📊 statistics

Thick as THieFs: Temporal coherent forecast combination for day-ahead electricity prices

Este artículo propone un método de combinación de pronósticos con coherencia temporal que resuelve simultáneamente la incoherencia entre diferentes granularidades temporales y aprovecha las fortalezas de múltiples modelos competidores para producir pronósticos de precios de la electricidad para el día siguiente de varianza mínima y no sesgados que superan significativamente los enfoques existentes en los mercados alemán y español.

Autores originales: Daniele Girolimetto

Publicado 2026-07-27

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Daniele Girolimetto

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando predecir el clima para toda una semana. Tienes un equipo de expertos: uno observa las nubes de los satélites, otro estudia los patrones del viento y un tercero revisa los datos históricos de temperatura. Si les pides a cada uno una predicción, podrían darte respuestas diferentes. Pero aquí está la parte complicada: si les pides la temperatura de cada hora y luego les pides la temperatura promedio de todo el día, sus respuestas podrían no coincidir. Tal vez la suma de sus suposiciones por hora no coincide con su suposición diaria. Eso es un problema. En el mundo de la energía, específicamente de la electricidad, esto no es solo un acertijo matemático; es un generador de dinero (o de pérdidas). Los precios de la electricidad cambian cada hora, pero los operadores también compran "bloques" de tiempo (como fragmentos de 4 horas) o contratos de "carga base" (el promedio para todo el día). Si tus predicciones para las horas no coinciden con tu predicción para el día, podrías realizar una mala operación. Este artículo aborda cómo solucionar estos desajustes en las predicciones y cómo combinar las mejores ideas de diferentes expertos en un único pronóstico súper preciso.

El artículo, titulado "Thick as THieFs", introduce un método ingenioso para resolver dos dolores de cabeza a la vez. Primero, soluciona el problema de la "incoherencia", donde las predicciones horarias no coinciden con los promedios diarios. Segundo, evita que tengamos que elegir un solo modelo "mejor". En lugar de apostar por una única bola de cristal, los autores combinan los pronósticos de cuatro "expertos" muy diferentes (un modelo estadístico simple, una red neuronal, un aprendiz basado en árboles y un enorme modelo fundacional de IA) en una única predicción unificada. Lo llaman "Combinación de Pronósticos Temporalmente Coherente". Piensa en ello como en un coro. Si tienes cuatro cantantes, cada uno con una voz diferente, no eliges simplemente al más fuerte. En su lugar, mezclas sus voces, pero te aseguras de que todos den las notas correctas para que la canción suene perfecta de principio a fin. Los autores probaron esto en los mercados eléctricos de Alemania y España y descubrieron que este enfoque de "súper-coro" fue significativamente más preciso que cualquier cantante individual o incluso que cualquier cantante individual que hubiera sido afinado para que coincidiera con el grupo.

Así es como funciona la magia. Los autores se dieron cuenta de que los precios de la electricidad existen en diferentes "niveles" de detalle: las 24 horas individuales de un día, bloques de 2, 3, 4, 6, 8 o 12 horas, y finalmente el promedio único para todo el día. Estos niveles están matemáticamente vinculados; el promedio diario debe ser la suma de las horas. Los métodos tradicionales suelen predecir cada nivel por separado, lo que conduce al problema de la falta de coincidencia. El artículo propone una solución de dos pasos envuelta en uno solo. Primero, toman las predicciones crudas y desordenadas de cuatro modelos diferentes. Segundo, utilizan un proceso de "reconciliación" matemática para obligar a estas predicciones a obedecer las reglas de la jerarquía (para que las horas sumen el día) mientras combinan simultáneamente las opiniones de los cuatro expertos para minimizar los errores.

Los resultados son bastante impresionantes. Cuando probaron este método con datos reales de 2021 a 2024, el pronóstico combinado superó al mejor experto individual en casi todos los escenarios. Para los precios horarios, el nuevo método redujo el error (medido por el Error Absoluto Medio) entre un 4% y un 24% en comparación con los pronósticos originales no combinados. Las ganancias fueron aún mayores para los bloques de tiempo más largos, como los promedios de 12 o 24 horas, que son cruciales para los operadores. Los autores también descubrieron que la parte más importante de su receta no era la matemática sofisticada utilizada para suavizar los datos, sino cómo manejaron la relación entre los diferentes expertos. Preservar el hecho de que los expertos podrían cometer errores similares al mismo tiempo fue la clave del éxito.

