Forecasting next-day electricity prices: from different models to combination

Con la liberalizzazione dei mercati dell’elettricità, il problema della modellazione e previsione dei prezzi elettrici è diventato di fondamentale importanza. In letteratura sono stati studiati e applicati ad un gran numero di mercati molti tipi di modelli, come modelli per serie storiche, regressione lineare e modelli non lineari a salti molto più complessi. I risultati però sono contrastanti e finora nessun modello ha mostrato una capacità previsiva dei prezzi elettrici superiore rispetto agli altri. L’obiettivo di questa tesi è capire se i modelli di combinazione di previsioni possano dare risultati statisticamente superiori rispetto alle previsioni ottenute da singoli modelli. In particolare, viene affrontato il problema della previsione dei prezzi elettrici del giorno dopo applicato al mercato elettrico britannico UK Power Exchange. In questo mercato, i prezzi hanno frequenza semioraria: al fine di valutare il comportamento previsivo dei modelli, relativamente all’andamento dei prezzi nei diversi momenti della giornata, sono state scelte specifiche fasce orarie. I modelli usati per la previsione dei prezzi sono stati stimati sulla base di finestre di dati espandibili e/o mobili di diverse misure fissate. I modelli considerati includono modelli lineari di tipo ARMAX e diverse specificazioni di modelli di regressione multipla. Inotre sono stati considerati modelli di regressione non lineare a regimi Markov switching e modelli di regressione a parametri non costanti. Le previsioni a un passo ottenute dai modelli specificati sono state confrontate secondo diversi criteri statistici come le statistiche basate sull’errore di previsione e il test di Diebold e Mariano. Dai risultati emerge che, globalmente, nessun modello considerato supera gli altri per abilità previsiva: vari fattori, tra cui specificazione del modello, realizzazione campionaria e periodo di previsione, influenzano l’accuratezza previsiva. Dal momento che modelli di previsione diversi sembrano evidenziare caratteristiche diverse della dinamica dei prezzi elettrici, viene proposto un approccio basato sulla combinazione di previsioni. Questo metodo, finalizzato a migliorare l’accuratezza previsiva, si è dimostrato utile in molti studi empirici, ma finora non è stato usato nel contesto della previsione dei prezzi elettrici. In questa tesi sono state usate diverse tecniche di combinazione. L’approccio più semplice consiste nel dare lo stesso peso a tutte le previsioni ottenute dai singoli modelli. Altre procedure di combinazione di previsioni sono di tipo adattivo, poichè utilizzano coefficienti non costanti. In questo contesto, sono stati considerati i metodi di Bates & Granger (1969). I modelli usati nella combinazione sono stati scelti, per ciascuna stagione di previsione, con il metodo model confidence set (MCS) descritto in Hansen et al. (2003, 2005) e successivamente ridotti con il metodo forecasts encompassing di Fair & Shiller (1990). Per ciascuna ora considerata, i risultati sottolineano che i modelli si comportano in modo diverso a seconda della stagione di previsione. Questa caratteristica giustifica l’applicazione dei modelli di combinazione di previsioni ad un livello stagionale. In questa tesi vengono presentati risultati promettenti in questa direzione. Considerando le statistiche basate sull’errore di previsione, i risultati delle combinazioni sono stati confrontati con i migliori risultati ottenuti dai singoli modelli in ciascun periodo previsivo. Il vantaggio della procedura proposta deriva dal fatto che combinando le previsioni ad un livello stagionale, si ottengono previsioni di accuratezza superiore o uguale rispetto alle previsioni individuali.