📊 statistics

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

Questo articolo propone un metodo di combinazione delle previsioni a coerenza temporale che risolve simultaneamente l'incoerenza tra diverse granularità temporali e sfrutta i punti di forza di molteplici modelli concorrenti per produrre previsioni dei prezzi dell'elettricità day-ahead a varianza minima e non distorte che superano significativamente gli approcci esistenti nei mercati tedesco e spagnolo.

Autori originali: Daniele Girolimetto

Pubblicato 2026-07-27

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Daniele Girolimetto

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di prevedere il tempo per un'intera settimana. Hai un team di esperti: uno osserva le nuvole satellitari, un altro studia i modelli del vento e un terzo controlla i dati storici della temperatura. Se chiedi a ciascuno di loro una previsione, potrebbero darti risposte diverse. Ma ecco la parte complicata: se chiedi loro la temperatura per ogni singola ora e poi chiedi la temperatura media per l'intera giornata, le loro risposte potrebbero non tornare. Magari la somma delle loro ipotesi orarie non corrisponde alla loro ipotesi giornaliera. Questo è un problema. Nel mondo dell'energia, specificamente dell'elettricità, questo non è solo un rompicapo matematico; è un modo per fare soldi (o perderli). I prezzi dell'elettricità cambiano ogni ora, ma i trader acquistano anche "blocchi" di tempo (come pezzi da 4 ore) o contratti "baseload" (il prezzo medio per l'intera giornata). Se le tue previsioni per le ore non corrispondono alla tua previsione per il giorno, potresti fare un pessimo affare. Questo articolo affronta come risolvere questi disallineamenti nelle previsioni e come combinare le migliori idee di diversi esperti in un'unica previsione super-accurata.

Il documento, intitolato "Thick as THieFs", introduce un metodo ingegnoso per risolvere due mal di testa contemporaneamente. Primo, risolve il problema dell' "incoerenza", ovvero quando le previsioni orarie non corrispondono alle medie giornaliere. Secondo, ci evita di dover scegliere un solo modello "migliore". Invece di scommettere su una singola palla di cristallo, gli autori combinano le previsioni di quattro "esperti" molto diversi (un semplice modello statistico, una rete neurale, un apprendista basato su alberi e un enorme modello di base AI) in un'unica previsione unificata. Lo chiamano "Temporal Coherent Forecast Combination" (Combinazione di Previsioni Temporalmente Coerenti). Pensa a un coro. Se hai quattro cantanti, ognuno con una voce diversa, non scegli semplicemente il più forte. Invece, fondi le loro voci insieme, ma ti assicuri che colpiscano tutte le note giuste affinché la canzone suoni perfetta dall'inizio alla fine. Gli autori hanno testato questo metodo sui mercati elettrici in Germania e Spagna e hanno scoperto che questo approccio a "super-coro" era significativamente più accurato di qualsiasi singolo cantante o anche di un singolo cantante che fosse stato accordato per adattarsi al gruppo.

Ecco come avviene la magia. Gli autori si sono resi conto che i prezzi dell'elettricità esistono a diversi "livelli" di dettaglio: le 24 ore individuali di un giorno, blocchi di 2, 3, 4, 6, 8 o 12 ore e, infine, la singola media per l'intera giornata. Questi livelli sono matematicamente legati; la media giornaliera deve essere la somma delle ore. I metodi tradizionali spesso prevedono ogni livello separatamente, portando al problema del disallineamento. Il documento propone una correzione in due fasi racchiusa in una sola. Primo, prendono le previsioni grezze e disordinate di quattro modelli diversi. Secondo, utilizzano un processo di "riconciliazione" matematica per costringere queste previsioni a rispettare le regole della gerarchia (così le ore sommano al giorno) pur combinando simultaneamente le opinioni dei quattro esperti per minimizzare gli errori.

I risultati sono piuttosto impressionanti. Quando hanno testato questo metodo su dati reali dal 2021 al 2024, la previsione combinata ha battuto il miglior esperto individuale in quasi ogni scenario. Per i prezzi orari, il nuovo metodo ha ridotto l'errore (misurato come Mean Absolute Error) tra il 4% e il 24% rispetto alle previsioni originali non combinate. I guadagni sono stati ancora maggiori per i blocchi temporali più lunghi, come le medie di 12 o 24 ore, che sono cruciali per i trader. Gli autori hanno anche scoperto che la parte più importante della loro ricetta non era la matematica sofisticata usata per smussare i dati, ma come gestivano la relazione tra i diversi esperti. Preservare il fatto che gli esperti potessero commettere errori simili nello stesso momento è stata la chiave del successo.

