Loading...
Publication
Mean-reverting for a dream : using stochastic and GARCH-based forecasting to detect and exploit electricity market inefficiencies in the German spot market
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.11 MB | Adobe PDF |
Advisor(s)
Abstract(s)
This thesis develops and evaluates a hybrid forecasting model combining an Ornstein- Uhlenbeck (OU) mean-reverting process with an Exponential Generalized Autoregressive Conditional Heteroskedasticity (EGARCH) volatility specification to predict day-ahead electricity spot prices in the German market from 2015 to 2025. Addressing the challenges of non-stationarity, limited data transparency, and the need for economically relevant metrics, the model captures key market characteristics - mean reversion, seasonality, volatility clustering, and asymmetric shock responses - using only historical price data. Out-of-sample forecasts over 20-, 30-, 60-, and 90-day horizons are benchmarked against market futures and a naïve historical average, employing statistical metrics (MAE, RMSE, MAPE, directional accuracy) and economic measures (Sharpe ratio, trading returns). Results demonstrate that the model, particularly under a Generalized Error Distribution (GED), significantly outperforms futures benchmarks at short-to-medium horizons (20-30 days), generating positive trading returns (e.g., EUR 2,371.56 at 30 days) with high Sharpe ratios (e.g., 1.15) and win rates (up to 90%). Monte Carlo simulations and bootstrap confidence intervals confirm robustness, though performance weakens in low-volatility summer regimes. The thesis contributes to the literature by integrating mean-reverting dynamics with asymmetric volatility, testing against real futures prices, and demonstrating economic value through a forecast-based trading strategy, offering a replicable framework for traders and risk managers in volatile, non-storable commodity markets.
Esta dissertação desenvolve e avalia um modelo híbrido de previsão que combina um processo de reversão à média de Ornstein-Uhlenbeck (OU) com uma especificação de volatilidade Exponential Generalized Autoregressive Conditional Heteroskedasticity (EGARCH), aplicado à previsão dos preços spot de eletricidade no mercado alemão para o dia seguinte entre 2015 e 2025. O modelo enfrenta três desafios principais: a não-estacionariedade decorrente de transformações estruturais, a limitada transparência dos dados fundamentais e a necessidade de métricas economicamente relevantes. Para tal, capta características centrais do mercado - reversão à média, sazonalidade, aglomeração de volatilidade e respostas assimétricas a choques - utilizando exclusivamente dados históricos de preços. As previsões fora da amostra, em horizontes de 20, 30, 60 e 90 dias, são comparadas com os futuros de mercado e com uma média histórica ingênua, avaliadas através de métricas estatísticas (MAE, RMSE, MAPE, precisão direcional) e medidas económicas (índice de Sharpe e retornos de estratégia). Os resultados mostram que o modelo, sobretudo sob a distribuição de erro generalizada (GED), supera significativamente os futuros de mercado em horizontes curtos a médios, gerando retornos positivos (e.g., EUR 2.371 em 30 dias) com elevados índices de Sharpe (1,15) e taxas de sucesso até 90%. Simulações de Monte Carlo e intervalos de confiança bootstrap confirmam a robustez, ainda que o desempenho enfraqueça em regimes de baixa volatilidade. A dissertação contribui para a literatura ao integrar dinâmicas de reversão à média com volatilidade assimétrica, demonstrando valor económico através de uma estratégia de negociação baseada em previsões.
Esta dissertação desenvolve e avalia um modelo híbrido de previsão que combina um processo de reversão à média de Ornstein-Uhlenbeck (OU) com uma especificação de volatilidade Exponential Generalized Autoregressive Conditional Heteroskedasticity (EGARCH), aplicado à previsão dos preços spot de eletricidade no mercado alemão para o dia seguinte entre 2015 e 2025. O modelo enfrenta três desafios principais: a não-estacionariedade decorrente de transformações estruturais, a limitada transparência dos dados fundamentais e a necessidade de métricas economicamente relevantes. Para tal, capta características centrais do mercado - reversão à média, sazonalidade, aglomeração de volatilidade e respostas assimétricas a choques - utilizando exclusivamente dados históricos de preços. As previsões fora da amostra, em horizontes de 20, 30, 60 e 90 dias, são comparadas com os futuros de mercado e com uma média histórica ingênua, avaliadas através de métricas estatísticas (MAE, RMSE, MAPE, precisão direcional) e medidas económicas (índice de Sharpe e retornos de estratégia). Os resultados mostram que o modelo, sobretudo sob a distribuição de erro generalizada (GED), supera significativamente os futuros de mercado em horizontes curtos a médios, gerando retornos positivos (e.g., EUR 2.371 em 30 dias) com elevados índices de Sharpe (1,15) e taxas de sucesso até 90%. Simulações de Monte Carlo e intervalos de confiança bootstrap confirmam a robustez, ainda que o desempenho enfraqueça em regimes de baixa volatilidade. A dissertação contribui para a literatura ao integrar dinâmicas de reversão à média com volatilidade assimétrica, demonstrando valor económico através de uma estratégia de negociação baseada em previsões.
Description
Keywords
Aglomeração de volatilidade Efeitos de alavancagem Electricity Eletricidade Estocasticidade Fora da amostra Futures Futuros Leverage effects Mean reversion Monte Carlo Não-estacionariedade Non-stationarity Ornstein-Uhlenbeck Out-of-sample Preços spot Reversão à média Spot prices Stochasticity Volatility clustering
Pedagogical Context
Citation
Publisher
CC License
Without CC licence