High-frequency intraday trading for battery storages

기술 요약: 배터리 저장 장치를 위한 고빈도 인트라데이 트레이딩

문제 정의
그리드 규모의 배터리 에너지 저장 시스템(BESS)은 연속적인 인트라데이(intraday) 전력 시장에서 수익을 극대화하기 위해 정교한 트레이딩 전략을 필요로 한다. "롤링 인트린직(rolling intrinsic, RI)" 전략은 저장 장치 운영의 표준 벤치마크이지만, 이를 연속적인 인트라데이 시장에 적용하는 데에는 계산적 제약이 따른다. 기존 문헌은 대개 정형화된 시장 모델, 집계된 거래 데이터, 또는 이산적 시간 단계(예: 시간 단위 또는 15분 간격)에 의존하며, 이는 밀리초 단위의 역동성, 유동성 제약, 그리고 연속 주문서(order book)의 미세 구조를 포착하지 못한다. 또한, 혼합 정수 선형 계획법(MILP)과 같은 정밀 최적화 방법은 모든 관련 주문서 업데이트에 반응해야 하는 데 필요한 빈도로 재최적화하기에는 계산 비용이 너무 높다. 이러한 격차는 현실적인 백테스팅과 트레이딩 속도에 의존하는 단기 차익 거래 기회의 활용을 저해한다.

방법론
본 논문은 연속적인 인트라데이 시장에 맞춤화된, 계산 효율적인 고빈도 롤링 인트린직 전략 구현을 제안한다. 방법론은 세 가지 핵심 구성 요소로 이루어진다:

1. 전체 리밋 오더 북(LOB) 표현: 집계된 가격 곡선을 사용하는 방식과 달리, 본 모델은 모든 활성 매수/매도 호가, 주문 유형 및 시장 규칙을 포함하는 전체 리밋 오더 북을 명시적으로 통합한다. 경제적으로 실행 불가능한 한계 거래를 방지하기 위해 배터리 열화 비용과 거래 수수료의 선형 근사를 목적 함수에 직접 통합한다.
2. 동적 계획법(DP) 재구성: 저자들은 표준 MILP 인트린직 최적화 문제를 다단계 동적 계획법 문제로 재구성한다. 실제로는 모든 인도 시간(delivery hours)에 대한 물리적 결정이 동시에 이루어지지만, DP 접근 방식은 배터리의 충전 상태(SoC)를 연결 상태 변수로 사용하여 각 인도 시간을 별도의 "단계(stage)"로 매핑한다.
   • 가치 함수(value function)는 SoC를 유한한 그리드 상에 이산화하고 선형 보간법을 사용하여 근사한다.
   • 이 재구성은 이론적 정밀도의 미미한 손실을 대가로, 정확한 MILP 솔버와 비교하여 2~3 자릿수(orders of magnitude)의 계산 속도 향상을 달성한다.
   • 알고리즘은 최적 가치 함수를 결정하기 위한 역방향 귀납법(backward induction)과 실행 가능한 트레이딩 결정을 도출하기 위한 순방향 패스(forward pass)를 실행한다.
3. 고빈도 실행 로직: 이 전략은 모든 관련 주문서 업데이트 시마다 재최적화하도록 설계되었다(밀리초 해상도). 실행 리스크와 지연 시간을 관리하기 위해 시스템은 "필 오어 킬(fill-or-kill)" 주문을 제출한다. 시장 변화로 인해 최적화 과정 중이나 기술적 지연 중에 주문을 놓치더라도, 정책의 롤링 특성이 후속 최적화 단계에서 발생하는 비물리적 포지션을 자동으로 수정한다.

주요 기여
본 논문은 에너지 트레이딩 및 운영 연구 분야에 다섯 가지 주요 기여를 한다:

• 연속 시장으로의 롤링 인트린직 적응: 저자들은 주문 배치 비용, 선형 열화 및 상세한 시장 규칙을 고려하는 MILP로 공식화함으로써, 모든 개별 주문을 명시적으로 모델링하도록 RI 전략을 적응시켰다.
• 속도를 위한 DP 근사: 표준 MILP 솔루션보다 100~1000배 빠른 속도를 달야내는 DP 근사법을 도입하였다. 이를 통해 실시간으로 모든 관련 주문서 업데이트에 반응할 수 있는 저장 자산을 위한 최초의 고빈도 알고리 알고리즘 트레이딩 전략을 가능하게 했다.
• 포괄적인 백테스팅: 독일 주문서 데이터(2억 4,040만 건의 주문 제출)를 사용한 2021년 전체 기간에 대한 상세한 백테스팅을 통해, DP 공식이 정확한 MILP 솔루션과 비교하여 거래 수익을 감소시키지 않으면서도 현실적이고 신속한 시뮬레이션을 가능하게 함을 입증하였다.
• 파라미터 최적화: 알고리즘의 속도를 활용하여, 저자들은 (넓은 매수-매도 스프레드에 대한 페널티를 도입한) RI의 파라미터 확장 버전을 학습시켜 트레이딩 동작을 최적화하였으며, 이를 통해 표본 외(out-of-sample)에서 추가로 8.4%의 수익 증가를 달성하였다.
• 오픈 소스 도구: 연구자와 산업 종사자들이 고빈도 롤링 인트린직 트레이딩 시나리오를 시뮬레이션할 수 있도록 Python 패키지(BitePy)를 공개한다.

결과
2021년 독일 인트라데이 데이터에 대한 수치 실험 결과는 다음과 같다:

• 속도의 수익 영향: 트레이딩 속도는 매우 중요하다. 고빈도 정책(모든 관련 LOB 업데이트 시 재최적화)은 시간당 한 번 재최적화하는 전략보다 58% 더 많은 수익을 올렸으며, 분당 한 번 재최적화하는 전략보다 14% 더 높은 수익을 기록했다.
• DP vs. MILP 성능: 조밀하지 않은 그리드($m=11$)를 사용한 DP 접근 방식은 정확한 MILP 솔루션과 비교하여 (통계적 유의성 범위 내에서) 유사한 수익을 달성하면서도, 시뮬레이션 시간을 몇 시간에서 몇 분 단위로 단축하였다 (예: 1년 치 데이터 기준 MILP 대비 86분 소ell).
• 실행 마찰: 지연 시간(솔브 타임 + 기술적 지연)으로 인해 약 7%의 주문이 누락되었다. 롤링 정책은 이러한 불가능한 상태를 빠르게(중앙값 0.3초) 수정하며, 이러한 마찰로 인한 총 수익 감소는 약 6~7% 수준이지만, 고빈도 전략은 여전히 저빈도 벤치마크보다 현저히 우수한 성과를 보인다.
• 파라미터 민감도: 더 세밀한 저장 용량 이산화($m$)는 수익을 미세하게 높인다. 높은 열화 비용과 낮은 효율은 총 보상을 감소시킨다. 흥ًا롭게도, 작은 저장 용량은 유동성이 낮은 주문서 깊숙이 진입하는 것을 피할 수 있어 MWh당 더 높은 수익을 창출한다.
• 파라미터 튜닝: 비유동적 상품(넓은 매수-매도 스프레드)에 대한 페널티 파라미터를 도입하고 슬라이딩 윈도우 방식으로 이를 최적화함으로써, 표준적인 페널티 없는 RI 대비 연간 수익을 8.4% 증가시켰다.

의의 및 주장
본 논문은 자신의 연구가 연속 인트라데이 시장을 이해하고 모델링하기 위한 중요한 기초 단계임을 주장한다. 저자들은 인위적인 시간 이산화를 사용하는 기존 연구들이 하위 최적의 전략과 편향된 수익 추정치를 산출했을 것이라고 주장한다.

핵심적인 발견은 인트라데이 시장의 연속 청산 메커니즘이 구조적으로 고빈도 실행에 보상을 준다는 점이다. 저자들은 틱 단위의 주문서 업데이트에 반응하지 못하는 전략이 상당한 가치를 놓치고 있음을 보여준다. 제안된 방법은 시장의 모든 복잡성(미세 구조, 열화, 규칙)을 모델링하고 밀리초 해상도로 의사결정을 실행하는 것이 가능하다는 것을 증명하며, 이는 이전에는 계산적으로 불가능하다고 여겨졌던 능력이다. 이는 현실적인 백테스팅과, 기존에는 훈련하거나 평가하기 어려웠던 더 정교한 데이터 기반 트레이딩 전략 개발을 가능하게 한다. 저자들은 이 알고리즘을 인트라데이의 현실성을 희생하지 않으면서 더 넓은 멀티 마켓 환경(예: 인트라데이와 데이 어드바이 또는 예비력 시장의 결합)으로 확장하기 위한 필수적인 전 단계로 규정한다.