Interessante è che il documento argomena contro l'idea di dover scegliere il modello singolo più "intelligente". Anche il modello AI più avanzato del loro studio (chiamato MITRA) ha performato meglio quando le sue previsioni venivano combinate con le altre. Il documento esclude anche l'idea che si debba prima mediare gli esperti e poi sistemare la matematica. Hanno scoperto che fare entrambi i passaggi contemporaneamente — combinando e riconciliando in un unico "passaggio simultaneo" — è la strategia superiore. Sebbene il metodo si basi su statistiche complesse per stimare come gli errori dei diversi modelli si relazionano tra loro, la scoperta centrale è semplice: quando si ha una gerarchia di previsioni e un team di esperti, fondere tutti insieme rispettando le regole del gioco produce una previsione più difficile da battere. Questo non è solo un successo teorico; offre un modo pratico e robusto per prevedere i prezzi dell'elettricità in modo più accurato, il che aiuta a mantenere accese le luci e i mercati stabili.

Sintesi Tecnica: Thick as THieFs: Combinazione di previsioni coerenti temporali per i prezzi dell'elettricità day-ahead

Definizione del Problema
I prezzi dell'elettricità day-ahead vengono previsti utilizzando una varietà di modelli competitivi attraverso molteplici granularità temporali, che vanno dai prezzi orari ai prodotti block e baseload. Questa configurazione presenta due sfide distinte:

Incoerenza: Le previsioni prodotte a diverse granularità temporali spesso non soddisfano i vincoli di aggregazione (ad esempio, la media dei prezzi orari previsti non corrisponde al prezzo baseload giornaliero previsto).
Incertezza del Modello: Nessun singolo modello di previsione è costantemente il più accurato in tutti i mercati, periodi temporali e livelli temporali.

La letteratura esistente affronta questi problemi separatamente. La riconciliazione temporale (ad esempio, Athanasopoulos et al., 2017) garantisce la coerenza per un singolo modello attraverso i livelli temporali, ma non combina modelli competitivi. Al contrario, la combinazione di previsioni (ad esempio, Bates e Granger, 1969) aggrega più modelli, ma tipicamente ignora i vincoli strutturali imposti dalle gerarchie temporali.

Metodologia
L'articolo propone un quadro unificato che affronta simultaneamente l'incoerenza e l'incertezza del modello derivando una combinazione di previsioni temporalmente coerente.

Framework: L'approccio si basa sul framework di combinazione di previsioni coerenti per serie temporali con vincoli trasversali (Girolimetto e Di Fonzo, 2024) ed estende esso alle gerarchie temporali. Considera $Q \geq 1$ esperti (modelli di previsione), ciascuno dei quali produce previsioni di base per tutti i livelli di una gerarchia temporale.
Ottimizzazione: Il metodo cerca una combinazione lineare e non viesata delle previsioni di base impilate che soddisfi i vincoli di aggregazione temporale e minimizzi la varianza dell'errore.
Soluzione in Forma Chiusa: L'ottima combinazione è derivata in due forme equivalenti:
1. Forma Strutturale: $\hat{z}_{c} = S(S_Q^\top W^{-1} S_Q)^{-1} S_Q^\top W^{-1} \hat{z}$ , dove $S$ è la matrice strutturale che mappa i dati ad alta frequenza alla gerarchia, $S_Q$ replica questo per $Q$ esperti, e $W$ è la matrice di covarianza degli errori delle previsioni di base impilate.
2. Forma a Vincolo Zero: Un aggiustamento ai minimi quadrati con vincoli lineari.
- Questa soluzione generalizza la riconciliazione temporale a singolo esperto di Athanasopoulos et al. (2017) come il caso speciale in cui $Q=1$ .
Stima della Covarianza: Poiché la soluzione ottimale dipende dalla matrice di covarianza degli errori ad alta dimensione $W$ $W$ , che è sconosciuta, l'articolo valuta varie strategie di stima. Queste strategie combinano:
- Strutture di Correlazione: Quattro strutture che vanno da "Full" (senza vincoli) a "Diagonal" (senza correlazioni), includendo "By-expert" (preservando la dipendenza temporale intra-esperto) e "By-node" (preservando la dipendenza inter-esperto in specifici punti temporali).
- Tecniche di Shrinkage: Lo shrinkage lineare (Ledoit e Wolf, 2004) e tre metodi di shrinkage non lineare (Ledoit e Wolf, 2022a) per regolarizzare la stima della matrice di covarianza, garantendo che sia positiva definita e ben condizionata.

