💻 computer science

When and How Should a Power Trader Engage in Arbitrage? Predict, then Contextually Optimize

Dieses Paper schlägt ein risikobewusstes „Predict-then-Contextual-Optimize“-Framework vor, das einen konfidenzbasierten Klassifikator und gelernte lineare Policys verwendet, um Stromhändler darüber zu leiten, wann, in welche Richtung und in welchem Ausmaß sie von Produktionsprognosen für Arbitrage-Zwecke abweichen sollten, wobei signifikante Gewinnverbesserungen sowohl für eigenständige als auch für hybride Erneuerbare-Energien-Anlagen in europäischen Strommärkten nachgewiesen werden.

Ursprüngliche Autoren: Yannick Heiser, Jalal Kazempour, Farzaneh Pourahmadi

Veröffentlicht 2026-07-09

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yannick Heiser, Jalal Kazempour, Farzaneh Pourahmadi

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind der Besitzer eines Windparks. Sie besitzen einen riesigen Ventilator, der sich dreht, wenn der Wind weht, und Strom erzeugt. Sie müssen heute entscheiden, wie viel Strom Sie für morgen zu verkaufen versprechen.

Der knifflige Teil dabei ist: Sie wissen nicht genau, wie stark der Wind morgen wehen wird, und Sie wissen nicht genau, wie hoch der Strompreis morgen sein wird.

Der „sichere“ Weg: Sie schätzen, wie viel Wind Sie bekommen werden, und verkaufen genau diese Menge. Das ist langweilig, aber sicher. Sie werden kein Vermögen machen, aber auch kein Geld verlieren.
Der „Zocker“-Weg (Arbitrage): Sie nehmen an, dass die Preise morgen in zwei verschiedenen Märkten (dem „Day-Ahead“-Markt und dem „Balancing“-Markt) unterschiedlich sein werden. Also entscheiden Sie sich bewusst dafür, mehr oder weniger zu verkaufen, als Sie eigentlich zu produzieren glauben, in der Hoffnung, eine Preisdifferenz auszunutzen. Wenn Sie recht haben, gewinnen Sie groß. Wenn Sie falsch liegen, verlieren Sie Geld.

In dieser Arbeit geht es darum, einen intelligenten, vorsichtigen Coach für diese Windparkbesitzer zu entwickeln. Dieser Coach hilft ihnen zu entscheiden:

Wann man zockt (Arbitrage).
In welche Richtung man zockt (mehr oder weniger verkaufen).
Wie viel man zockt.

Die Drei-Schritte-„Coach“-Strategie

Die Autoren haben ein System namens „Predict-then-Contextually-Optimize“ entwickelt. Stellen Sie sich das als einen dreistufigen Entscheidungsprozess vor:

Schritt 1: Der „Konfidenz-Check“ (Die Ampel)

Bevor ein riskantes Geschäft gemacht wird, prüft das System das Wetter und die Marktdaten. Es fragt: „Sind wir sicher genug, dass die Preisdifferenz tatsächlich auftreten wird?“

Grünes Licht: Wenn sich das System sehr sicher ist, dass die Preise differieren werden, gibt es das Startsignal zum Zocken.
Rotes Licht: Wenn das System verwirrt ist oder die Daten unordentlich sind, sagt es: „Nö, zu riskant.“ In diesem Fall kehrt der Händler zum „sicheren Weg“ zurück und verkauft genau das, was er zu produzieren glaubt.
Die Analogie: Stellen Sie sich einen Surfer vor, der die Wellen prüft. Wenn die Wellen perfekt aussehen und die Vorhersage klar ist, paddelt er raus. Wenn die Wellen unruhig aussehen und die Vorlage unsicher ist, bleibt er am Strand.

Schritt 2: Die „Richtung“ (Long oder Short)

Wenn das Ampellicht auf Grün steht, entscheidet das System, in welche Richtung gewettet wird:

Long-Wette: Wenn das System glaubt, dass der „Day-Ahead“-Preis morgen höher sein wird als der „Balancing“-Preis, sagt es dem Händler, heute mehr zu verkaufen, als erwartet. Er hofft, den zusätzlichen Strom zu einem hohen Preis zu verkaufen.
Short-Wette: Wenn das System glaubt, dass der „Day-Ahead“-Preis niedriger sein wird, sagt es dem Händler, heute weniger zu verkaufen. Er plant, den Strom später zurückzukaufen (oder den Reststrom zu verkaufen), wenn der Preis besser ist.

