Forecasting of volatility and risk premia in electricity markets

Technische Samenvatting: Voorspelling van Volatiliteit en Risicopremies in Elektriciteitsmarkten

Probleemstelling
Het artikel behandelt de uitdaging van het voorspellen van de gerealiseerde covariatie (RCV) van elektriciteit-spotprijzen in Europese generatiezones. In tegenstelling tot traditionele aandelen- of grondstoffenmarkten vertonen elektriciteitsmarkten unieke kenmerken: prijzen worden dagelijks bepaald via veilingen voor specifieke leveringsperioden, wat de gemiddelden vertegenwoordigt van een latent, oneindig-dimensionaal "echt" prijsproces. Deze structuur introduceert specifieke biases in de schatting van volatiliteit, inclusief drift-effecten en gemiddelde-terugkeer-/propagatie-effecten. Bovendien is de bestaande literatuur over de schatting van volatiliteit in elektriciteitsmarkten schaars. De auteurs beogen te bepalen of de RCV—een matrix-waardige representatie van de latente covariantie-operator—voorspelbaar is over korte horizonten en of dergelijke voorspellingen de voorspelling van risicopremies in forward markten kunnen verbeteren.

Methodologie
De studie bouwt voort op het abstracte modelleringskader gevestigd door Kloster en Benth (2026), waarbij het latente prijsproces $X_t(\cdot)$ evolueert in een Hilbertruimte $L^2(S^1)$ (de eenheidscirkel die de dag representeert). De geobserveerde spotprijzen zijn integralen van dit latente proces over specifieke leveringsperioden.

1. Schatting van de Gerealiseerde Covariatie (RCV):

   • De auteurs de-trenden eerst de geobserveerde prijstijdreeksen om een stationair component $Y_n$ te isoleren.
   • Ze schatten een semigroep-matrix $\hat{S}_{\delta, N}$ om de gemiddelde-terugkeer dynamiek te verantwoorden.
   • Residuen worden berekend door aanpassing voor deze semigroep, en de geannualiseerde RCV ($RCV^w_n$) wordt geconstrueerd als de som van de buitenproducten van deze residuen over een venster $w$. Deze estimator dient als een ruizige proxy voor de "effectieve variantie" van de prijsinnovaties, waarbij erkend wordt dat de zuivere geïntegreerde variantie-operator niet volledig geïdentificeerd kan worden vanwege de effecten van smoothing door het gemiddelde-terugkeer mechanisme.

2. Voorspellingskader (Matrix-HAR):

   • Het doel van de voorspelling is de RCV-matrix voor één week vooruit.
   • De auteurs stellen een parsimonieuze Matrix-Heterogene Autoregressieve (HAR) model voor, geïnspireerd door Quiroz et al. (2024) en het klassieke HAR-framework van Corsi (2009).
   • Decompositie: De RCV-matrix wordt gedecomposeerd via $RCV^w_t = D^w_t R^w_t D^w_t$, waarbij $D^w_t$ de marginale gerealiseerde volatiliteiten (diagonaal) bevat en $R^w_t$ de conditionele cross-sectionele correlaties bevat.
   • Modelleren van $D^w_t$: Een log-lineair HAR-model wordt toegepast op de diagonale elementen, waarbij dagelijkse, wekelijkse, maandelijkse en kwartaal (91 dagen) horizonten worden opgenomen. Het kwartaalcomponent wordt toegevoegd om langetermijn-afhankelijkheden en seizoensgebondenheid specifiek voor elektriciteitsmarkten te vangen.
   • Modelleren van $R^w_t$: Een scalaire HAR-model wordt toegepast op de half-vectorisatie van de correlatiematrix, waarbij vertraagde correlaties uniform worden gepropageerd.
   • Extensies: Het basismodel wordt uitgebreid met covariaten, waaronder:
     • Huidige prijsniveaus (lineair en kwadratisch).
     • Aandelen hernieuwbare energie (wind en zon).
     • Tijdvariërende spillover-effecten (regime-afhankelijke variabelen).
   • Schatting: Modellen worden geschat met behulp van een rolling window benadering op Duitse spotprijsdata (oktober 2018 – oktober 2025).

