Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Modellspezifikation und Kurzfristprognose stündlicher Elektroenergiepreise auf liberalisierten Strommärkten in Nordamerika und Westeuropa

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Carnero, A.; Koopman, S. J.; Ooms, M.: Periodic heteroskedastic RegARFIMA models for daily electricity prices, Technical Report /4, Tinbergen Institute, Amsterdam, Caporale, G. M., Ntantamis, Ch.; Pantelidis, Th.; Pittis, N.: The BDS Test as a Test for the Adequacy of a GARCH (1, 1) Specification: A Monte Carlo Study, Journal of Financial Econometrics 32(2005), S Conejo, A. C.; Plazas, M. A.; Espinola, R.; Molina, A. B.: Day-Ahead Electricity Price Forecasting Using the Wavelet Transform and ARIMA Models, IEEE Trans. On Power Systems, 20(2005)2, S Contreras, J.; Espinola, R.; Nogales, F. J.; Conejo, A. J.: ARIMA Models to predict Next-Day Electricity Prices, IEEE Trans. On Power Systems, 18(2002)3, Garcia, R.; Contreras, J.; van Akkeren, M.; Garcia, J. B. C.: A GARCH Forecasting Model to Predict Day-Ahead Electricity Prices, IEEE Trans. On Power Systems, 20(2005)2, S Guirguis, H. S.; Felder, F. A.: Further Advances in Forecasting Day-Ahead Electricity Prices Using Time Series Models, KIEE Int. Trans. On PE, 4-A (2004)3, Hinz, J.: Modeling day-ahead electricity prices, Paper, TU Dresden MateoGonzales, A.; MunozsanRoque, A.; Garcia-Gonzales, J.: Modeling and Forecasting Electricity Prices with Input/Output Hidden Markov Models, IEEE Trans. On Power Systems, 20(2005)1, Nogales, F. J.; Contreras, J.; Conejo, A. J. ; Espinola, R. : Forecasting Next-Day Electricity Prices by Time Series Models, IEEE Trans. On Power Systems, 17(2002)2, Rodriguez, C. P.; Anders, G. J.: Energy price forecasting in the Ontario competitive power system market, IEEE Trans. On Power Systems, 19(2004)1, Suenaga, H.; Williams, J.: The Natural Number of Forward Markets for Electricity, Paper, University of California, ( 2004). Wissenschaftliche Quellen

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Wiss. Publikationen IEEE Transactions on Power Systems KIIE Transactions on Power Engineering JFE Journal of Financial Econometrics Discussion Papers Anzahl6113 Tabelle 1

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Bienwald, B.; Steinhurst, W.; White, D.; Roschelle, A.: A Comparison of Wholesale Power Costs in the PJM Market to Indexed Generation Service Costs, Synapse Energy Economics, Cambridge, California ISO, 2004 Summer Assessment. California ISO, Market Analysis Report for July and August California ISO, Market Analysis Report for September Dube, St.: Visualisierung und Analyse des liberalisierten Elektrizitätsmarktes in den USA, Diplomarbeit, FH Stralsund, März 2006 Energy Information Administration (EIA): Annual Energy Outlook Energy Information Administration (EIA): National Energy Modeling System, Fernandez, R.: NYISO Monthly Report, New York, August IEA: Key World Energy Statistics IEA: Energy Statistics Manual New York Independent System Operator (NYISO), Annual Report New York Independent System Operator (NYISO), Annual Report Operator del Mercado Iberico de Energia-Polo Espanol (OMEL), Annual Report Reynolds, J. M.: PJM Load Forecast Report – Supplemental Tables, Geschäftsberichte und sonstige Quellen

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Box-Jenkins-Technik zur Spezifikation von SARIMA-Modellen

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Bestimmung der Saisonstruktur mit Hilfe des Periodogramms und der Autokorrelationsfunktionen acf und pacf. Einheitswurzeltest nach Dickey-Fuller und Phillips-Perron für die Originaldaten. Wiederholung des Einheitswurzeltest für die saisonbereinigten Daten. Beseitigung der Einheitswurzeln mittels Differenzenbildung. Bestimmung der Lag-Struktur für ein autoregressives Modell mit Hilfe der partiellen Autokorrelationen pacf. Schätzung eines parametersparsamen Modells mit signifikanten Para- metern (Beobachtungsgleichung). Spezifikation des AR-Modells (Beobachtungsgleichung)

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Identifikation eines GARCH(p, q)-Modells (Varianzgleichung) Auswertung der Autokorrelationen acf und der partiellen Autokorre- lationen pacf der quadrierten Residuenfolge. Ein Cut in der acf bestimmt das maximale Lag der Varianzfolge. Das Maximum der Cuts in acf und pacf begrenzt die Lags der quadrierten Residuen (GARCH-Parameter p). Lagrange-Multiplier-Test (LM Test) zur Abgrenzung gegen höhere Lags der quadrierten Residuen in der Varianzgleichung (GARCH- Parameter q).