Schritt 3: Die „Größenordnung“ (Wie groß ist der Einsatz?)

Hier wird das System wirklich intelligent. Es sagt nicht einfach nur „Setz alles!“ oder „Setz gar nichts!“

Es berechnet exakt, wie stark man von der Prognose abweichen soll.
Der Hybrid-Twist: Das Papier hat dies auch mit einer hybriden Kraftanlage (Windpark + Elektrolyseur) getestet. Ein Elektrolyseur ist wie eine riesige Batterie, die Strom in Wasserstoff umwandelt.
- Analogie: Wenn Sie auf einen Preissturz wetten, kann ein normaler Windpark nur den Wind zurückhalten (was verschwendet wäre). Aber eine hybride Anlage kann sagen: „Okay, wir verkaufen diesen Strom nicht; stattdessen nutzen wir ihn zur Wasserstoffherstellung!“ Dies bietet ihnen ein Sicherheitsnetz und ermöglicht es ihnen, größere, profitablere Risiken einzugehen.

Was haben sie herausgefunden?

Die Forscher haben diesen „Coach“ mit echten Daten von Windparks in Dänemark und Deutschland getestet.

Es verdient mehr Geld: Im Vergleich zum „sicheren Weg“ (nur die Prognose zu verkaufen), erwirtschaftete dieses intelligente System etwa 7 % mehr Gewinn im Durchschnitt für die hybriden Anlagen.
Flexibilität ist der Schlüssel: Die hybriden Anlagen (Wind + Elektrolyseur) schnitten viel besser ab als reine Windparks. Der Elektrolyseur fungierte als Stoßdämpfer, der es dem Händler ermöglichte, größere Risiken einzugehen, ohne unterzugehen, falls der Wind nicht wie erwartet wehte.
Das „Drift“-Problem: Das System funktioniert am besten, wenn die Zukunft der Vergangenheit ähnelt. Wenn sich das Wetter oder die Marktregeln plötzlich ändern (was man „Distribution Drift“ nennt), wird das System verwirrt und macht keine Zusatzgewinne mehr. Es ist wie ein Coach, der das alte Playbook perfekt kennt, aber die Orientierung verliert, wenn der Schiedsrichter mitten im Spiel die Regeln ändert.
Risikokontrolle: Das System verfügt über einen „Risiko-Regler“. Händler können ihn so einstellen, dass sie entweder sehr vorsichtig sind (weniger Wetten, aber sicherere) oder aggressiver vorgehen (mehr Wetten, aber mit größeren Verlustrisiken). Das Papier zeigt, dass man dies an die eigene Persönlichkeit anpassen kann.

Das Fazit

In dieser Arbeit geht es nicht nur darum zu sagen: „Setze auf den Markt.“ Es heißt vielmehr: „Wette nur, wenn du dir sicher bist, wette in die richtige Richtung und wette genau den richtigen Betrag.“

Durch die Aufteilung der Entscheidung in diese drei klaren Schritte hilft das System Windparkbesitzern, Gewinne aus Preisdifferenzen zu schlagen, ohne ihr gesamtes Geschäft zu riskieren. Es ist der Unterschied zwischen einem leichtsinnigen Spieler und einem professionellen Pokerspieler, der genau weiß, wann er den Fold machen muss.

Technische Zusammenfassung: Predict-Then-Contextually Optimize für Power-Trader-Arbitrage

