Forecasting of volatility and risk premia in electricity markets

Resumo Técnico: Previsão de Volatilidade e Prêmios de Risco em Mercados de Eletricidade

Declaração do Problema
O artigo aborda o desafio de prever a covariância realizada (RCV) dos preços à vista (spot) de eletricidade em zonas de geração europeias. Diferente dos mercados tradicionais de ações ou commodities, os mercados de eletricidade exibem características únicas: os preços são determinados diariamente via leilões para períodos de entrega específicos, representando médias de um processo de preço "verdadeiro" latente e de dimensão infinita. Essa estrutura introduz vieses específicos na estimativa de volatilidade, incluindo efeitos de drift (deriva) e efeitos de reversão à média/propagação. A literatura existente sobre estimativa de volatilidade em mercados de eletricidade é escassa. Os autores visam determinar se a RCV — uma representação matricial do operador de covariância latente — é previsível em horizontes de curto prazo e se tais previsões podem melhorar a previsão de prêmios de risco em mercados de contratos a termo (forward).

Metodologia
O estudo baseia-se no arcabouço de modelagem abstrata estabelecido por Kloster e Benth (2026), onde o processo de preço latente $X_t(\cdot)$ evolui em um espaço de Hilbert $L^2(S^1)$ (o círculo unitário representando o dia). Os preços à vista observados são integrais desse processo latente sobre períodos de entrega específicos.

1. Estimativa da Covariância Realizada (RCV):

   • Os autores primeiro desviam a tendência (de-trend) das séries de preços observadas para isolar um componente estacionário $Y_n$.
   • Eles estimam uma matriz de semigrupo $\hat{S}_{\delta, N}$ para contabilizar a dinâmica de reversão à média.
   • Os resíduos são computados ajustando-os por esse semigrupo, e a RCV anualizada ($RCV^w_n$) é construída como a soma dos produtos externos desses resíduos sobre uma janela $w$. Este estimador serve como um proxy ruidoso para a "variância efetiva" das inovações de preço, reconhecendo que o operador de variância integrada puro não pode ser totalmente identificado devido aos efeitos de suavização do mecanismo de reversão à média.

2. Estrutura de Previsão (Matrix-HAR):

   • O alvo da previsão é a matriz RCV de uma semana à frente.
   • Os autores propõem um modelo Matrix-Heterogeneous Autoregressive (Matrix-HAR) parcimonioso, inspirado em Quiroz et al. (2024) e no framework HAR clássico de Corsi (2009).
   • Decomposição: A matriz RCV é decomposta via $RCV^w_t = D^w_t R^w_t D^w_t$, onde $D^w_t$ contém as volatilidades realizadas marginais (diagonal) e $R^w_t$ contém as correlações cross-seccionais condicionais.
   • Modelagem de $D^w_t$: Um modelo HAR log-linear é aplicado aos elementos diagonais, incorporando horizontes diários, semanais, mensais e trimestrais (91 dias). O componente trimestral é incluído para capturar dependências de longo alcance e sazonalidade específicas dos mercados de eletricidade.
   • Modelagem de $R^w_t$: Um modelo HAR escalar é aplicado à vetorização de metade da matriz de correlação, propagando correlações defasadas uniformemente.
   • Extensões: O modelo base é estendido com covariáveis incluindo:
     • Níveis atuais de preço (linear e quadrático).
     • Participação de geração renovável (eólica e solar).
     • Efeitos de transbordamento (spillover) variantes no tempo (variáveis dependentes de regime).
   • Estimação: Os modelos são estimados usando uma abordagem de janela móente (rolling window) em dados de preços spot alemães (outubro de 2018 – outubro de 2025).

3. Aplicação de Prêmio de Risco:

   • O estudo investiga a previsão do prêmio de risco de spread entre contratos forward de carga de pico (peak-load) e carga de base (baseload).
   • Seguindo o modelo estrutural de Bessembinder e Lemmon (2002), o prêmio de risco é uma função da variância condicional e da assimetria (skewness) do preço à vista.
   • Os autores utilizam a RCV prevista para servir de proxy para a variância condicional do spread (pico menos base), comparando-a contra estimativas de variância móvel (rolling variance) retrospectivas padrão.

Principais Resultados

• Previsibilidade: A covariância realizada é previsível em horizontos de curto prazo. Modelos simples Matrix-HAR capturam efetivamente a estrutura de segunda ordem condicional dos preços de eletricidade.
• Desempenho do Modelo:
  • A inclusão de um horizonte trimestral melhora significativamente as previsões em comparação com modelos que possuem apenas componentes diários, semanais e mensais.
  • Modelos que incorporam informações de geração renovável (cotas de vento/solar) e controles de preço quadráticos dominam as métricas de desempenho.
  • Os melhores modelos (ex: DRD-HAR-P2+ren+tvSpill) alcançam um $R^2$ de Mincer-Zarnowitz de 40–45% para variâncias realizadas horárias, indicando que quase metade da variação é explicada pelas previsões.
  • Os modelos são bem calibrados para a estrutura de dependência cross-seccional (elementos fora da diagonal), conforme evidenciado por exercícios de direcionamento de variância (variance-targeting) em portfólios de emissão líquida zero (ex: pico vs. fora de pico, forma solar).
  • Uma limitação conhecida é que os modelos tendem a superprever a volatilidade realizada em dias "calmos" devido à forte assimetria à direita da distribuição da variância condicional.
• Previsão de Prêmio de Risco:
  • O uso da RCV prevista como um proxy de variância na regressão do prêmio de risco supera significativamente os métodos retrospectivos padrão.
  • O estatístico $R^2$ para a previsão de prêmios de risco de spread aumenta de 24,4% (usando variância móvel) para 47,2% (usando a previsão RCV do DRD-HAR-P2).
  • O coeficiente para o termo de variância permanece altamente significativo, enquanto o termo de assimetria (aproximado por assimetria retrospectiva) não é estatisticamente significativo nas especificações testadas.

Significância e Alegações
O artigo alega que, embora a covariância realizada surja de considerações abstratas de dimensão infinita, ela carrega informações altamente úteis e acionáveis para participantes de mercado. As principais contribuições são duplas:

1. Demonstrar a Previsibilidade: Mostrar que a RCV dos preços de eletricidade é previsível em curtos horizontes usando modelos simples inspirados em Matrix-HAR que incorporam horizontes de longo prazo e dados de geração renovável.
2. Melhorar Previsões de Prêmio de Risco: Provar que as previsões da covariância realizada melhoram substancialmente a previsão de prêmios de risco de spread em mercados de contratos a termo de eletricidade em comparação com métodos padrão que dependem apenas de volatilidade retrospectiva.

Os autores concluem que esses achados validam a utilidade do arcabouço RCV para aplicações práticas, tais como razões de hedge, bandas de confiança para previsões de preço e gestão de risco em mercados de eletricidade, apesar dos desafios estruturais da volatilidade com assimetria à direita.