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Schätzung eines parametersparsamen autoregressiven (integrierten) Modells mit GARCH-Residuen (Beobachtungs- und Varianzgleichung). Wechsel der Modellklasse auf EGARCH oder PGARCH bei Konvergenz- problemen mit der Schätzroutine. Überprüfung der Autokorrelation der Residuen mit Hilfe der Durbin- Watson-Statistik. Überprüfung der Schiefe und des Q-Q-Plots der Residuen. Erneuter LM-Test zur Abgrenzung gegen höhere Lags im Varianzmodell. BDS-Test zur Prüfung auf weitere nichtlineare Strukturen in den Residuen. Vergleich der Einschritt-Punkt- und Intervallprognose mit den Ist-Werten am aktuellen Rand. Prognose der Varianz. Vergleich mit den Prognoseergebnissen des autoregressiven (integrierten) Eingleichungsmodells. Spezifikation des GARCH-Modells

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Stundenpreis in Spanien bis (Cent pro KWh)

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Die Beobachtungsgleichung lautet Die Varianzgleichung nimmt explizit folgende Gestalt an:

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am FehlerAR- Modell AR-Modell mit ARMA (1, 1)- Residuen GARCH (1, 1) GARCH (2, 2) RMSE0,341 RMSE %7,0807,0917,0907,087 MAE0,2490,2510,2490,251 MAPE %5,2155,2615,2085,237 Tabelle 2: Prognosevergleich nach Modellen und Fehlermaßen

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Zeitraum bis Tabelle 3: Tägliche Prognosefehler für stündliche Elektroenergiepreise in Cent/KWh

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Tabelle 4: Prognosefehler in den Nachfragespitzen

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am FehlerGARCH(2, 2) Tageszeit Dummy ( Uhr gleich 1, sonst 0) GARCH(2, 2) Tagesspitzen Dummy ( Uhr und Uhr gleich 1 sonst 0) RMSE0,341 0,340 RMSE %7,0877,0827,069 MAE0,2510,250 MAPE %5,2375,2245,227 Tabelle 5: Modellerweiterung durch Tagesdummies

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Tabelle 6: Fehlervergleich im MAPE% Max. Gewinn Max. Verlust

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am PJM-Verbund

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Tabelle 7: Jahreszeitliche Abhängigkeit der Güte von Preisprognosen (LMP 1 ) LMPLocational Marginal Pricing (Nodalpreisbildung im Rahmen des Engpassmanagements)

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am [1] vom bis zum [2] vom bis zum Tabelle 8: Prognoseergebnisse für stündliche Elektroenergiepreise pro Tag für New York

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Tabelle 9: Einschrittprognosefehler für stündliche EE-Preise und –Nachfrage nach Tagen (Januar 2005) WochentageDiMiDoFrSaSoMo ModellFehlermaße ESP_HP_1_garchRMSE%10,435,637,678,147,4811,389,09 NE_HP_1_garchRMSE%33,4218,6026,3235,4936,9126,3022,21 ONT_HP_1_garchRMSE%21,3616,7017,8127,0615,1113,8219,74 EU_HP_1_garchRMSE%5,978,9225,298,646,884,805,51 NE_HD_1_garchRMSE%1,231,761,711,811,101,552,88 ONT_HD_1_garchRMSE%0,470,970,700,600,730,490,99 EU_HD_1_garchRMSE%4,813,013,865,716,413,673,15 ESP Spanien NE New England ONT Ontario EU Europäische Union

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am ESP Spanien NE New England ONT Ontario EU Europäische Union Tabelle 10: Einschrittprognosefehler für stündliche EE-Preise und-Nachfrage nach Tagen (August 2005) WochentageDoFrSaSoMoDiMi ModellFehlermaße ESP_HP_2_garchRMSE%12,008,408,993,6313,2310,419,29 NE_HP_2_garchRMSE%63,8661,4491,7988,2039,5970,9833,34 NE_HP_2free_garchRMSE%30,5429,4528,3525,9626,7121,9325,07 ONT_HP_2_garchRMSE%26,1827,5624,2932,1824,4126,9034,98 EU_HP_2_garchRMSE%5,8610,888,877,138,147,195,94 NE_HD_2_garchRMSE%3,202,421,822,433,082,231,68 ONT_HD_2_garchRMSE%0,910,771,331,291,580,751,05 EU_HD_2_garchRMSE%3,853,224,133,533,922,744,45

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Tabelle 11: Prognoseergebnisse für stündliche Nachfrage und Preise EE pro Tag in den Bundesstaaten von New England

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Kritik an der Modellierung von Garcia u.A.[2005] für Spanien und Kalifornien mit Daten für 1999/2000:  Die Beobachtungsgleichungen umfassten jeweils 12 Parameter und die Varianzgleichungen 5 Parameter.  Die Signifikanzschwelle wurde auf 10% gesetzt.  Einheitswurzeln wurden nicht abgetestet.  Der LM-Test, der BDS-Test und Optimierungskriterien wurden ebenfalls nicht verwendet. Fazit Spezifikation: Die Modelle sind leicht überparametrisiert und statistisch unsicher.

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am  Leichte Erhöhung der Treffsicherheit von GARCH(3, 3)-Modellen gegenüber ARIMA-Modellen mit MA-Termen bis zum Lag 3 im Wochenmittel 1 bis 2% (→ Keine Bestätigung).  Leichte Erhöhung der Treffsicherheit um 0,4 bis 0,6 % durch Hinzu- nahme der Nachfrage als Regressor im GARCH-Modell (→ Bestätigung).  Jahreszeitliche Schwankungen im RMSE% von 1,13% (ESP) bis 19,76% (CA) (→ Bestätigung).  RMSE% für Spanien 2000/2001: August 3,15% (7,09% 2002/03→ Keine Bestätigung).  RMSE% für Kalifornien 1999/2000: Juli 47,72% (22,12% 2002/03 →Keine Bestätigung).  Fazit Preisprognose: Die Prognosegüte von GARCH-Modellen lässt sich am Beispiel von Punktprognosen nicht vergleichen. Fortsetzung

Business Informatics praxis verstehen — chancen erkennen — zukunft gestalten understanding reality — facing challenges — creating future Vortrag auf der GOR-Tagung am Danke für Ihre Aufmerksamkeit!