Curiosamente, el artículo argumenta en contra de la idea de que necesitas elegir el modelo único más "inteligente". Incluso el modelo de IA más avanzado de su estudio (llamado MITRA) funcionó mejor cuando sus predicciones se combinaron con las de los demás. El artículo también descarta la idea de que primero debas promediar a los expertos y luego arreglar la matemática. Descubrieron que hacer ambos pasos al mismo tiempo —combinar y reconciliar en un único "paso simultáneo"— es la estrategia superior. Aunque el método se basa en estadísticas complejas para estimar cómo se relacionan los errores de los diferentes modelos entre sí, el hallazgo central es simple: cuando tienes una jerarquía de predicciones y un equipo de expertos, mezclarlos a todos respetando las reglas del juego produce un pronóstico que es difícil de vencer. Esto no es solo una victoria teórica; ofrece una forma práctica y robusta de predecir los precios de la electricidad con mayor precisión, lo que ayuda a mantener las luces encendidas y los mercados estables.

Resumen Técnico: Thick as THieFs: Combinación de pronósticos coherentes temporales para precios de la electricidad al día siguiente

Planteamiento del problema
Los precios de la electricidad al día siguiente se pronostican utilizando una variedad de modelos competidores en múltiples granularidades temporales, que van desde precios horarios hasta productos de bloque y baseload (carga base). Esta configuración presenta dos desafíos distintos:

Incoherencia: Los pronósticos producidos en diferentes granularidades temporales a menudo no cumplen con las restricciones de agregación (por ejemplo, el promedio de los precios horarios predichos no coincide con el precio diario de carga base predicho).
Incertidumbre del modelo: Ningún modelo de pronóstico es consistentemente el más preciso en todos los mercados, períodos de tiempo y niveles temporales.

La literatura existente aborda estos problemas por separado. La reconciliación temporal (por ejemplo, Athanasopoulos et al., 2017) garantiza la coherencia para un solo modelo a través de niveles temporales, pero no combina modelos competidores. Por el contrario, la combinación de pronósticos (por ejemplo, Bates y Granger, 1969) agrega múltiples modelos, pero generalmente ignora las restricciones estructurales impuestas por las jerarquías temporales.

Metodología
El artículo propone un marco unificado que aborda simultáneamente la incoherencia y la incertidumbre del modelo mediante la derivación de una combinación de pronósticos temporalmente coherente.

Marco de trabajo: El enfoque se basa en el marco de combinación de pronósticos coherentes para series temporales con restricciones transversales (Girolimetto y Di Fonzo, 2024) y lo extiende a las jerarquías temporales. Considera $Q \geq 1$ expertos (modelos de pronóstico), cada uno de los cuales produce pronósticos base para todos los niveles de una jerarquía temporal.
Optimización: El método busca una combinación lineal e insesgada de los pronósticos base apilados que satisfaga las restricciones de agregación temporal y minimice la varianza del error.
Solución de forma cerrada: La combinación óptima se deriva en dos formas equivalentes:
1. Forma estructural: $\hat{z}_{c} = S(S_Q^\top W^{-1} S_Q)^{-1} S_Q^\top W^{-1} \hat{z}$ , donde $S$ es la matriz estructural que mapea los datos de alta frecuencia a la jerarquía, $S_Q$ replica esto para $Q$ expertos, y $W$ es la matriz de covarianza de los errores de los pronósticos base apilados.
2. Forma de restricción cero: Un ajuste de mínimos cuadrados con restricciones lineales.
- Esta solución generaliza la reconciliación temporal de un solo experto de Athanasopoulos et al. (2017) como el caso especial donde $Q=1$ .
Estimación de la covarianza: Dado que la solución óptima depende de la matriz de covarianza de error de alta dimensión $W$ $W$ , que es desconocida, el artículo evalúa diversas estrategias de estimación. Estas estrategias combinan:
- Estructuras de correlación: Cuatro estructuras que van desde "Full" (sin restricciones) hasta "Diagonal" (sin correlaciones), incluyendo "By-expert" (preservando la dependencia temporal intra-experto) y "By-node" (preservando la dependencia inter-experto en puntos temporales específicos).
- Técnicas de contracción (Shrinkage): Contracción lineal (Ledoit y Wolf, 2004) y tres métodos de contracción no lineal (Ledoit y Wolf, 2022a) para regularizar la estimación de la matriz de covarianza, asegurando que sea definida positiva y esté bien condicionada.