Configurazione Sperimentale
La metodologia è stata valutata utilizzando dati sui prezzi dell'elettricità day-ahead dei mercati tedesco (EPEX-DE) e spagnolo (OMIE) nel periodo 2021–2024.

Dati: Lo studio ha utilizzato previsioni di base da Lipiecki et al. (2026), che coprono quattro classi distinte di modelli: ARX (autoregressivo lineare), NARX (reti neurali non lineari), XGB (alberi potenziati dal gradiente) e MITRA (modello foundation pre-addestrato).
Gerarchia: La gerarchia temporale consisteva in 8 livelli ( $K = \{24, 12, 8, 6, 4, 3, 2, 1\}$ ), rappresentando i prezzi orari fino alla media giornaliera.
Confronto: La combinazione coerente proposta è stata confrontata con:
1. Le previsioni di base originali.
2. La riconciliazione temporale a singolo esperto (riconciliando ogni modello indipendentemente).
3. Una strategia sequenziale (media prima gli esperti, poi riconcilia).

Risultati Chiave

Accuratezza Superiore: La combinazione coerente temporale ha superato significativamente sia le previsioni di base che la migliore previsione riconciliata del singolo esperto in quasi ogni livello temporale in entrambi i mercati.
Riduzione dell'Errore: Rispetto alle previsioni di base, la combinazione ha ridotto l'Errore Assoluto Medio (MAE) orario dal 4% al 24%, a seconda dell'esperto. I guadagni sono stati generalmente maggiori nelle aggregazioni temporali più grossolane (ad esempio, prodotti block e baseload).
Significatività Statistica: I test di Diebold–Mariano hanno confermato che le previsioni combinate erano significativamente più accurate delle previsioni base e riconciliate nella stragrande maggioranza dei casi.
Robustezza:
- La scelta della struttura di correlazione è stata identificata come la decisione di modellazione critica. Preservare la dipendenza temporale dell'errore di ciascun esperto attraverso i livelli temporali (la struttura "by-expert") è stato sostanzialmente più importante della specifica tecnica di shrinkage lineare o non lineare utilizzata.
- I guadagni non sono stati guidati da un singolo esperto; la combinazione ha migliorato il miglior esperto individuale in quasi tutti gli scenari.
- L'approccio simultaneo (combinazione e riconciliazione in un unico passaggio) ha superato la strategia sequenziale (media e poi riconciliazione).

Significato e Rivendicazioni
L'articolo sostiene che la combinazione coerente temporale offre una soluzione pratica e statisticamente rigorosa ai duplici problemi di incoerenza e selezione del modello nella previsione dei prezzi dell'elettricità. Trattando la gerarchia temporale e l'insieme di esperti congiuntamente, il metodo sfrutta appieno le informazioni disponibili lungo due dimensioni: i livelli di aggregazione temporale e i modelli di previsione.

Gli autori sottolineano che questo approccio fornisce una "previsione singola" che soddisfa i vincoli di aggregazione e minimizza la varianza dell'errore tra le combinazioni lineari non viesate. I risultati suggeriscono che per i mercati elettrici day-ahead, dove le decisioni vengono prese a varie granularità temporali, una combinazione coerente unificata è superiore alla selezione di un singolo "miglior" modello o alla riconciliazione dei modelli individualmente. Lo studio valida l'estensione del concetto di "ThieF" (Temporal Hierarchical Forecasting) dalla riconciliazione a singolo modello alla combinazione multi-modello, dimostrando che i modelli foundation e i modelli statistici tradizionali possono essere integrati efficacemente per migliorare l'accuratezza delle previsioni attraverso l'intero spettro temporale.

Articoli simili