📊 statistics

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

Cet article propose une méthode de combinaison de prévisions à cohérence temporelle qui résout simultanément l'incohérence entre les différentes granularités temporelles et exploite les forces de plusieurs modèles concurrents pour produire des prévisions de prix de l'électricité à J+1 à variance minimale et non biaisées, lesquelles surpassent de manière significative les approches existantes sur les marchés allemand et espagnol.

Auteurs originaux : Daniele Girolimetto

Publié 2026-07-27

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Daniele Girolimetto

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de prédire la météo pour toute une semaine. Vous avez une équipe d'experts : l'un observe les nuages par satellite, un autre étudie les modèles de vent, et un troisième vérifie les données historiques de température. Si vous demandez à chacun d'eux une prédiction, ils pourraient donner des réponses différentes. Mais voici le pièsel : si vous leur demandez la température pour chaque heure et que vous demandez ensuite la température moyenne pour la journée entière, leurs réponses pourraient ne pas correspondre. Peut-être que la somme de leurs prévisions horaires ne correspond pas à leur prévision journalière. C'est un problème. Dans le monde de l'énergie, et plus précisément de l'électricité, ce n'est pas seulement un casse-tête mathématique ; c'est un enjeu financier (une source de profit ou de perte). Les prix de l'électricité changent chaque heure, mais les traders achètent également des « blocs » de temps (comme des tranches de 4 heures) ou des contrats de « base » (le prix moyen pour la journée entière). Si vos prédictions pour les heures ne correspondent pas à votre prédiction pour la journée, vous pourriez faire un mauvais arbitrage. Ce document traite de la manière de corriger ces prédictions incohérentes et de la façon de combiner les meilleures idées de différents experts pour obtenir une prévision super précise.

Le document, intitulé « Thick as THieFs », introduit une méthode ingénieuse pour résoudre deux problèmes à la fois. Premièrement, il corrige le problème d'« incohérence » où les prédictions horaires ne correspondent pas aux moyennes journalières. Deuxement, il nous évite de devoir choisir un seul « meilleur » modèle. Au lieu de parier sur une seule boule de cristal, les auteurs combinent les prévisions de quatre « experts » très différents (un modèle statistique simple, un réseau de neurones, un apprenant basé sur des arbres et un immense modèle de fondation d'IA) en une seule prévision unifiée. Ils appellent cela la « Combinaison de Prévisions Temporellement Cohérente ». Pensez à une chorale. Si vous avez quatre chanteurs, chacun avec une voix différente, vous ne choisissez pas simplement le plus fort. Au lieu de cela, vous mélangez leurs voix, mais vous vous assurez qu'ils chantent tous les bonnes notes pour que la chanson soit parfaite du début à la fin. Les auteurs ont testé cette méthode sur les marchés de l'électricité en Allemagne et en Espagne et ont découvert que cette approche de « super-chorale » était nettement plus précise que n'importe quel chanteur individuel ou même qu'un chanteur individuel qui aurait été accordé pour correspondre au groupe.

Voici comment la magie opère. Les auteurs ont réalisé que les prix de l'électricité existent à différents « niveaux » de détail : les 24 heures individuelles d'une journée, des blocs de 2, 3, 4, 6, 8 ou 12 heures, et enfin la moyenne unique pour la journée entière. Ces niveaux sont mathématiquement liés ; la moyenne journalière doit être la somme des heures. Les méthodes traditionnelles prédisent souvent chaque niveau séparément, ce qui conduit au problème d'incohérence. Le document propose une correction en deux étapes enveloppée en une seule. Premièrement, ils prennent les prédictions brutes et désordonnées de quatre modèles différents. Deuxièmement, ils utilisent un processus de « réconciliation » mathématique pour forcer ces prédictions à respecter les règles de la hiérarchie (pour que les heures s'additionnent pour la journée) tout en mélangeant simultanément les opinions des quatre experts pour minimiser les erreurs.

