Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: combining forecast

Sortuj według:

Ogranicz wyniki do:

Combining predictive distributions of electricity prices : does minimizing the CRPS lead to optimal decisions in day-ahead bidding?

Nitka Weronika, Weron Rafał

Operations Research and Decisions

2023

Vol. 33, No. 3

105--118

Probabilistic price forecasting has recently gained attention in power trading because decisions based on such predictions can yield significantly higher profits than those made with point forecasts alone. At the same time, methods are being developed to combine predictive distributions, since no model is perfect and averaging generally improves forecasting performance. In this article, we address the question of whether using CRPS learning, a novel weighting technique minimizing the continuous ranked probability score (CRPS), leads to optimal decisions in day-ahead bidding. To this end, we conduct an empirical study using hourly day-ahead electricity prices from the German EPEX market. We find that increasing the diversity of an ensemble can have a positive impact on accuracy. At the same time, the higher computational cost of using CRPS learning compared to an equal-weighted aggregation of distributions is not offset by higher profits, despite significantly more accurate predictions.

Short-term predictions of import prices of steam coal in Poland

Śmiech S., Papież M.

Rynek Energii

2012

Nr 2

148--153

The aim of the paper is to develop, evaluate and compare forecasting models for the market price of steam coal. Since 88% of electrical energy in Poland is obtained from coal, which additionally constitutes over 50% of its production costs, the authors investigated the possibility of forecasting steam coal prices. Forecasting will refer to Russian export coal price in the Baltic ports, as there is no coal benchmark price for Poland. Modelling and forecasting coal prices was conduct-ed for the period 2003-2011 using monthly and quarterly data and a wide range of econometric time series models, including linear and nonlinear models as well as one-dimensional and simultaneous equations models. The following variables were taken into consideration: prices of other energy sources, energy demand, prices of CO2 emission permissions and the leading economic index. The tools used in the analysis will allow not only to forecast but also to evaluate the influence of given variables on the coal prices. The methodology used made it possible to adopt forecast horizons of 1 and 2 quarters (up to 6 months), which corresponds to operational activity of both coal importers and exporters.

Celem artykułu jest budowa, ocena i porównanie modeli prognostycznych dla rynkowej ceny węgla energetycznego. Ponieważ w Polsce energia elektryczna jest w około 88% wytwarzana z węgla, który dodatkowo stanowi ponad 50% kosztów jej wytwarzania stąd autorzy zbadali możliwość prognozowania cen węgla energetycznego. Autorzy przyjęli, że prognozowana będzie cena eksportowa węgla rosyjskiego w portach bałtyckich, gdyż brak dla krajowego rynku benchmarku ceny węgla. Modelowanie i prognozowanie ceny węgla zostało przeprowadzone w latach 2003 – 2011 na danych miesięcznych i kwartalnych. Do budowy prognoz zaproponowano szeroką klasę ekonometrycznych modeli szeregów czasowych, obejmującą liniowe i nieliniowe modele, jednowymiarowe oraz wielorównaniowe modele. Parametry większości modeli były estymowane tradycyjnie (metodą największej wiarygodności). Parametry modeli klasy ARDL były również estymowane metodami od-pornymi. Wykorzystywane w analizie zmienne obejmują m.in.: ceny innych surowców energetycznych, popyt na energię, ceny uprawnień dla emisji CO2 oraz wskaźniki wyprzedzające koniunkturę. Zastosowane narzędzia pozwolą (oprócz wyznaczenia prognoz) na ocenę wpływu poszczególnych zmiennych na cenę węgla. Dobrana metodologia pozwala na przyjęcie horyzontu prognozy wynoszącego 1 i 2 kwartały (do 6 miesięcy). Takie ujęcie analizy wpisuje się w działalność bieżącą (operacyjną) importerów i eksporterów węgla.