Prediction of volatility price in Brazilian Energy market applying ML models
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
FGV_fe914bdc0a4fc3ed6ef949c22ee1e167 |
---|---|
oai_identifier_str |
oai:repositorio.fgv.br:10438/32854 |
network_acronym_str |
FGV |
network_name_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
repository_id_str |
3974 |
spelling |
Mendes, Pedro Paulo da CruzEscolas::EESPMirapalheta, Gustavo CorrêaMatsumoto, Élia YathieSilva, Luiz Henrique Moraes da2022-11-07T14:19:38Z2022-11-07T14:19:38Z2022-11-04338.5(81)https://hdl.handle.net/10438/32854O 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.The Brazilian energy sector, especially the electric power sector, has undergone constant evolution over the decades seeking to improve pricing and optimize dispatch and generation without exhausting the production matrices that are significantly dependent on the rainfall regime. However, there is still a high degree of uncertainty and volatility to be managed by public agencies and market agents. Today, the price formation or price setting framework, which is economically an information system, is based on mathematical optimization models that may not strictly follow the intersections between supply and demand. This paper, presents some studies applying Machine Learning models such as Random Forest that contrast with results from simpler models based on the volatility of the price series: GARCH and ARCH, for example. The objective is to study future volatility rather than level price values, since models can better capture this measure and indicate possible changes in market structure, an important fact for trading and trading agents. The work was developed primarily in Python, using Machine Learning packages such as scikit-learn, which were adjusted to distinct variables such as rainfall, basin residual energy and daily settlement prices since 2018. To compare the performance of the models, we considered the MSE, MAE and ME metrics, whose results indicated a superior performance of the Random Forest models in predicting short-term volatility, especially when associated with volatility curves predicted by simpler models which are applied as additional variables to the Machine Learning frameworks, forming the so-called Stacked Models.engMachine learningStacked modelsRandom forestPower marketsMercado de energia elétricaGARCH-ARCHEconomiaVolatilidade (Finanças)Preços - DeterminaçãoModelos econométricosAprendizado do computadorEnergia elétrica - BrasilPrediction of volatility price in Brazilian Energy market applying ML modelsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVORIGINALDissertacao_Pedro_Mendes.pdfDissertacao_Pedro_Mendes.pdfPDFapplication/pdf6398992https://repositorio.fgv.br/bitstreams/ef309b6f-536b-4bc8-b07e-e42fa95c9096/download6dc5eb3a85da9474b6b4c2e1542fe96dMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-84707https://repositorio.fgv.br/bitstreams/64ae114f-766f-4afb-9501-05aabfcbc13a/downloaddfb340242cced38a6cca06c627998fa1MD52TEXTDissertacao_Pedro_Mendes.pdf.txtDissertacao_Pedro_Mendes.pdf.txtExtracted texttext/plain101803https://repositorio.fgv.br/bitstreams/f1c9023d-33ac-4cdc-bb6b-11c518e2de6a/downloaddf254485717c22eaf8b99e41caaa1183MD55THUMBNAILDissertacao_Pedro_Mendes.pdf.jpgDissertacao_Pedro_Mendes.pdf.jpgGenerated Thumbnailimage/jpeg2977https://repositorio.fgv.br/bitstreams/c7989310-f7ff-4ede-9df9-b634328ee4e2/download557e9fc6a5edc7f33c182a482532c02cMD5610438/328542023-11-25 21:35:48.26open.accessoai:repositorio.fgv.br:10438/32854https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestopendoar:39742023-11-25T21:35:48Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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 |
dc.title.eng.fl_str_mv |
Prediction of volatility price in Brazilian Energy market applying ML models |
title |
Prediction of volatility price in Brazilian Energy market applying ML models |
spellingShingle |
Prediction of volatility price in Brazilian Energy market applying ML models Mendes, Pedro Paulo da Cruz 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 |
title_short |
Prediction of volatility price in Brazilian Energy market applying ML models |
title_full |
Prediction of volatility price in Brazilian Energy market applying ML models |
title_fullStr |
Prediction of volatility price in Brazilian Energy market applying ML models |
title_full_unstemmed |
Prediction of volatility price in Brazilian Energy market applying ML models |
title_sort |
Prediction of volatility price in Brazilian Energy market applying ML models |
author |
Mendes, Pedro Paulo da Cruz |
author_facet |
Mendes, Pedro Paulo da Cruz |
author_role |
author |
dc.contributor.unidadefgv.por.fl_str_mv |
Escolas::EESP |
dc.contributor.member.none.fl_str_mv |
Mirapalheta, Gustavo Corrêa |
dc.contributor.author.fl_str_mv |
Mendes, Pedro Paulo da Cruz |
dc.contributor.advisor1.fl_str_mv |
Matsumoto, Élia Yathie Silva, Luiz Henrique Moraes da |
contributor_str_mv |
Matsumoto, Élia Yathie Silva, Luiz Henrique Moraes da |
dc.subject.eng.fl_str_mv |
Machine learning Stacked models Random forest Power markets |
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 |
dc.subject.por.fl_str_mv |
Mercado de energia elétrica GARCH-ARCH |
dc.subject.area.por.fl_str_mv |
Economia |
dc.subject.bibliodata.por.fl_str_mv |
Volatilidade (Finanças) Preços - Determinação Modelos econométricos Aprendizado do computador Energia elétrica - Brasil |
description |
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. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-11-07T14:19:38Z |
dc.date.available.fl_str_mv |
2022-11-07T14:19:38Z |
dc.date.issued.fl_str_mv |
2022-11-04 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/10438/32854 |
dc.identifier.other.none.fl_str_mv |
338.5(81) |
identifier_str_mv |
338.5(81) |
url |
https://hdl.handle.net/10438/32854 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional do FGV (FGV Repositório Digital) instname:Fundação Getulio Vargas (FGV) instacron:FGV |
instname_str |
Fundação Getulio Vargas (FGV) |
instacron_str |
FGV |
institution |
FGV |
reponame_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
collection |
Repositório Institucional do FGV (FGV Repositório Digital) |
bitstream.url.fl_str_mv |
https://repositorio.fgv.br/bitstreams/ef309b6f-536b-4bc8-b07e-e42fa95c9096/download https://repositorio.fgv.br/bitstreams/64ae114f-766f-4afb-9501-05aabfcbc13a/download https://repositorio.fgv.br/bitstreams/f1c9023d-33ac-4cdc-bb6b-11c518e2de6a/download https://repositorio.fgv.br/bitstreams/c7989310-f7ff-4ede-9df9-b634328ee4e2/download |
bitstream.checksum.fl_str_mv |
6dc5eb3a85da9474b6b4c2e1542fe96d dfb340242cced38a6cca06c627998fa1 df254485717c22eaf8b99e41caaa1183 557e9fc6a5edc7f33c182a482532c02c |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV) |
repository.mail.fl_str_mv |
|
_version_ |
1802749916386164736 |