Problemstellung
Stochastische Erzeuger, wie etwa Windparks, stehen aufgrund der sich weitenden Preisspannen zwischen dem Vortagesmarkt (Day-Ahead) und dem Ausgleichsmarkt (Balancing Market) vor zunehmenden Chancen und Risiken in den Elektrizitätsmärkten. Unter Single-Price-Ausgleichsschemata (wie sie in Europa üblich sind) sind Trader einem Preisrisiko ausgesetzt, unabhängig von der Richtung ihrer Imbalance, was Potenzial für opportunistische Arbitrage bietet. Bestehende Gebotsstrategien lassen jedoch oft die Erklärbarkeit und ein explizites Risikomanagement vermissen. Trader müssen nicht nur entscheiden, ob sie von ihrer Produktionsprognose abweichen, um eine vorhergesagte Preisspanne ( $\Delta\lambda_t = \lambda^{DA}_t - \lambda^B_t$ ) auszunutzen, sondern auch in welche Richtung (long oder short) und in welchem Umfang. Aktuelle Frameworks verschleiern häufig die ökonomische Logik dieser Entscheidungen oder bieten keinen pragmatischen, risikobewussten Mechanismus, um den Trade-off zwischen Profit und Tail-Risiko (z. B. Conditional Value-at-Risk, CVaR) abzustimmen. Zudem wird das Problem für hybride Kraftwerke (HPPs) komplizierter, die Erneuerbare mit Assets wie Elektrolyseuren kombinieren und dadurch zeitliche Beschränkungen sowie zusätzliche operative Flexibilität einführen.

Methodik: Ein Predict-Then-Contextual-Optimize-Framework
Die Autoren schlagen ein dreistufiges Framework vor, das die Entscheidung für das Day-Ahead-Gebot in explizite, erklärbare Schritte zerlegt:

Stufe 1: Wann engagieren (Probabilistische Klassifizierung)
Ein probabilistischer binärer Klassifikator sagt das Vorzeichen der Preisspanne ( $\Delta\lambda_t > 0$ oder $< 0$ ) basierend auf kontextuellen Merkmalen (z. B. Wetter, Marktpreise, Nachfrageprognosen) voraus. Um das Risiko zu steuern, verwendet das Framework zwei abstimmbare Konfidenzschwellenwerte ( $\alpha$ und $\bar{\alpha}$ ) auf der vorhergesagten Wahrscheinlichkeit.

Wenn die Vorhersagekonfidenz hoch ist (Wahrscheinlichkeit $\ge \bar{\alpha}$ ), engagiert sich der Trader in einem opportunistischen Long-Gebot.
Wenn die Vorhersagekonfidenz niedrig ist (Wahrscheinlichkeit $\le \alpha$ ), engagiert sich der Trader in einem opportunistischen Short-Gebot.
Liegt die Vorzeichenwahrscheinlichkeit innerhalb der „Totzone“ ( $\alpha < \text{prob} < \bar{\alpha}$ ), kehrt der Trader zu einem arbitragefreien Gebot (gleich der Produktionsprognose) zurück.
Trainingsdetail: Der Klassifikator wird mittels LightGBM trainiert. Ein „Totzonen-Quantil“ ( $\delta$ ) wird eingeführt, um Trainingsbeispiele mit nahezu Null-Preisspannen auszuschließen, da diese verrauscht und wenig wertvoll sind. Die Schwellenwerte $\alpha$ und $\bar{\alpha}$ werden auf einem Validierungsset abgestimmt, um eine wertorientierte Metrik (erwarteter Profit oder CVaR) zu maximieren, statt den Klassifikationsverlust zu minimieren.

Stufe 2: In welchem Umfang (Kontextuelle Optimierung)
Unter der Bedingung, dass eine Entscheidung zur Arbitrage (long oder short) getroffen wurde, bestimmt eine lineare Entscheidungspolitik das Ausmaß der Gebotsabweichung von der Prognose. Zwei separate Politiken werden via kontextueller Optimierung gelernt: eine für die Long-Klasse und eine für die Short-Klasse.

Die Policy bildet kontextuelle Merkmale direkt auf eine vorzeichenbehaftete Abweichung $z_t$ ab, sodass das Gebot $p^{DA}_t = \hat{P}^W_t + z_t$ lautet.
Das Optimierungsziel maximiert eine gewichtete Kombination aus mittlerem Profit und dem CVaR des Profits, unter Einhaltung physikalischer Randbedingungen (Leistungsbilanz, Betriebsgrenzen des Elektrolyseurs, Wasserstoffproduktionsziele).
Für HPPs integriert das Modell Beschränkungen für den Elektrolyseur, wodurch dieser Ungleichgewichte absorbieren oder Netzstrom beziehen kann, was die Flexibilität erhöht.