Configuración Experimental
La metodología fue evaluada utilizando datos de precios de electricidad al día siguiente de los mercados alemán (EPEX-DE) y español (OMIE) durante el período 2021–2024.

Datos: El estudio utilizó pronósticos base de Lipiecki et al. (2026), que cubren cuatro clases de modelos distintas: ARX (autorregresivo lineal), NARX (redes neuronales no lineales), XGB (árboles de gradiente potenciado) y MITRA (modelo fundacional preentrenado).
Jerarquía: La jerarquía temporal consistió en 8 niveles ( $K = \{24, 12, 8, 6, 4, 3, 2, 1\}$ ), que representan precios horarios hasta el promedio diario.
Comparación: La combinación coherente propuesta se comparó contra:
1. Los pronósticos base originales.
2. La reconciliación temporal de un solo experto (reconciliando cada modelo de forma independiente).
3. Una estrategia secuencial (promediando primero los expertos y luego reconciliando).

Resultos Clave

Precisión Superior: La combinación coherente temporal superó significativamente tanto a los pronósticos base como al mejor pronóstico reconciliado de un solo experto en casi todos los niveles temporales en ambos mercados.
Reducción de Error: En relación con los pronósticos base, la combinación redujo el Error Absoluto Medio (MAE) horario entre un 4% y un 24%, dependiendo del experto. Las ganancias fueron generalmente mayores en las agregaciones temporales más gruesas (por ejemplo, productos de bloque y baseload).
Significancia Estadística: Las pruebas de Diebold–Mariano confirmaron que los pronósticos combinados fueron significativamente más precisos que los pronósticos base y reconciliados en la gran mayoría de los casos.
Robustez:
- Se encontró que la elección de la estructura de correlación fue la decisión de modelado crítica. Preservar la dependencia del error de cada experto a través de los niveles temporales (la estructura "by-expert") fue sustancialmente más importante que el método específico de contracción lineal o no lineal utilizado.
- Las ganancias no fueron impulsadas por un solo experto; la combinación mejoró respecto al mejor experto individual en casi todos los escenarios.
- El enfoque simultáneo (combinar y reconciliar en un solo paso) superó a la estrategia secuencial (promediar y luego reconciliar).

Significancia y Reivindicaciones
El artículo afirma que la combinación coherente temporal ofrece una solución práctica y estadísticamente rigurosa a los problemas duales de incoherencia y selección de modelos en el pronóstico de precios de la electricidad. Al tratar la jerarquía temporal y el conjunto de expertos de forma conjunta, el método aprovecha plenamente la información disponible a lo largo de dos dimensiones: los niveles de agregación temporal y los modelos de pronóstico.

Los autores enfatizan que este enfoque proporciona un "pronóstico único" que satisface las restricciones de agregación y minimiza la varianza del error entre las combinaciones lineales insesgadas. Los resultados sugieren que para los mercados de electricidad al día siguiente, donde las decisiones se toman en varios niveles de granularidad temporal, una combinación coherente unificada es superior a seleccionar un único "mejor" modelo o reconciliar los modelos individualmente. El estudio valida la extensión del concepto "ThieF" (Pronóstico Jerárquico Temporal) de la reconciliación de un solo modelo a la combinación de múltiples modelos, demostrando que los modelos fundacionales y los modelos estadísticos tradicionales pueden integrarse eficazmente para mejorar la precisión del pronóstico en todo el espectro temporal.

Más como este