Prediction of volatility price in Brazilian Energy market applying ML models

• Autor(a) principal: Mendes, Pedro Paulo da Cruz
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Repositório Institucional do FGV (FGV Repositório Digital)
• Texto Completo: https://hdl.handle.net/10438/32854
• topic: Machine learning; Stacked models; Random forest; Power markets; Mercado de energia elétrica; GARCH-ARCH; Economia; Volatilidade (Finanças); Preços - Determinação; Modelos econométricos; Aprendizado do computador; Energia elétrica - Brasil

O setor de energia brasileiro, principalmente o elétrico, tem passado por contantes evoluções ao longo das décadas buscando o aprimoramento da formação de preços e otimização do despacho e geração sem exaurir as matrizes produtivas que são significativamente dependentes do regime pluvial. Contudo, ainda existe um elevado grau de incertezas e volatilidades a serem gerenciadas pelos órgãos públicos e agentes de mercado. Hoje, o arcabouço de formação ou estabelecimento de preços, que economicamente são um sistema de informação, é alicerçado em modelos matemáticos de otimização que podem não seguir estritamente as intersecções entre oferta e demanda. O presente trabalho, apresenta alguns estudos aplicando modelos de Machine Learning como Random Forest que contrastam com resultados de modelos mais simples baseados na volatilidade da séries de preços: GARCH e ARCH, por exemplo. O objetivo é estudar à volatilidade futura ao invés dos valores dos preços em nível, uma vez que os modelos podem capturar melhor essa medida e indicar possíveis mudanças na estrutura do mercado, fato importante para agentes de comercialização e trading. O trabalho foi desenvolvido primariamente em Python, utilizando-se pacotes de Machine Learning como scikit-learn, os quais foram ajustados à distintas variáveis como pluviometria, energia residual das bacias e preços de liquidação diários desde 2018. Para comparação de performance dos modelos, consideramos as métricas MSE, MAE e ME cujos resultados indicaram uma performance superior dos modelos de Random Forest na previsão da volatilidade de curto prazo, principalmente quando associados às curvas de volatilidade previstas por modelos mais simples os quais são aplicados como variáveis adicionais aos modelos de Machine Learning, formando os chamados Stacked Models.