Stufe 3: Ex-post Profitberechnung
In der Testphase wird das eingereichte Day-Ahead-Gebot gegen die realisierten Preise abgerechnet. Für HPPs wird eine sekundäre deterministische Optimierung durchgeführt, um den Elektrolyseur basierend auf der Balancing-Preisprognose zu steuern und den Restertrag zu maximieren.

Wesentliche Beiträge

Erklärbare Dekomposition: Im Gegensatz zu integrierten Optimierungsmodellen, die eine einzige Gebotsmenge ausgeben, trennt dieses Framework die Entscheidung explizit in „Wann“, „Richtung“ und „Umfang“, was die ökonomische Logik transparent macht.
Risikobewusste Abstimmung: Das Framework führt zwei unterschiedliche Mechanismen zur Risikokontrolle ein: (1) Konfidenzschwellenwerte in der Klassifizierung kontrollieren die Häufigkeit opportunistischer Gebote, und (2) das CVaR-Gewicht ( $\beta$ ) in der Optimierung kontrolliert die Größe der Gebotsabweichung.
Integration hybrider Assets: Die Methodik ist sowohl für eigenständige Erneuerbare als auch für hybride Anlagen anwendbar und zeigt, wie ko-lokalisierte Assets (wie Elektrolyseure) den Arbitrage-Wert steigern können, indem sie operative Flexibilität zum Management von Imbalancen bieten.
Kontextuelle Optimierung: Der Ansatz nutzt kontextuelle Optimierung, um lineare Politiken zu lernen, die sich an Marktbedingungen anpassen, ohne zur Inferenzzeit komplexe, nicht-konvexe Solver zu benötigen.

Ergebnisse
Das Framework wurde mittels eines Rolling-Window-Verfahrens mit Realdaten aus den europäischen Bietzonen DK1 (Dänemark) und DE/LU (Deutschland/Luxemburg) für einen 7,2 MW Windpark, mit und ohne einen 3,6 MW Elektrolyseur, evaluiert.

Profitverbesserung: Das vorgeschlagene „Classification + Policies“-Modell steigerte den mittleren Profit um etwa 7 % im Vergleich zu einem Standard-Arbitrage-freien Benchmark (Gebot der Prognose) für die hybride Anlage in DK1.
Flexibilitätswert: Die hybride Anlage (HPP) schnitt konsistent besser ab als der eigenständige Windpark und erzielte Profitsteigerungen von bis zu 75 % in DK1 und über 100 % in DE/LU, was auf die Fähigkeit des Elektrolyseurs zurückzuführen ist, Imbalancen zu absorbieren.
Risiko-Rendite-Trade-off: Das Modell erreichte einen höheren mittleren Profit als der „Single Policy“-Benchmark bei gleichzeitiger signifikanter Reduktion des CVaR (Tail-Risiko). Im Vergleich zu einer „Alles-oder-Nichts“-Strategie hielt das vorgeschlagene Modell vergleichbare mittlere Profite aufrecht, reduzierte aber drastisch die Schwere der Worst-Case-Verluste.
Distribution Drift: Die Performance reagierte hochsensibel auf den Distribution Drift zwischen Trainings- und Testfenstern. Die Profitverbesserungen waren am höchsten, wenn der Drift gering war, und brachen ein (oder wurden negativ) unter starkem Drift, was die Grenzen statischer Modelle in nicht-stationären Märkten verdeutlicht.

Bedeutung und Ansprüche
Das Paper behauptet, dass seine primäre Bedeutung in der Bereitstellung eines pragmatischen, erklärbaren und risikobewussten Entscheidungswerkzeugs für Stromhändler liegt. Durch die Entkopplung der Vorhersage von Marktchancen und der Optimierung der Gebotsmengen ermöglicht das Framework Tradern, ihr Risikoexponierung durch interpretierbare Parameter (Konfidenzschwellenwerte und Risikogewichte) explizit zu steuern. Die Autoren merken an, dass das Framework zwar die individuellen Trader-Profite verbessert, jedoch die systemischen Auswirkungen (z. B. auf die Markteffizienz oder Liquidität) nicht analysiert, was sie als Richtung für zukünftige Arbeiten identifizieren. Die Studie räumt zudem ein, dass Nicht-Stationarität eine Herausforderung bleibt, und schlägt vor, zukünftige Iterationen durch Online-Learning anzupassen, um auf sich ändernde Marktdynamiken zu reagieren.