論文の概要: A Data-Driven Convergence Bidding Strategy Based on Reverse Engineering
of Market Participants' Performance: A Case of California ISO
- arxiv url: http://arxiv.org/abs/2109.09238v1
- Date: Sun, 19 Sep 2021 22:19:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 15:58:13.394457
- Title: A Data-Driven Convergence Bidding Strategy Based on Reverse Engineering
of Market Participants' Performance: A Case of California ISO
- Title（参考訳）: 市場参加者の業績のリバースエンジニアリングに基づくデータ駆動型収束入札戦略:カリフォルニアISOを事例として
- Authors: Ehsan Samani, Mahdi Kohansal, Hamed Mohsenian-Rad
- Abstract要約: コンバージェンス入札(コンバージェンス入札、別名仮想入札)は、近年、ホールセール電気市場で広く採用されている。
市場参加者は、日頭市場の位置的限界価格とリアルタイム市場位置的限界価格との差を仲裁する機会を提供する。
市場参加者が現在使用している様々なコンバージェンス入札戦略を学習し、特徴付けし、評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convergence bidding, a.k.a., virtual bidding, has been widely adopted in
wholesale electricity markets in recent years. It provides opportunities for
market participants to arbitrage on the difference between the day-ahead market
locational marginal prices and the real-time market locational marginal prices.
Given the fact that convergence bids (CBs) have a significant impact on the
operation of electricity markets, it is important to understand how market
participants strategically select their CBs in real-world. We address this open
problem with focus on the electricity market that is operated by the California
ISO. In this regard, we use the publicly available electricity market data to
learn, characterize, and evaluate different types of convergence bidding
strategies that are currently used by market participants. Our analysis
includes developing a data-driven reverse engineering method that we apply to
three years of real-world data. Our analysis involves feature selection and
density-based data clustering. It results in identifying three main clusters of
CB strategies in the California ISO market. Different characteristics and the
performance of each cluster of strategies are analyzed. Interestingly, we
unmask a common real-world strategy that does not match any of the existing
strategic convergence bidding methods in the literature. Next, we build upon
the lessons learned from the existing real-world strategies to propose a new CB
strategy that can significantly outperform them. Our analysis includes
developing a new strategy for convergence bidding. The new strategy has three
steps: net profit maximization by capturing price spikes, dynamic node
labeling, and strategy selection algorithm. We show through case studies that
the annual net profit for the most lucrative market participants can increase
by over 40% if the proposed convergence bidding strategy is used.
- Abstract（参考訳）: コンバージェンス入札、すなわち仮想入札は近年、電力市場全体において広く採用されている。
市場参加者は、日頭市場におけるマージン価格とリアルタイム市場におけるマージン価格の違いを仲裁する機会を提供する。
コンバージェンス入札(CB)が電力市場の運営に重大な影響を与えているという事実を踏まえると、市場参加者が実際にCBを戦略的に選択する方法を理解することが重要である。
我々は、カリフォルニアISOが運営する電力市場に焦点を当てて、この問題に対処する。
この点において、現在市場参加者が使用している様々なコンバージェンス入札戦略の学習、特徴付け、評価に、利用可能な電気市場データを使用します。
実世界の3年間のデータに適用可能な,データ駆動のリバースエンジニアリング手法の開発を含む。
分析には特徴選択と密度に基づくデータクラスタリングが関与する。
その結果、カリフォルニアISO市場におけるCB戦略の3つの主要なクラスタが特定された。
戦略の各クラスタの異なる特性と性能を解析する。
興味深いことに、文献における既存の戦略的収束入札手法と一致しない共通の現実世界戦略を解きます。
次に、既存の実世界の戦略から学んだ教訓に基づいて、それらを著しく上回る新しいCB戦略を提案する。
我々の分析は、収束入札のための新しい戦略の開発を含む。
新たな戦略には3つのステップがある: 価格スパイクを捕捉するネット利益の最大化、動的ノードラベリング、戦略選択アルゴリズム。
