Answers are grounded in this paper and cite their sources.
1 Аспирант департамента анализа данных, принятия решений и финансовых технологий, Финансовый университет при Правительстве РФ, Москва 2 Финансовый университет при Правительстве РФ, НИУ ВШЭ, Москва * dmafanasyev@gmail.com **ecolena@mail.ru Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований (проект 16-06-00237 A). Аннотация. В данном исследовании для двух ценовых зон российского оптового рынка электроэнергии выполнена апробация класса прогнозных моделей авторегрессии с сезонной компонентой и экзогенными факторами SCARX, включающей экстраполяцию долгосрочной тренд-сезонной компоненты и отдельное прогнозирование краткосрочной сезонно-стохастической составляющей. Для заданного широкого набора параметров сглаживания временных рядов цен проведено сравнение моделей SCARX на базе вейвлет-разложения (SCARX-W) и фильтра Ходрика-Прескотта (SCARX-HP) с обычной авторегрессионной моделью ARX и наивным подходом (основанном на предположении равенства цен в идентичные дни недели). Оценка эффективности рассматриваемых моделей проводилась с использованием средневзвешенных недельных и дневных ошибок, а также формальной статистической процедуры сравнения прогностических способностей моделей - теста Диболда-Мариано (DM). Численный эксперимент был выполнен на исторических данных о цене и плановом потребление в зонах Европа-Урал и Сибирь российской электроэнергетической биржи. Тестовый период составил 104 недели или 728 дней. В результате проведенного исследования показано, что на российском рынке модель SCARX-W позволяет получить более высокую точность прогноза, по сравнению с SCARX-HP и ARX. При этом минимальная недельная ошибка, которую удалось достичь для ценовой зоны Европа-Урал, составила 4,932%, дневная ошибка - 4,997%. Для зоны Сибирь аналогичные показатели равны 9,144 и 10,051%, соответственно. Эти же результаты подтверждаются формальным DM-тестом, выполненным отдельно для каждого часа суток. Для преодоления проблемы априорного выбора параметров сглаживания в работе предложено использовать различные методы комбинирования прогнозов.
No takes yet. Share an insight, caveat, or question.
Afanasyev et al. (2019) studied this question.
Synapse has enriched 10 related papers. Consider them for comparative context: