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

As a result of deregulation of most power markets around the world electricity price modeling and forecasting have obtained increasing importance in recent years. Large number of models has been studied on a wide range of power markets, from linear time series and multivariate regression models to more complex non linear models with jumps, but results are mixing and there is no single model that provides convincing superior performance in forecasting spot prices. This study considers whether combination forecasts of spot electricity prices are statistically superior to a wide range of single model based forecasts. To this end we focus on one-day ahead forecasting of half-hourly spot data from the British UK Power Exchange electricity market. In this work we focus on modeling data corresponding to some load periods of the day in order to evaluate the forecasting performance of prices representative of different moment of the day. Several forecasting models for power spot prices are estimated on the basis of expanding and/or rolling estimation windows of different sizes. Included are linear ARMAX models, different specifications of multiple regression models, non linear Markov switching regression models and time-varying parameter regression models. One-day ahead forecasts are obtained for each model and evaluated according to different statistical criteria as prediction error statistics and the Diebold and Mariano test for equal predictive accuracy. Forecasting results highlight that no model globally outperforms the others: differences in forecasting accuracy depend on several factors, such as model specification, sample realization and forecasting period. Since different forecasting models seem to capture different features of spot price dynamics, we propose a forecasting approach based on the combination of forecasts. This approach has been useful to improve forecasting accuracy in several empirical situations, but it is novel in the spot electricity price forecasting context. In this work different strategies have been employed to construct combination forecasts. The simplest approach is an equally weighted combination of the forecasts. An alternative is the use of adaptive forecast combination procedures, which allows for time-varying combination coefficients. Methods from Bates & Granger (1969) are considered. Models entering the combination are chosen for each forecasting season using the model confidence set method (MCS) described in Hansen et al. (2003, 2005) and then screened with the forecasts encompassing method of Fair & Shiller (1990). For each load period, our findings underline that models behave differently in each season. For this reason we propose a combination applied at a seasonal level. In this thesis some promising results in this direction are presented. The combination results are compared with the best results obtained from the single models in each forecasting period and for different prediction error statistics. Our findings illustrate the usefulness of the procedure, showing that combining forecasts at a seasonal level have the potential to produce predictions of superior or equal accuracy relative to the individual forecasts.

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.