3. Toepassing van Risicopremies:

   • De studie onderzoekt de voorspelling van de spread-risicopremie tussen peak-load en baseload forward contracten.
   • Volgend op het structurele model van Bessembinder en Lemmon (20 hoogstwaarschijnlijk 2002), is de risicopremie een functie van de conditionele variantie en scheefheid (skewness) van de spotprijs.
   • De auteurs gebruiken de voorspelde RCV als proxy voor de conditionele variantie van de spread (peak minus baseload), en vergelijken dit met standaard achterwaarts gerichte rolling variantie schattingen.

Belangrijkste Resultaten

• Voorspelbaarheid: De gerealiseerde covariatie is voorspelbaar over korte horizonten. Eenvoudige matrix-HAR geïnspireerde modellen vangen effectief de conditionele tweede-orde structuur van elektriciteitsprijzen.
• Modelprestaties:
  • De inclusie van een kwartaalhorizon verbetert de voorspellingen aanzienlijk vergeleken met modellen die alleen dagelijkse, wekelijkse en maandelijkse componenten bevatten.
  • Modellen die informatie over hernieuwbare energiegeneratie (wind/zon aandelen) en kwadratische prijscontroles integreren, domineren de prestatie-indicatoren.
  • De best presterende modellen (bijv. DRD-HAR-P2+ren+tvSpill) bereiken een Mincer-Zarnowitz $R^2$ van 40–45% voor uurlijkse gerealiseerde varianties, wat aangeeft dat bijna de helft van de variatie verklaard wordt door de voorspellingen.
  • De modellen zijn goed gekalibreerd aan de cross-sectionele afhankelijkheidsstructuur (off-diagonal elementen), zoals blijkt uit variantie-targeting oefeningen op net-zero portfolio's (bijv. peak vs. off-peak, solar shape).
  • Een bekende beperking is dat de modellen de gerealiseerde volatiliteit hebben de neiging te overschatten op "kalme" dagen vanwege de zware rechts-scheve verdeling van de conditionele variantie.
• Risicopremie Voorspelling:
  • Het gebruik van de voorspelde RCV als variantie-proxy in de risicopremie-regressie presteert aanzienlijk beter dan standaard achterwaarts gerichte methoden.
  • De $R^2$ statistiek voor het voorspellen van spread-risicopremies stijgt van 24,4% (met behulp van rolling variantie) naar 47,2% (met behulp van de DRD-HAR-P2 RCV voorspelling).
  • De coëfficiënt voor de variantieterm blijft zeer significant, terwijl de skewness-term (benaderd door achterwaartse skewness) niet statistisch significant is in de geteste specificaties.

Betekenis en Claims
Het artikel beweert dat hoewel de gerealiseerde covariatie voortkomt uit abstracte oneindig-dimensionale overwegingen, het zeer bruikbare, actiegerichte informatie bevat voor marktdeelnemers. De primaire bijdragen zijn tweeledig:

1. Het aantonen van Voorspelbaarheid: Laten zien dat de RCV van elektriciteitsprijzen voorspelbaar is over korte horizonten met behulp van eenvoudige, matrix-HAR geïnspireerde modellen die langetermijn-horizonten en hernieuwbare energiegegevens integreren.
2. Verbeteren van Risicopremie Voorspellingen: Bewijzen dat voorspellingen van de gerealiseerde covariatie de voorspelling van spread-risicopremies in elektriciteit-forward markten aanzienlijk verbeteren vergeleken met standaard methoden die uitsluitend steunen op achterwaartse volatiliteit.

De auteurs concluderen dat deze bevindingen de bruikbaarheid van het RCV-framework valideren voor praktische toepassingen zoals hedging ratio's, betrouwbaarheidsintervallen voor prijsvoorspellingen en risicobeheer in elektriciteitsmarkten, ondanks de structurele uitdagingen van rechts-gescheefde volatiliteit.