Foundation models for electricity price forecasting and battery arbitrage: Can they replace market-specific forecasting models?
Sebbene i modelli di fondazione come TabPFN dimostrino una precisione statistica superiore nella previsione dei prezzi dell'elettricità in molteplici mercati, essi non sostituiscono universalmente i modelli specifici per mercato poiché il loro valore economico nell'arbitraggio delle batterie dipende fortemente dalla specifica strategia decisionale e dalla tolleranza al rischio.
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
L'elettricità è il sangue invisibile della società moderna, che scorre attraverso i cavi per alimentare tutto, dai lampioni agli ospedali. Ma il prezzo di quell'elettricità non è fisso; fluttua selvaggiamente, salendo a volte a vette vertiginose e scendendo occasionalmente in territorio negativo. Queste oscillazioni di prezzo sono guidate da un complesso mix di fattori: quanta energia solare ed eolica è disponibile per generare potenza, quanto costano i combustibili e quanta energia le persone stanno utilizzando in ogni dato momento. Poiché questi prezzi cambiano in modo imprevedibile, le aziende che possiedono batterie o gestiscono reti elettriche devono indovinare il prezzo futuro con una precisione straordinaria. Se riescono a prevedere un picco di prezzo, possono acquistare elettricità a basso costo, immagazzinarla in una batteria e rivenderla in seguito per ottenere un profitto. Se sbagliano previsione, perdono denaro. Per decenni, gli esperti hanno costruito modelli informatici specializzati progettati proprio per questi mercati specifici, imparando i ritmi unici della rete elettrica di ogni paese.
Recentemente, è emerso un nuovo tipo di intelligenza artificiale, che promette di svolgere lo stesso lavoro senza dover essere istruita sulle specificità di un singolo mercato. Questi sono chiamati modelli di base (foundation models). Immaginate uno studente che ha letto milioni di libri su ogni possibile argomento; quando gli ponete una domanda su un tema specifico, può rispondere immediatamente senza bisogno di un nuovo libro di testo. Allo stesso modo, questi modelli di base sono addestrati su enormi quantità di dati provenienti da molti campi diversi, con la speranza di poter applicare ciò che hanno appreso ai prezzi dell'elettricità istantaneamente, senza alcun addestramento supplementare. La grande domanda per il settore energetico è se questi strumenti di IA generalisti siano abbastanza validi da sostituire gli esperti specializzati e tarati sul mercato che sono stati lo standard per anni.
Un team di ricercatori dalla Polonia e dalla Danimarca ha deciso di rispondere a questa domanda sottoponendo questi nuovi modelli di IA a un test rigoroso. Hanno raccolto cinque anni di dati sui prezzi dell'elettricità da tre mercati europei molto diversi tra loro: Germania, Polonia e Spagna. Questi paesi sono stati scelti perché hanno un mix differente di fonti di energia; la Germania e la Spagna si affidano molto al vento e al sole, mentre la Polonia utilizza ancora una quantità significativa di carbone. I ricercatori hanno messo a confronto nove diverse versioni di questi nuovi modelli di base contro due dei migliori modelli specializzati esistenti, utilizzati dai professionisti. Non si sono limitati a chiedere ai modelli di indovinare il prezzo; hanno testato quanto bene i modelli potessero prevedere l'intero intervallo di possibili prezzi, inclusi i picchi e i cali rari ma pericolosi. Infine, hanno compiuto il passo più importante: hanno simulato una strategia di trading reale. Hanno utilizzato le previsioni di ciascun modello per gestire un sistema virtuale di accumulo tramite batterie, comprando e vendendo elettricità per cinque anni per vedere quale modello facesse effettivamente guadagnare di più.
I risultati hanno rivelato una divisione sorprendente tra accuratezza statistica e profitto reale. In termini di pura capacità di previsione, una famiglia di modelli di base, nota come TabPFN, ha superato costantemente gli esperti specializzati in tutti e tre i paesi. Questi modelli sono stati in grado di prevedere il prezzo con maggiore precisione rispetto ai metodi tradizionali, anche senza essere stati addestrati sulla storia specifica di quei mercati. Tuttavia, la storia è cambiata quando i ricercatori hanno guardato il conto in banca. Sebbene i modelli TabPFN fossero statisticamente superiori, ciò non si è tradotto automaticamente nei profitti più elevati. Il risultato dipendeva interamente da quanto rischio era disposto a correre il trader. Quando la strategia di trading era aggressiva e disposta ad accettare rischi più elevati, i modelli TabPFN generavano più denaro. Ma quando la strategia era cauta e avversa al rischio, il vecchio modello specializzato chiamato DDNN-JSU otteneva effettivamente più profitti, nonostante fosse meno accurato nelle sue previsioni grezze.
Questa scoperta suggerisce che i nuovi modelli di base sono strumenti potenti, ma non sono un sostituto universale dei modelli specializzati che sono stati perfezionati per decenni. La scelta migliore dipende dall'obiettivo specifico. Se l'obiettivo è avere l'immagine statistica più accurata del futuro, i nuovi modelli di base sono eccellenti. Ma se l'obiettivo è massimizzare il profitto in un ambiente di trading cauto, i vecchi modelli specializzati mantengono ancora il vantaggio. Lo studio conclude che, sebbene questi nuovi strumenti di IA siano un passo avanti significativo e possano migliorare le previsioni, dovrebbero essere visti come componenti potenti all'interno di un sistema più ampio piuttosto che come una soluzione magica che risolve ogni problema. Il futuro del trading elettrico comporterà probabilmente una combinazione di questi nuovi strumenti generalisti e della meticolosa competenza specifica del mercato che è stata costruita in anni di esperienza.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.