Les résultats sont assez impressionnants. Lorsqu'ils ont testé cette méthode sur des données réelles de 2021 à 2024, la prévision combinée a battu le meilleur expert individuel dans presque tous les scénarios. Pour les prix horaires, la nouvelle méthode a réduit l'erreur (mesurée par l'Erreur Absolue Moyenne) de 4 % à 24 % par rapport aux prévisions originales non mélangées. Les gains sont encore plus importants pour les blocs de temps plus longs, comme les moyennes de 12 ou 24 heures, qui sont cruciaux pour les traders. Les auteurs ont également découvert que la partie la plus importante de leur recette n'était pas la mathématique sophistiquée utilisée pour lisser les données, mais plutôt la façon dont ils géraient la relation entre les différents experts. Préserver le fait que les experts puissent commettre des erreurs similaires au même moment était la clé du succès.

Il est intéressant de noter que le document plaide contre l'idée qu'il faille choisir le modèle le plus « intelligent ». Même le modèle d'IA le plus avancé de leur étude (appelé MITRA) a obtenu de meilleurs résultats lorsque ses prédictions étaient combinées avec les autres. Le document rejette également l'idée qu'il faille d'abord moyenner les experts, puis corriger les mathématiques. Ils ont trouvé que faire les deux étapes en même temps — combiner et réconcilier en une seule « étape simultanée » — est la stratégie supérieure. Bien que la méthode repose sur des statistiques complexes pour estimer la façon dont les erreurs de différents modèles sont liées les unes aux autres, la conclusion fondamentale est simple : lorsque vous avez une hiérarchie de prédictions et une équipe d'experts, les mélanger tous ensemble tout en respectant les règles du jeu produit une prévision plus difficile à battre. Ce n'est pas seulement une victoire théorique ; cela offre une façon pratique et robuste de prédire les prix de l'électricité plus précisément, ce qui aide à maintenir les lumières allumées et les marchés stables.

Résumé technique : Thick as THieFs : Combinaison de prévisions temporellement cohérentes pour les prix de l'électricité à un jour

Énoncé du problème
Les prix de l'électricité à un jour sont prévus à l'aide d'une variété de modèles concurrents à travers de multiples granularités temporelles, allant des prix horaires aux produits de type "block" et "baseload". Cette configuration présente deux défis distincts :

Incohérence : Les prévisions produites à différentes granularités temporelles ne satisfont souvent pas les contraintes d'agrégation (par exemple, la moyenne des prix horaires prédits ne correspond pas au prix baseload quotidien prédit).
Incertitude des modèles : Aucun modèle de prévision unique n'est systématiquement le plus précis sur tous les marchés, périodes et niveaux temporels.

La littérature existante traite ces problèmes séparément. La réconciliation temporelle (par exemple, Athanasopoulos et al., 2017) assure la cohérence pour un seul modèle à travers les niveaux temporels, mais ne combine pas de modèles concurrents. Inversement, la combinaison de prévisions (par exemple, Bates et Granger, 1969) agrège plusieurs modèles, mais ignore généralement les contraintes structurelles imposées par les hiérarchies temporelles.

Méthodologie
Le document propose un cadre unifié qui traite simultanément l'incohérence et l'incertitude des modèles en dérivant une combinaison de prévisions temporellement cohérente.

Cadre : L'approche s'appuie sur le cadre de combinaison de prévisions cohérentes pour les séries temporelles à contraintes transversales (Girolimetto et Di Fonzo, 2024) et l'étend aux hiérarchies temporelles. Elle considère $Q \geq 1$ experts (modèles de prévision), chacun produisant des prévisions de base pour tous les niveaux d'une hiérarchie temporelle.
Optimisation : La méthode recherche une combinaison linéaire et non biaisée des prévisions de base empilées qui satisfait les contraintes d'agrégation temporelle et minimise la variance de l'erreur.
Solution analytique : L'optimale combinaison est dérivée sous deux formes équivalentes :
1. Forme structurelle : $\hat{z}_{c} = S(S_Q^\top W^{-1} S_Q)^{-1} S_Q^\top W^{-1} \hat{z}$ , où $S$ est la matrice structurelle faisant correspondre les données haute fréquence à la hiérarchie, $S_Q$ reproduit cela pour $Q$ experts, et $W$ est la matrice de covariance des erreurs de prévision de base empilées.
2. Forme à contrainte nulle : Un ajustement par moindres carrés linéairement contraint.
- Cette solution généralise la réconciliation temporelle pour un expert unique d'Athanasopoulos et al. (2017) comme le cas particulier où $Q=1$ .
Estimation de la covariance : Puisque la solution optimale dépend de la matrice de covariance des erreurs de haute dimension $W$ $W$ , qui est inconnue, l'article évalue diverses stratégies d'estimation. Ces stratégies combinent :
- Structures de corrélation : Quatre structures allant de "Full" (sans contraintes) à "Diagonal" (sans corrélations), incluant "By-expert" (préservant la dépendance temporelle intra-expert) et "By-node" (préservant la dépendance inter-expert à des points temporels spécifiques).
- Techniques de shrinkage (réduction) : Le shrinkage linéaire (Ledoit et Wolf, 2004) et trois méthodes de shrinkage non linéaires (Ledoit et Wolf, 2022a) pour régulariser l'estimation de la matrice de covariance, garantissant qu'elle soit définie positive et bien conditionnée.

