論文の概要: Machine Learning-Driven Virtual Bidding with Electricity Market Efficiency Analysis

• arxiv url: http://arxiv.org/abs/2104.02754v1
• Date: Tue, 6 Apr 2021 19:30:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 12:43:33.808018
• Title: Machine Learning-Driven Virtual Bidding with Electricity Market Efficiency Analysis
• Title（参考訳）: 電力市場効率分析による機械学習駆動仮想入札
• Authors: Yinglun Li, Nanpeng Yu, Wei Wang
• Abstract要約: 本稿では,電力市場における仮想入札のための機械学習によるポートフォリオ最適化フレームワークを開発する。 我々は,提案した仮想入札取引戦略を利用して,仮想入札ポートフォリオの収益性と米国の電力市場全体の効率性を評価する。
• 参考スコア（独自算出の注目度）: 7.014324899009043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper develops a machine learning-driven portfolio optimization framework for virtual bidding in electricity markets considering both risk constraint and price sensitivity. The algorithmic trading strategy is developed from the perspective of a proprietary trading firm to maximize profit. A recurrent neural network-based Locational Marginal Price (LMP) spread forecast model is developed by leveraging the inter-hour dependencies of the market clearing algorithm. The LMP spread sensitivity with respect to net virtual bids is modeled as a monotonic function with the proposed constrained gradient boosting tree. We leverage the proposed algorithmic virtual bid trading strategy to evaluate both the profitability of the virtual bid portfolio and the efficiency of U.S. wholesale electricity markets. The comprehensive empirical analysis on PJM, ISO-NE, and CAISO indicates that the proposed virtual bid portfolio optimization strategy considering the price sensitivity explicitly outperforms the one that neglects the price sensitivity. The Sharpe ratio of virtual bid portfolios for all three electricity markets are much higher than that of the S&P 500 index. It was also shown that the efficiency of CAISO's two-settlement system is lower than that of PJM and ISO-NE.
• Abstract（参考訳）: 本稿では、リスク制約と価格感度の両方を考慮して、電力市場における仮想入札のための機械学習によるポートフォリオ最適化フレームワークを開発する。 アルゴリズム取引戦略は、利益を最大化するためにプロプライエタリ取引会社の観点から開発された。 市場クリアリングアルゴリズムの時間間依存性を活用し,リカレントニューラルネットワークを用いた位置境界価格(lmp)拡散予測モデルを開発した。 ネット仮想入札に対するLMP拡散感度を,制約付き勾配押し上げ木を用いた単調関数としてモデル化した。 我々は,提案した仮想入札取引戦略を利用して,仮想入札ポートフォリオの収益性と米国の電力市場全体の効率性を評価する。 PJM、ISO-NE、CAISOに関する総合的な実証分析は、価格感度を考慮した仮想入札ポートフォリオ最適化戦略が価格感度を無視する手法よりも明らかに優れていることを示している。 3つの電気市場の仮想入札ポートフォリオのシャープ比率は、S&P500種株価指数よりもはるかに高い。 また,CAISO の2つの決済システムの効率は PJM や ISO-NE よりも低いことがわかった。

関連論文リスト

• Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy [0.0]
  インドの著名な株式市場指標であるNIFTY50指数の翌日の終値の予測精度を改善することを目的とする。 8つの影響要因の組み合わせは、基本株価データ、技術指標、原油価格、マクロ経済データから慎重に選択される。
  論文  参考訳（メタデータ） (2024-06-02T06:39:01Z)
• Commodities Trading through Deep Policy Gradient Methods [0.0]
  商品取引問題を連続的な離散時間力学系として定式化する。 アクターベースとアクタークリティカルベースの2つのポリシーアルゴリズムが導入された。 先月末の天然ガス先物試験では、DRLモデルのシャープ比が買いと持ち株ベースラインと比較して83%高くなることが示されている。
  論文  参考訳（メタデータ） (2023-08-10T17:21:12Z)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• An Imitation Learning Based Algorithm Enabling Priori Knowledge Transfer in Modern Electricity Markets for Bayesian Nash Equilibrium Estimation [1.5749416770494706]
  The Bayes-Adaptive Markov Decision Process in FEM (BAMDP-FEM) was developed to model the GENCOs's bidding strategy Optimization consider the priori knowledge。 そこで,新しいMulti-Agent Generative Adrial Imitation Learningアルゴリズム(MAGAversa)を提案する。 得られたBNEの最適入札戦略は、事前知識からの効果的な学習により、常にNEよりも多くの利益を得られると結論付けている。
  論文  参考訳（メタデータ） (2023-05-04T01:52:08Z)
• Adaptive Risk-Aware Bidding with Budget Constraint in Display Advertising [47.14651340748015]
  本稿では,強化学習による予算制約を考慮した適応型リスク対応入札アルゴリズムを提案する。 リスク・アット・バリュー(VaR)に基づく不確実性とリスク傾向の本質的関係を理論的に明らかにする。
  論文  参考訳（メタデータ） (2022-12-06T18:50:09Z)
• Prospect Theory-inspired Automated P2P Energy Trading with Q-learning-based Dynamic Pricing [2.2463154358632473]
  本稿では,ユーザの認識を考慮に入れたP2P自動エネルギー市場を設計する。 本稿では,Q-bプライシングとリスクセンシティブ(PQR)という,リスクに敏感なQ-ラーニング機構を導入する。 エネルギー消費と生産の実際の痕跡と現実的な予測理論関数に基づく結果から,提案手法は購入者にとって26%高い評価値が得られることが示された。
  論文  参考訳（メタデータ） (2022-08-26T16:45:40Z)
• Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting [0.0]
  本研究では、一般化長メモリ自己回帰モデル(k-factor GARMA)に基づく新しいハイブリッドモデルの予測性能について検討する。 提案モデルの性能を北プール電力市場のデータを用いて評価した。
  論文  参考訳（メタデータ） (2022-04-18T12:21:25Z)
• Sequential Information Design: Markov Persuasion Process and Its Efficient Reinforcement Learning [156.5667417159582]
  本稿では,逐次情報設計の新たなモデル,すなわちマルコフ説得過程(MPP)を提案する。 MPPのプランニングは、ミオピックレシーバーに同時に説得されるシグナルポリシーを見つけ、送信者の最適な長期累積ユーティリティを誘導する、というユニークな課題に直面している。 我々は,楽観主義と悲観主義の両原理の新たな組み合わせを特徴とする,実証可能な効率のよい非回帰学習アルゴリズム,Optimism-Pessimism Principle for Persuasion Process (OP4) を設計する。
  論文  参考訳（メタデータ） (2022-02-22T05:41:43Z)
• Multi-Asset Spot and Option Market Simulation [52.77024349608834]
  正規化フローに基づく1つの基盤となる1つのマーケットシミュレータを現実的に構築する。 本研究では, 正規化流れの条件付き可逆性を活用し, 独立シミュレータの連立分布をキャリブレーションするスケーラブルな手法を提案する。
  論文  参考訳（メタデータ） (2021-12-13T17:34:28Z)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)
• Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
  ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。 本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。 当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
  論文  参考訳（メタデータ） (2020-02-09T08:10:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。