Carbon emissions futures price forecasting with random forest

• Autorzy: Pawłowski Piotr

Warianty tytułu

PL

Prognozowanie cen emisji dwutlenku węgla z wykorzystaniem lasów losowych

• Języki publikacji: EN

Abstrakty

EN

The accurate carbon price forecasts are necessary for energy and financial market participants. However, nonstationary and nonlinear nature of carbon prices time series, makes it relatively hard to capture rapid price fluctuations. Literature concerning carbon prices forecasting has extended visibly during last decade, focusing on ARIMA, GARCH or hybrid models combing characteristics of linear and non-linear predictive methods. Development of machine learning techniques and widely available computing power made it possible to test more power consuming algorithms such as XGboost or Random Forest. In this article Random Forest model was used to predict carbon emissions futures price for day ahead, with additional parameter tuning. The final results evaluated on testing dataset indicate that the proposed model performs better than classic linear model and parameter tuning can additionally enhance model accuracy. Overall, the developed approach provides an effective method for predicting carbon price.

PL

Dokładne prognozy cen emisji dwutlenku węgla są niezbędne dla uczestników rynku energii i rynków finansowych. Niestacjonarny i nieliniowy charakter cen emisji dwutlenku węgla sprawia, że stosunkowo trudno jest uchwycić ich gwałtowne wahania. Literatura dotycząca prognozowania cen emisji dwutlenku węgla znacznie się rozwinęła w ciągu ostatniej dekady, koncentrując się głównie na modelach typu ARIMA, GARCH lub hybrydowych łączących cechy liniowych i nieliniowych metod predykcyjnych. Rozwój technik uczenia maszynowego i powszechność dostępnych mocy obliczeniowych umożliwiły testowanie bardziej zaawansowanych algorytmów, takich jak XGboost czy Random Forest. W niniejszym artykule do prognozowania ceny kontraktów terminowych emisji dwutlenku węgla na dzień naprzód został wykorzystany model oparty o lasy losowe, z dodatkowym dostrojeniem parametrów. Ostateczne wyniki zweryfikowane na testowym zbiorze danych wskazały, że proponowany model działa lepiej niż klasyczny model liniowy, a strojenie parametrów może dodatkowo zwiększyć jego dokładność. Tym samym, opracowane podejście zapewnia skuteczną metodę przewidywania ceny emisji dwutlenku węgla na dzień następny.

Słowa kluczowe

EN

carbon price forecasting; random forest; EUA; machine learning

PL

prognozowanie cen emisji dwutlenku węgla; EUA; lasy losowe; uczenie maszynowe; prognozy krótkoterminowe

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2021
• Tom: Nr 2
• Strony: 88--92
• Opis fizyczny: Bibliogr. 21 poz., fig., tab.

Twórcy

autor

Pawłowski Piotr

• doktorant w Kolegium Zarządzania i Finansów Szkoły Głównej Handlowej w Warszawie

Bibliografia

• [1] Ashu J., Avadhnam M.K. [2007], Hybrid neural network models for hydrologic time series forecasting, "Applied Soft Computing", 7, 585–592.
• [2] Atsalakis G. [2016], Using computational intelligence to forecast carbon prices, "Appl Soft Comput", 43, 107–16.
• [3] Baliclar M., Demirer R., Hammoudeh S., Nguyen D.K. [2016], Risk spillovers across the energy and carbon markets and hedging strategies for carbon risk, “Energy Economics”, 54, 159-172.
• [4] Bangzhu Z., Yiming W. [2013], Carbon price forecasting with a novel hybrid ARIMA and least squares support vector machines methodology, "Omega", 41, 517–524.
• [5] Bangzuh Z., Dong H., Ping W., Zhanchi W., Tao Z., Yi-Ming W. [2017], Forecasting carbon price using empirical mode decomposition and evolutionary least squares support vector regression, “Applied Energy”, 191, 521-530.
• [6] Baranzini A., van den Berghm J.C., Carattini S., Howarth R.B., Padilla E., Roca J. [2017], Carbon pricing in climate policy: seven reasons, complementary instruments, and political economy considerations, Wiley Interdisciplinary Reviews: Climate Change.
• [7] Benz E., Truck S. [2009], Modeling the price dynamics of CO2 emission allowances, "Energy Econ", 31(1), 4–15.
• [8] Breiman L. [2001], Random forests, "Machine learning", 45, 5-32.
• [9] Buskirk T.D., Kolenikov S. [2015], Finding Respondents in the Forest: A Comparison of Logistic Regression and Random Forest Models for Response Propensity Weighting and Stratification, "Survey Insights: Methods from the Field, Weighting: Practical Issues and ‘How to’ Approach", Retrieved from https://surveyinsights.org/?p=5108
• [10] Byun S.J., Cho H. [2013], Forecasting carbon futures volatility using GARCH models with energy volatilities, “Energy Economics”, 40, 207-221.
• [11] Cagdas H.A., Erol E., Cem K. [2009], Forecasting nonlinear time series with a hybrid methodology, "Applied Mathematics Letters", 22, 1467–1470.
• [12] Chevallier J. [2009], Carbon futures and macroeconomic risk factors: A view from the EU ETS, "Energy Econ.", 31, 614–625.
• [13] Chevallier J. [2011], Nonparametric modeling of carbon prices, "Energy Econ", 33 (6), 1267–82.
• [14] Conrad C., Rittler D., Rotfub W. [2012], Modeling and explaining the dynamics of European Union Allowance prices at the high-frequency, "Energy Econ", 34 (1), 316–26.
• [15] Fan J.L., Wu L.F., Ma X., Zhou H.M., Zhang F.C. [2020], Hybrid support vector machines with heuristic algorithms for prediction of daily diffuse solar radiation in air-polluted regions, "Renew. Energ", 145, 2034-2045.
• [16] Feng Z., Zou L., Wei Y. [2011], Carbon price volatility: Evidence from EU ETS, "Appl Energy", 88, 590–8.
• [17] Hepburn C. [2007], Carbon trading: a review of the Kyoto mechanisms, “Annual Review of Environment and Resources”, 32.
• [18] Investing.com [2020], Carbon emission futures, retrieved from: https://uk.investing.com/commodities/carbon-emissions-historical-data
• [19] Kuhn M. [2020], Classification and regression training, https://cran.r-project.org/web/packages/caret/index.html
• [20] Liaw A., Wiener M. [2002], Classification and regression by randomForest, "R news", 2, 18-22.
• [21] Patel J., Shah S., Thakkar P., Kotecha K. [2015], Predicting stock market index using fusion of machine learning techniques, "Expert Syst. Appl", 42(4), 2162-2172.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).