobachtungsgleichungen umfassten jeweils 12 Parameter und die
Varianzgleichungen 5 Parameter.
Die Signifikanzschwelle wurde auf 10% gesetzt.
Einheitswurzeln wurden nicht abgetestet.
Der LM-Test, der BDS-Test und Optimierungskriterien wurden
ebenfalls nicht verwendet.
Fazit Spezifikation:
Die Modelle sind leicht überparametrisiert und statistisch unsicher.
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Leichte Erhöhung der Treffsicherheit von GARCH(3, 3)-Modellen
gegenüber ARIMA-Modellen mit MA-Termen bis zum Lag 3 im
Wochenmittel 1 bis 2% (→ Keine Bestätigung). Leichte Erhöhung der Treffsicherheit um 0,4 bis 0,6 % durch Hinzu-
nahme der Nachfrage als Regressor im GARCH-Modell (→
Bestätigung). Jahreszeitliche Schwankungen im RMSE% von 1,13% (ESP) bis
19,76% (CA) (→ Bestätigung). RMSE% für Spanien 2000/2001: August 3,15% (7,09% 2002/03→
Keine Bestätigung). RMSE% für Kalifornien 1999/2000: Juli 47,72% (22,12% 2002/03
→Keine Bestätigung).
Fazit Preisprognose: Die Prognosegüte von GARCH-Modellen
lässt sich am Beispiel von Punktprognosen nicht vergleichen.
Fortsetzung
Bus
ines
s In
form
atic
s
praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating futureVortrag auf der GOR-Tagung am 5.10.2006
university ofapplied
sciences
stralsundfachhochschule
Danke für Ihre Aufmerksamkeit!