Electricity market: Analysis and prediction of volatility

• Název práce v češtině: Electricity market: ; Analysis and prediction of volatility
• Název v anglickém jazyce: Electricity market: ; Analysis and prediction of volatility
• Klíčová slova: Volatilita, předpovídání, predikce, trh s elektřinou
• Klíčová slova anglicky: Volatility, forecasting, prediction, electricity market
• Akademický rok vypsání: 2013/2014
• Typ práce: bakalářská práce
• Jazyk práce: angličtina
• Ústav: Institut ekonomických studií (23-IES)
• Vedoucí / školitel: prof. PhDr. Ladislav Krištoufek, Ph.D.
• Řešitel: skrytý - zadáno vedoucím/školitelem
• Datum přihlášení: 05.06.2014
• Datum zadání: 06.06.2014
• Datum a čas obhajoby: 09.09.2015 00:00
• Místo konání obhajoby: IES
• Datum odevzdání elektronické podoby: 31.07.2015
• Datum proběhlé obhajoby: 09.09.2015
• Oponenti: PhDr. Jan Hájek, Ph.D.

Seznam odborné literatury

Mills, T. C., & Markellos, R. N. (2008). The econometric modelling of financial time series. Cambridge, UK: Cambridge University Press.
Nogales, F. J., Contreras, J., Conejo, A.J., & Espinola, R. (2002). Forecasting next-day electricity prices by time series models. IEEE.
Ghysels, R., Santa-Clara, P., & Valkanov, R. (2004). Predicting Volatility: Getting the most out of return data sampled at different frequencies.
Mount, D. T., Ning, Y., & Cai, X. (2005). Predicting price spikes in electricity markets using a regime-switching model with time-varying parameters. Science Direct.
Amjady, N, & Keyinia, F. (2009). Day-Ahead Price Forecasting of Electricity Markets by Mutual Information Technique and Cascaded Neuro-Evolutionary Algorithm. IEEE.

Předběžná náplň práce

V poslední době se trhy s energií stávají více a více důležité. V minulosti byly tyto trhy charakterizovány monopolistickými organizačními strukturami, ale v současnosti tyto trhy připomínají volný trh a dovolují mnoha stranám kupovat a prodávat energii. Trh s elektrickou energií patří k těm významnějším energetickým trhů a dovoluje kupovat energii. Tento trh se také liší od ostatních, protože díky podstatě elektřiny je velmi obtížné elektrickou energii skladovat a také je nutno zajistit, aby tato energie byla dostupná v případě potřeby. Z tohoto důvodu modely pro burzovní trhy se příliš nehodí k použití na trhu s elektrickou energií.
Navíc, poptávka a nabídky elektrické energie se v čase neustále mění, což dělá elektřinu ještě těžší k obchodování. Časový vývoj cen elektřiny se také podstatně liší od časového vývoje poptávky, neboť často jeví výraznou volatilitu či výrazné vybočující hodnoty. Kdyby obchodníci byli schopni predikovat cenovou volatilitu, mohli by lépe minimalizovat jejich riziko i v případě, že nemají perfektní model pro předpovídání ceny samotné.
Cílem této práce bude analyzovat cenovou volatilitu elektřiny a vytvořit nástroj pro predikci této volatility, neboť volatilita určuje rizikovost obchodu. Jelikož existuje mnoho různých nástrojů, které mohou být použity pro předpovídání, v této práci se také pokusím srovnat několik rozdílných přístupů k problému.
Struktura práce:
1. Jak měřit volatilitu
2. Analýza historických dat
3. Krátký popis použitých metod
4. Shrnutí a diskuze výsledků
Základní literatura:
1.Mills, T. C., & Markellos, R. N. (2008). The econometric modelling of financial time series. Cambridge, UK: Cambridge University Press.
2.Nogales, F. J., Contreras, J., Conejo, A.J., & Espinola, R. (2002). Forecasting next-day electricity prices by time series models. IEEE.
3. Ghysels, R., Santa-Clara, P., & Valkanov, R. (2004). Predicting Volatility: Getting the most out of return data sampled at different frequencies.
4. Mount, D. T., Ning, Y., & Cai, X. (2005). Predicting price spikes in electricity markets using a regime-switching model with time-varying parameters. Science Direct.
5.Amjady, N, & Keyinia, F. (2009). Day-Ahead Price Forecasting of Electricity Markets by Mutual Information Technique and Cascaded Neuro-Evolutionary Algorithm. IEEE.

Předběžná náplň práce v anglickém jazyce

In recent years, the energy markets are getting more and more important. In the past, these markets were characterised by monopoly-based organisational structures but they do resemble free markets now and allows many entities to buy and sell energy on this market.One of the most important of energy markets is the electricity market which allows buying energy through bids and selling energy through offers to sell. The electricity market differs from others because the nature of electricity, it is very difficult to store it and also it has to be available on demand. Thus models for stock markets are not very good for use in the electricity market, because it is not possible - for example - keep electricity in stock or have customers queue for it.

Moreover, the demand and supply vary continuously which makes the electricity even harder to trade. Also, the electricity price time series differs a lot from electricity demand time series because they can exhibit variable means, major volatility and significant outliers. If traders were able to forecast the price volatility, they could better minimize their risks even if they would not have good models for predicting the prices themselves.

The aim of this work will be to analyse the price volatility on electricity and create a tool for prediction the volatility because the volatility determines how risky is the trade. Because there are many possible tools that can be used for the forecasting, this work also try to compare several possible approaches.

Thesis outline
1. How to measure volatility
2. Analysis of historical data
3. Short discussion of used methods
4. Discussion of results

Core Bibliography:
1.Mills, T. C., & Markellos, R. N. (2008). The econometric modelling of financial time series. Cambridge, UK: Cambridge University Press.
2.Nogales, F. J., Contreras, J., Conejo, A.J., & Espinola, R. (2002). Forecasting next-day electricity prices by time series models. IEEE.
3. Ghysels, R., Santa-Clara, P., & Valkanov, R. (2004). Predicting Volatility: Getting the most out of return data sampled at different frequencies.
4. Mount, D. T., Ning, Y., & Cai, X. (2005). Predicting price spikes in electricity markets using a regime-switching model with time-varying parameters. Science Direct.
5.Amjady, N, & Keyinia, F. (2009). Day-Ahead Price Forecasting of Electricity Markets by Mutual Information Technique and Cascaded Neuro-Evolutionary Algorithm. IEEE.