Главная  Журналы  Финансовая аналитика: проблемы и решения  9(339) - 2017 сентябрь

Цена электроэнергии: что определяет ее динамику на различных временны?х масштабах?

Получена: 06.07.2017

Получена в доработанном виде: 07.08.2017

Одобрена: 10.08.2017

Доступна онлайн: 20.09.2017

Рубрика: ЭКОНОМИКО-СТАТИСТИЧЕСКИЕ ИССЛЕДОВАНИЯ

Коды JEL: C22, L94, Q41

Страницы: 1032–1047

https://doi.org/10.24891/fa.10.9.1032

Тема. Ценообразование на оптовом рынке электроэнергии под влиянием фундаментальных факторов (спрос, цены на топливо).
Цели. Выявить факторы, значимо влияющие на оптовую цену электроэнергии, в различных временны?х масштабах.
Методология. Исследование проводилось с использованием разработанного мультимасштабного адаптивного подхода на базе зависящей от времени внутренней регрессии и декомпозиции на эмпирические моды. Рассмотрены два электроэнергетических рынка на сутки вперед: ценовые зоны Европа – Урал (ATS EU) и Сибирь (ATS SI) российской биржи ATS в период с 01.04.2011 по 31.12.2013.
Результаты. Влияние фундаментальных факторов на цену электроэнергии на изученных рынках зависит от рассматриваемого временн?го масштаба. Влияние спроса на цену электроэнергии является однонаправленным на краткосрочных и разнонаправленным на долгосрочных периодах в зоне Европа – Урал, а в зоне Сибирь на долгосрочных масштабах обнаружено сильное однонаправленное влияние. Воздействие топливных рынков на цену электроэнергии отсутствует в краткосрочных периодах и проявляется только в среднесрочных или долгосрочных масштабах времени.
Выводы. Для аккуратного прогнозирования цены существует потребность отказаться от традиционного монофрактального подхода, а разработка моделей должна выполняться отдельно для каждого временн?го масштаба с учетом зависимости параметров моделей от времени. В ценовой зоне Европа – Урал на краткосрочном горизонте риск-менеджмента необходимо сфокусировать внимание на прогнозирование спроса и его влияния на цену, а для зоны Сибирь – учитывать только долгосрочное изменение спроса. Рекомендовано генерирующим компаниям для хеджирования ценовых рисков заключать среднесрочные и долгосрочные контракты на поставку угля в зонах Сибирь и Европа – Урал соответственно.

Ключевые слова: цена, электроэнергия, спрос, декомпозиция, эмпирический мод, внутренняя регрессия

Список литературы:

1. Howison S., Coulon M. Stochastic Behavior of the Electricity Bid Stack: From Fundamental Drivers to Power Prices. Journal of Energy Markets, 2009, no. 2, pp. 29–69. URL: Link. maths.ox.ac.uk/~howison/papers/CoulonHowison211008.pdf
2. Carmona R., Coulon M. A Survey of Commodity Markets and Structural Models for Electricity Prices. In: Quantitative Energy Finance. New York, Springer, 2014, pp. 41–83.
3. Barlow M. A Diffusion Model for Electricity Prices. Mathematical Finance, 2002, vol. 12, iss. 4, pp. 287–289. doi: 10.1111/j.1467-9965.2002.tb00125.x
4. Pirrong C., Jermakyan M. The Price of Power: The Valuation of Power and Weather Derivatives. Journal of Banking and Finance, 2008, vol. 32, iss. 12, pp. 2520–2529. URL: Link 10.1016/j.jbankfin.2008.04.007
5. Karakatsani N., Bunn D. Forecasting Electricity Prices: The Impact of Fundamentals and Time-Varying Coefficients. International Journal of Forecasting, 2008, no. 24, pp. 764–785. URL: Link
6. Uritskaya O.Y., Serletis A. Quantifying Multiscale Inefficiency in Electricity Markets. Energy Economics, 2008, vol. 30, iss. 6, pp. 3109–3117. URL: Link j.eneco.2008.03.009
7. Alvarez-Ramirez J., Escarela-Perez R. Time-Dependent Correlations in Electricity Markets. Energy Economics, 2010, vol. 32, iss. 2, pp. 269–277. URL: Link j.eneco.2009.05.008
8. Zhu B., Han D., Chevallier J., Wei Y.-M. Dynamic Multiscale Interactions Between European Carbon and Electricity Markets During 2005–2016. Energy Policy, 2017, vol. 107, pp. 309–322. URL: Link
9. Huang N., Shen Z. et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-Stationary Time Series Analysis. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 1998, vol. 454, pp. 903–995. doi: 10.1098/rspa.1998.0193
10. Wu Z., Huang N. Ensemble Empirical Mode Decomposition: A Noise-Assisted Data Analysis Method. Advances in Adaptive Data Analysis, 2009, vol. 1, iss. 1, pp. 1–41. URL: Link
11. Torres M., Colominas M., Schlotthauer G., Flandrin P. A Complete Ensemble Empirical Mode Decomposition with Adaptive Noise. Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing, 2011, pp. 4144–4147. URL: Link. edu.ar/grupos/ldnlys/metorres/metorres_files/ICASSP2011_Torres.pdf
12. Colominas M., Schlotthauer G., Torres M., Flandrin P. Noise-Assisted EMD Methods in Action. Advances in Adaptive Data Analysis, 2012, vol. 4, iss. 4. URL: Link. com/doi/abs/10.1142/S1793536912500252
13. Chen N., Wu Z., Huang N. The Time-Dependent Intrinsic Correlation Based on the Empirical Mode Decomposition. Advances in Adaptive Data Analysis, 2010, vol. 2, iss. 2, pp. 223–265. URL: Link
14. Ferkingstad E., Løland A., Wilhelmsen M. Causal Modeling and Inference for Electricity Markets. Energy Economics, 2011, vol. 33, iss. 3, pp. 404–412. URL: Link 10.1016/j.eneco.2010.10.006
15. Moutinho V., Vieira J., Moreira A.C. The Crucial Relationship among Energy Commodity Prices: Evidence from the Spanish Electricity Market. Energy Policy, 2011, vol. 39, iss. 10, pp. 5898–5908. URL: Link
16. De Menezes L., Houllier M.A., Tamvakis M. Time-Varying Convergence in European Electricity Spot Markets and Their Association with Carbon and Fuel Prices. Energy Policy, 2016, vol. 88, pp. 613–627. URL: Link
17. Fuss R., Mahringer S., Prokopczuk M. Electricity Derivatives Pricing with Forward-Looking Information. Journal of Economic Dynamics and Control, 2015, vol. 58, pp. 34–57. URL: Link
18. Chih-Yu K., Shao-Kuan W., Pi-Wen T. Ensemble Empirical Mode Decomposition with Supervised Cluster Analysis. Advances in Adaptive Data Analysis, 2013, vol. 5, iss. 1. URL: Link 10.1142/S1793536913500052

Посмотреть другие статьи номера »