Сравнение динамики спотовых цен на электричество в европейской и сибирской ценовых зонах России в модели стохастической волатильности

Обложка

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В литературе о прогнозировании спотовых цен на электричество отмечается, что эмпирическое распределение темпов роста равновесных цен на электричество отличается наличием тяжелых «хвостов», поэтому их можно описать как диффузионно-скачкообразный процесс. При этом цены на электричество связаны со множеством наблюдаемых факторов, которые могут быть учтены в модели. Разработана модель, позволяющая учесть статистические особенности цен на электричество (наличие многоуровневой сезонности, стохастическую волатильность) и фундаментальные ценовые факторы, прямо или косвенно влияющие на равновесные индексы цен (погода, цены на ресурсы, индекс промышленного производства). С помощью байесовского анализа было показано, что среди рассмотренных альтернатив разработанная двухуровневая спецификация модели стохастической волатильности, разделяющая факторы, влияющие на детерминистическую и стохастическую компоненты ряда, наилучшим образом описывает данные. В результате анализа были выявлены различия в динамике цен в европейской и сибирской ценовых зонах: влияние погоды в ценовых зонах неодинаковое, имеются различия в недельной динамике цен и влиянии праздничных дней. Эффект низкочастотных экономических факторов (цен на ресурсы, индекса промышленного производства) на цены не был выявлен. Данная модель является полезным инструментом для анализа краткосрочной и долгосрочной динамики цен на электричество, построения сценарных прогнозов, а также потенциально может использоваться в управлении рисками и при ценообразовании производных финансовых инструментов на рынке электроэнергии.

Полный текст

Доступ закрыт

Об авторах

К. А. Касьянова

РАНХиГС

Автор, ответственный за переписку.
Email: kasyanova-ka@ranepa.ru
Россия, Москва

Список литературы

  1. Калашникова С., Ермишина А. (2009). Влияние энерготарифов естественных монополий на социально-значимые отрасли России // Terra Economicus. T. 7 (1–2). С. 13–20. [Kalashnikova S., Ermishina A. (2009). Influence of natural monopolies energy tariffs on socially important industries in Russia. Terra Economicus, 7 (1–2), 13–20 (in Russian).]
  2. Лясковская Е. А., Курбангалиев М. Р. (2014). К вопросу реформирования электроэнергетики РФ // Экономика, управление и инвестиции. Т. 1. № 3. С. 108–115. [Lyaskovskaya E. A., Kurbangaliev M. R. (2014). On the issue of reforming the Russian electric power industry. Economics, Management and Investments, 1, 3, 108–115 (in Russian).]
  3. Рыбина И., Макаров О. (2016). Основные аспекты стратегии развития электроэнергетической отрасли до 2035 года. В сб.: «Взаимодействие науки и бизнеса». С. 78–84. [Rybina I., Makarov O. (2016). The main aspects of the strategy for the development of the electric power industry until 2035. In: Science and Business Interaction, 78–84 (in Russian).]
  4. Соловьева И. А., Дзюба А. П. (2013). Прогнозирование электропотребления с учетом факторов технологической и рыночной среды // Научный диалог. № 7 (19). С. 97–113. [Solovieva I. A., Dziuba A. P. (2013). Forecasting of power consumption taking into account the factors of the technological and market environment. Scientific Dialogue, 7 (19), 97–113 (in Russian).]
  5. Старкова Н. О., Зубко Д. В. (2016). Основные проблемы развития и инвестирования российской электроэнергетики // Бюллетень науки и практики. Т. 11. № 12. С. 170–176. [Starkova N. O., Zubko D. V. (2016). The main problems of development and investment of the Russian electric power industry. Bulletin of Science and Practice, 11 (12), 170–176 (in Russian).]
  6. Трачук А.В., Линдер Н.В., Зубакин В.А., Золотова И.Ю., Володин Ю.В. (2017). Перекрестное субсидирование в электроэнергетике: проблемы и пути решения // Стратегические решения и риск-менеджмент. № 1–2. С. 24– 35. [Trachuk A. V., Linder N. V., Zubakin V. A., Zolotova I. Yu., Volodin Yu.V. (2017). Cross-subsidization in the electric power industry: Problems and solutions. Strategic Decisions and Risk Management, 1–2, 24–35 (in Russian).]
  7. Andersson M., Bjork C., Karlsson B. (1993). Cost-effective energy system measures studied by dynamic modelling. 2nd International Conference on Advances in Power System Control, Operation and Management. Hong Kong: APSCOM-93, 448–455.
  8. Bosco B., Parisio L., Pelagatti M., Baldi F. (2010). Long-run relations in European electricity prices. Journal of Applied Econometrics, 25 (5), 805–832.
  9. Cartea A., Figueroa M. G. (2005). Pricing in electricity markets: A mean reverting jump diffusion model with seasonality. Applied Mathematical Finance, 12 (4), 313–335.
  10. Canova F., Hansen B. E. (1995). Are seasonal patterns constant over time? A test for seasonal stability. Journal of Business & Economic Statistics, 13 (3), 237–252.
  11. Escribano A., Ignacio Peña J., Villaplana P. (2011). Modelling electricity prices: International evidence. Oxford Bulletin of Economics and Statistics, 73 (5), 622–650.
  12. Gao F., Sheble G. (2010). Electricity market equilibrium model with resource constraint and transmission congestion. Electric Power Systems Research, 80 (1), 9–18.
  13. Huisman R., Mahieu R. (2003). Regime jumps in electricity prices. Energy Economics, 25 (5), 425–434.
  14. Keles D., Scelle J., Paraschiv F., Fichtner W. (2016). Extended forecast methods for day-ahead electricity spot prices applying artificial neural networks. Applied Energy, 162, 218–230.
  15. Kostrzewski M., Kostrzewska J. (2019). Probabilistic electricity price forecasting with Bayesian stochastic volatility models. Energy Economics, 80, 610–620.
  16. Krause T., Andersson G. (2006). Evaluating congestion management schemes in liberalized electricity markets using an agent-based simulator. IEEE Power Engineering Society General Meeting, Montreal: IEEE, 1–8.
  17. Kuznetsova E., Li Y.-F., Ruiz C., Zio E. (2014). An integrated framework of agent-based modelling and robust optimization for microgrid energy management. Applied Energy, 129, 70–88.
  18. Lucia J. J., Schwartz E. S. (2002). Electricity prices and power derivatives: Evidence from the Nordic power exchange. Review of Derivatives Research, 5 (1), 5–50.
  19. Meyer-Brandis T., Tankov P. (2008). Multi-factor jump-diffusion models of electricity prices. International Journal of Theoretical and Applied Finance, 11 (5), 503–528.
  20. Monnahan C. C., Kristensen K. (2018). No-U-turn sampling for fast Bayesian inference in ADMB and TMB: Introducing the adnuts and tmbstan R packages. PloS One, 13 (5), e0197954.
  21. Vats D., Knudson C. (2021). Revisiting the Gelman–Rubin diagnostic. Statistical Science, 36 (4), 518–529.
  22. Weron R. (2009). Heavy-tails and regime-switching in electricity prices. Mathematical Methods of Operations Research, 69 (3), 457–473.

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».