Dispositif expérimental
La méthodologie a été évaluée à l'aide de données de prix de l'électricité à un jour provenant des marchés allemand (EPEX-DE) et espagnol (OMIE) sur la période 2021–2024.

Données : L'étude a utilisé des prévisions de base de Lipiecki et al. (2026), qui couvrent quatre classes de modèles distinctes : ARX (autoregressif linéaire), NARX (réseaux de neurones non linéaires), XGB (arbres de décision boostés par gradient) et MITRA (modèle de fondation pré-entraîné).
Hiérarchie : La hiérarchie temporelle consistait en 8 niveaux ( $K = \{24, 12, 8, 6, 4, 3, 2, 1\}$ ), représentant les prix horaires jusqu'à la moyenne quotidienne.
Comparaison : La combinaison cohérente proposée a été comparée à :
1. Les prévisions de base originales.
2. La réconciliation temporelle d'un expert unique (réconciliant chaque modèle indépendamment).
3. Une stratégie séquentielle (moyennant d'abord les experts, puis en réconciliant).

Résultats clés

Précision supérieure : La combinaison cohérente temporelle a nettement surpassé les prévisions de base et la meilleure prévision réconciliée d'un expert unique à presque tous les niveaux temporels dans les deux marchés.
Réduction de l'erreur : Par rapport aux prévisions de base, la combinaison a réduit l'erreur absolue moyenne (MAE) horaire de 4 % à 24 %, selon l'expert. Les gains étaient généralement plus importants pour les agrégations temporelles plus grossières (par exemple, les produits block et baseload).
Signification statistique : Les tests de Diebold–Mariano ont confirmé que les prévisions combinées étaient significativement plus précises que les prévisions de base et réconciliées dans la grande majorité des cas.
Robustesse :
- Le choix de la structure de corrélation a été identifié comme la décision de modélisation critique. Préserver la dépendance temporelle des erreurs de chaque expert à travers les niveaux temporels (la structure "by-expert") était nettement plus important que la méthode spécifique de shrinkage linéaire ou non linéaire utilisée.
- Les gains n'étaient pas pilotés par un seul expert ; la combinaison a amélioré le meilleur expert individuel dans presque tous les scénarios.
- L'approche simultanée (combiner et réconcilier en une seule étape) a mieux performé que la stratégie séquentielle (moyenner puis réconcilier).

Signification et affirmations
L'article affirme que la combinaison cohérente temporelle offre une solution pratique et statistiquement rigoureuse aux doubles problèmes d'incohérence et de sélection de modèles pour la prévision des prix de l'électricité. En traitant conjointement la hiérarchie temporelle et l'ensemble d'experts, la méthode exploite pleinement l'information disponible selon deux dimensions : les niveaux d'agrégation temporelle et les modèles de prévision.

Les auteurs soulignent que cette approche fournit une « prévision unique » qui satisfait les contraintes d'agrégation et minimise la variance de l'erreur parmi les combinaisons linéaires non biaisées. Les résultats suggèrent que pour les marchés de l'électricité à un jour, où les décisions sont prises à diverses granularités temporelles, une combinaison cohérente unifiée est supérieure à la sélection d'un seul « meilleur » modèle ou à la réconciliation de modèles individuellement. L'étude valide l'extension du concept de "ThieF" (Temporal Hierarchical Forecasting) de la réconciliation d'un modèle unique à la combinaison multi-modèles, démontant que les modèles de fondation et les modèles statistiques traditionnels peuvent être intégrés efficacement pour améliorer la précision des prévisions sur l'ensemble du spectre temporel.

Articles similaires