The behavior of electricity prices at the German intraday market

Abstract

Der Anstieg an Energieerzeugung durch erneuerbare Energien wie Solar und Wind führen dazu, dass unsichere Wetterbedingungen zu Unsicherheiten bei der Stromproduktion führen. Daher müssen Marktteilnehmer kurzfristig reagieren könne um abgeschlossene Verträge einhalten zu können. Eine Plattform dafür bietet der Intraday Markt. Preise am deutschen Intraday Markt korrelieren inter- und intratäglich und weisen sowohl negative als auch positive Extrempreise auf. Aufgrund solcher Extrempreise liegt das Interesse bezüglich Preisprognosen nicht nur im bedingen Mittelwert sondern auch in den Verteilungsenden. Generalisierte Quantile wie Quantile und Expektile eignen sich gut um eine Verteilung zu beschreiben. Diese Arbeit zeigt die Anwendungen von zwei Methoden zur Identifizierung von Risikofaktoren von generalisierten Quantilskurven von Strompreisen am Intraday Markt. Die Risikofaktoren werden durch Funktionale Hauptkomponentenanalyse und Multivariate Quantilsregression identifiziert. Die intertägliche Dynamik der Risikofaktoren wird mit einem Vektorautoregressiven Modell analysiert. Dadurch können auch exogene Informationen wie Prognosen über erneuerbare Energieproduktion berücksichtigt werden. Preisprognosen beider Ansätze werden evaluiert mithilfe der Wurzel der mittleren quadratischen Fehler. Aus den Prognosen der Verteilungsenden werden Intervalle berechnet. Diese werden dahingehend evaluiert, zu welchem Anteil sich Preise innerhalb des Prognostizierten Intervalls befinden. R-Codes werden via QuantNet auf GitHub zur Verfügung gestellt.

Increasing renewable energy sources, such as solar and wind pass uncertain weather conditions to uncertainty in power production. This requires market participants to react at short notice to fulfill closed contracts through balancing themselves at the intraday market. Prices at the German intraday market correlate inter- and intradaily and exhibit extreme values in both directions. As a result of such extreme movements, interest on future prices is not only in the center of the distribution, but also in the tails. Generalized quantiles such as quantiles and expectiles are well suited to characterize a distribution. This thesis shows an application of two approaches to identify main risk factors of generalized quantile curves. Functional principal component analysis and a multivariate factorisable quantile regression. The interdaily time dynamics of the risk factors are analyzed with a vector autoregressive model that allows for incorporation of exogenous information such as renewable energy production forecasts. Price forecasts from both models are evaluated with root mean squared error and mean absolute error. Intervals obtained from tail forecasts are evaluated, to which share the interval captures observed prices. Supplementary material for this thesis is available via QuantNet on GitHub.