When and How Should a Power Trader Engage in Arbitrage? Predict, then Contextually Optimize

기술 요약: 전력 트레이더의 차익 거래를 위한 예측 후 맥락적 최적화(Predict-Then-Contextually Optimize)

문제 정의
풍력 발전소와 같은 확률적 에너지 생성원은 일일 시장(day-ahead)과 균형 시장(balancing market) 사이의 가격 격차가 확대됨에 따라 증가하는 기회와 리스크에 직면해 있습니다. 단일 가격 균형 체계(유럽에서 흔히 사용됨) 하에서, 트레이더는 불일치(imbalance)의 방향과 관계없이 가격 리스크에 노출되며, 이는 기회주의적 차익 거래를 유발할 수 있습니다. 그러나 기존의 입찰 전략은 설명 가능성이 부족하고 명시적인 리스크 관리가 결여되어 있는 경우가 많습니다. 트레이더는 단순히 예측된 가격 스프레드($\Delta\lambda_t = \lambda^{DA}_t - \lambda^B_t$)를 이용하기 위해 예측된 생산량에서 벗어날 것인지(if)뿐만 아니라, 어느 방향으로(in which direction, 롱 또는 쇼트) 그리고 어느 정도까지(to what extent) 벗어날 것인지도 결정해야 합니다. 현재의 프레임워크는 이러한 결정의 경제적 논리를 모호하게 만들거나, 이익과 꼬리 리스크(예: 조건부 가치 위험, CVaR) 사이의 절충안을 조정할 수 있는 실용적이고 리스크를 고려한 메커니즘을 제공하지 못하는 경우가 많습니다. 또한, 재생 에너지와 수전해 장치(electrolyzer)와 같은 자산을 결합한 하이브리드 발전소(HPP)의 경우, 시간적 제약과 추가적인 운영 유연성이 도입되어 문제가 더욱 복잡해집니다.

방법론: 예측 후 맥락적 최적화 프레임워크
저자들은 일일 입찰 결정을 명시적이고 설명 가능한 단계로 분해하는 3단계 프레임워크를 제안합니다.

1. 1단계: 참여 시점 결정 (확률적 분류)
   확률적 이진 분류기가 맥락적 특징(예: 날씨, 시장 가격, 수요 예측)을 기반으로 가격 스프레드의 부호($\Delta\lambda_t > 0$ 또는 $< 0$)를 예측합니다. 리스크 관리를 위해, 프레임워크는 예측 확률에 대해 두 개의 조절 가능한 신뢰 임계값($\alpha$ 및 $\bar{\alpha}$)을 사용합니다.

• 예측 신뢰도가 높으면 (확률 $\ge \bar{\alpha}$), 트레이더는 기회주의적 롱(long) 입찰에 참여합니다.
• 예측 신뢰도가 낮으면 (확률 $\le \alpha$), 트레이더는 기회주의적 숏(short) 입찰에 참여합니다.
• 예측이 "데드밴드(deadband)" ($\alpha < \text{prob} < \bar{\alpha}$) 내에 있으면, 트레이더는 차익 거래가 없는(arbitrage-free) 입찰 (생산 예측치와 동일)을 수행합니다.
• 학습 세부 사항: 분류기는 LightGBM을 사용하여 학습됩니다. 노이즈가 많고 가치가 낮은 샘ک플을 제외하기 위해 "데드밴드 분위수($\delta$)"가 도입됩니다. 임계값 $\alpha$와 $\bar{\alpha}$는 분류 손실을 최소화하는 것이 아니라 가치 지향적 지표(기대 이익 또는 CVaR)를 최대화하도록 검증 세트에서 튜닝됩니다.

2. 2단계: 규모 결정 (맥락적 최적화)
   차익 거래 참여 결정(롱 또는 숏)이 내려지면, 선형 결정 정책이 예측량으로부터의 입찰 편차 크기를 결정합니다. 두 개의 별도 정책이 맥락적 최적화를 통해 학습됩니다. 하나는 롱 클래스용, 다른 하나는 숏 클래스용입니다.

• 정책은 맥락적 특징을 직접 부호가 있는 편차 $z_t$로 매핑하며, 이에 따라 입찰량은 $p^{DA}_t = \hat{P}^W_t + z_t$가 됩니다.
• 최적화 목표는 물리적 제약(전력 균형, 수전해 장치 운영 제한, 수소 생산 목표)을 준수하면서 평균 이익과 이익의 CVaR의 가중 조합을 최대화하는 것입니다.
• HPP의 경우, 모델은 수전해 장치를 위한 제약 조건을 포함하여, 불일치를 흡수하거나 그리드 전력을 조달할 수 있게 함으로써 유연성을 높입니다.