本研究は, 市場参加者の年間純利益が, 提案したコンバージェンス入札戦略を用いていれば40%以上増加できることを示す。
関連論文リスト
- Temporal-Aware Deep Reinforcement Learning for Energy Storage Bidding in
Energy and Contingency Reserve Markets [13.03742132147551]
我々は、深層強化学習(DRL)を利用した新しいBESS共同入札戦略を開発し、そのスポットと同時周波数制御アシラリーサービス市場を入札する。
従来の「ブラックボックス」DRLモデルとは異なり、我々のアプローチはより解釈可能であり、BESSの時間入札行動に関する貴重な洞察を提供する。
論文 参考訳（メタデータ） (2024-02-29T12:41:54Z) - Contextual Dynamic Pricing with Strategic Buyers [93.97401997137564]
戦略的買い手によるコンテキスト動的価格問題について検討する。
売り手は買い手の真の特徴を観察せず、買い手の戦略行動に応じて操作された特徴を観察する。
本稿では,販売者の累積収益を最大化するために,購入者の戦略的行動をオンライン学習に取り入れた戦略的動的価格政策を提案する。
論文 参考訳（メタデータ） (2023-07-08T23:06:42Z) - Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。
模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
論文 参考訳（メタデータ） (2021-12-08T14:55:21Z) - Towards Realistic Market Simulations: a Generative Adversarial Networks
Approach [2.381990157809543]
本研究では,実データに基づいて学習したコンディショナル・ジェネレーティブ・アドバイザリアル・ネットワーク(CGAN)に基づくマーケットジェネレータを提案する。
CGANベースの"ワールド"エージェントは、実験エージェントに応答して意味のある順序を生成することができる。
論文 参考訳（メタデータ） (2021-10-25T22:01:07Z) - Application of Three Different Machine Learning Methods on Strategy
Creation for Profitable Trades on Cryptocurrency Markets [0.0]
3つの暗号市場の方向検出問題に対して、k-Nearest Neighbours、eXtreme Gradient Boosting、Random Forest分類器を適用する。
未確認のデータに関する当社のテスト結果は、専門家システムを持つ投資家が市場を搾取し、利益を得るのを助けるこのアプローチに大きな可能性を示しています。
論文 参考訳（メタデータ） (2021-05-14T13:42:46Z) - An Artificial Intelligence Framework for Bidding Optimization with
Uncertainty inMultiple Frequency Reserve Markets [0.32622301272834525]
周波数プリザーブは、電力グリッドの周波数偏差に反応するために、電力生産または消費をリアルタイムで調整するリソースです。
多段階市場における価格ピークを生かした入札戦略を3つ提案する。
また、これらの3つの戦略を実装するAIベースの入札最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-05T12:04:29Z) - OSOUM Framework for Trading Data Research [79.0383470835073]
私たちは、私たちの知る限り、最初のオープンソースのシミュレーションプラットフォームであるOpen SOUrce Market Simulator(OSOUM)を提供して、トレーディング市場、特にデータ市場を分析します。
我々は、購入に利用可能なさまざまなデータセットを所有する売り手と、購入に有効な適切なデータセットを検索する買い手という2つのタイプのエージェントからなる、特定のデータ市場モデルを記述し、実装する。
データ市場を扱うための商用フレームワークはすでに存在していますが、購入者および販売者の両方が(データ)市場に参加することの可能な振る舞いをシミュレートするための、自由で広範なエンドツーエンドの研究ツールを提供しています。
論文 参考訳（メタデータ） (2021-02-18T09:20:26Z) - A Data-Driven Study to Discover, Characterize, and Classify Convergence
Bidding Strategies in California ISO Energy Market [0.0]
カリフォルニアのISOエネルギー市場から3年間の実際の市場データを調査する。
我々は13大市場プレーヤの入札戦略を分析する。
この分析により、実際に使用されるCB戦略の3つの異なるクラスが明らかになった。
論文 参考訳（メタデータ） (2020-11-30T20:01:45Z) - Exploring market power using deep reinforcement learning for intelligent
bidding strategies [69.3939291118954]
キャパシティが1年の平均的な電力価格に影響を及ぼすことがわかりました。
$sim$25%と$sim$11%の値は、市場構造と国によって異なる可能性がある。
平均市場価格の約2倍の市場上限の使用は、この効果を著しく減少させ、競争力のある市場を維持する効果があることを観察する。
論文 参考訳（メタデータ） (2020-11-08T21:07:42Z) - Learning Strategies in Decentralized Matching Markets under Uncertain
Preferences [91.3755431537592]
エージェントの選好が不明な場合,共有資源の不足の設定における意思決定の問題について検討する。
我々のアプローチは、再生されたカーネルヒルベルト空間における好みの表現に基づいている。
エージェントの期待した利益を最大化する最適な戦略を導出する。
論文 参考訳（メタデータ） (2020-10-29T03:08:22Z) - A Deep Reinforcement Learning Framework for Continuous Intraday Market
Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。
欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。
本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。
その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文 参考訳（メタデータ） (2020-04-13T13:50:13Z)
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。