3. 3단계: 사후 이익 계산
   테스트 단계에서는 확정된 일일 입찰량이 실제 가격에 따라 정산됩니다. HPP의 경우, 잔여 수익을 극대화하기 위해 균형 가격 예측에 따라 수전해 장치를 운전하는 2차 결정론적 최적화가 수행됩니다.

주요 기여

• 설명 가능한 분해: 단일 입찰량을 출력하는 통합 최적화 모델과 달리, 이 프레임워크는 결정을 "언제", "방향", "규모"로 명시적으로 분리하여 트레이더에게 경제적 논리를 투명하게 제공합니다.
• 리스크 고려 튜닝: 프레임와는 두 가지 구별된 리스크 제어 메커니즘을 도입합니다: (1) 분류 단계의 신뢰 임계값은 기회주의적 입찰의 빈도를 제어하고, (2) 최적화 단계의 CVaR 가중치($\beta$)는 입찰 편차의 규모를 제어합니다.
• 하이브리드 자산 통합: 본 방법론은 단독 재생 에너지 발전기와 하이브리드 발전소 모두에 적용 가능하며, 결합된 자산(예: 수전해 장치)이 불일치를 관리하기 위한 운영 유연성을 제공함으로써 어떻게 차익 거래 가치를 높일 수 있는지 보여줍니다.
• 맥락적 최적화: 이 접근 방식은 추론 시 복잡한 비볼록(non-convex) 솔버를 요구하지 않고도 시장 상황에 적응하는 선형 정책을 학습하기 위해 맥락적 최적화를 활용합니다.

결과
프레임워크는 유럽 입찰 구역인 DK1(덴마크) 및 DE/LU(독일/룩셈부르크)에서 7.2 MW 풍력 발전소(수전해 장치 3.6 MW 포함 및 미포함)의 실제 데이터를 사용하여 롤링 윈도우 방식으로 평가되었습니다.

• 이익 개선: 제안된 "분류 + 정책" 모델은 DK1의 하이브리드 발전소에 대해 표준 차익 거래 불가 벤치마크(예측치 입찰) 대비 평균 이익을 약 7% 증가시켰습니다.
• 유연성 가치: 하이브리드 발전소(HPP)는 일관되게 단독 풍력 발전소보다 우수한 성과를 보였으며, 불일치를 흡수하는 수전해 장치의 능력 덕분에 DK1에서는 최대 75%, DE/LU에서는 100% 이상의 이익 개선을 달고 달성했습니다.
• 리스크-수익 절충: 모델은 "단일 정책(Single Policy)" 벤치마크보다 높은 평균 이익을 달면서도 CVaR(꼬리 리스크)을 크게 줄였습니다. "전부 아니면 전무(All-or-Nothing)" 전략과 비교했을 때, 제안된 모델은 유사한 평균 이익을 유지하면서도 최악의 손실 심각도를 획기적으로 줄였습니다.
• 분포 드리프트(Distribution Drift): 성능은 훈련 윈도우와 테스트 윈도우 사이의 분포 드리프트에 매우 민적었습니다. 이익 개선은 드리프트가 낮을 때 가장 높았으며, 심각한 드리프트가 발생할 경우 급격히 하락하거나 음수로 전환되어 정적 모델의 한계를 드러냈습니다.

의의 및 주장
본 논문은 자신의 주요 의의가 실용적이고 설명 가능하며 리스크를 고려한 의사결정 지원 도구를 제공하는 데 있다고 주장합니다. 시장 기회 예측과 입찰량 최적화를 분리함으로써, 이 프레임워크는 트레이더가 신뢰 임계값과 리스크 가중치라는 해석 가능한 파라미터를 통해 리스크 노출을 명시적으로 조정할 수 있게 합니다. 저자들은 본 프레임워크가 개별 트레이더의 이익을 개선하지만, 시장 효율성이나 유동성 등 시스템 수준의 영향은 분석하지 않았음을 언급하며 이를 향후 연구 과제로 남겨두었습니다. 또한, 비정상성(non-stationarity)이 여전히 과제임을 인정하며, 변화하는 시장 역학에 적응하기 위해 온라인 학습을 통합하는 미래 버전을 제안했습니다.