💰 quantitative finance

OrderFusion: Encoding Orderbook for End-to-End Probabilistic Intraday Electricity Price Forecasting

本文介绍了 OrderFusion，这是一种端到端且参数高效的概率预测模型，它采用新颖的订单融合方法来捕捉连续日内电力订单簿的完整交互结构，从而在不同市场流动性条件下预测价格时优于传统基线，同时确保分位数估计不出现交叉。

原作者： Runyao Yu, Yuchen Tao, Fabian Leimgruber, Tara Esterl, Jochen Stiasny, Derek W. Bunn, Qingsong Wen, Hongye Guo, Jochen L. Cremer

发布于 2026-05-12

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Runyao Yu, Yuchen Tao, Fabian Leimgruber, Tara Esterl, Jochen Stiasny, Derek W. Bunn, Qingsong Wen, Hongye Guo, Jochen L. Cremer

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是用通俗易懂的语言和富有创意的类比对论文"OrderFusion"的解读。

宏观图景：预测下一时刻的电价

不妨将电力市场想象成一家永不歇业的在线拍卖行，而非一座巨型工厂。与“日前市场”（类似于每天只举行一次的定时拍卖）不同，连续日内（CID）市场更像是一个实时、混乱的股票交易所。买家和卖家不断报出新的价格和数量，试图在电力实际交付前的最后一刻调整自己的头寸。

本文的目标是构建一个能够预测未来几小时电价的“水晶球”。但作者并非仅仅猜测一个单一数值（例如“价格将是 50 美元”），而是希望预测一系列可能的范围（例如“价格很可能在 45 到 55 美元之间，但也可能飙升至 80 美元”）。这被称为概率预测，有助于电力公司管理风险。

问题所在：旧方法过于简单

此前，人们试图通过观察“订单簿”（即所有买卖订单的列表）来预测这些价格，主要采用了两种方法，但都存在缺陷：

“摘要表”方法（一维编码）： 想象一下，你试图通过仅阅读两人对话的摘要来理解一场复杂的交谈。旧方法将买单和卖单混在一起，计算简单的平均值（例如过去 15 分钟的平均价格）。
- 缺陷： 这忽略了对话本身。它未能捕捉到买家可能因为看到卖家降价而提高出价这一事实。它将市场视为静态列表，而非动态的互动过程。
“重型机器”方法（二维编码）： 其他研究人员尝试将原始订单列表输入到庞大复杂的 AI 模型中（如高级 Transformer 模型）。
- 缺陷： 这些模型就像是用大锤去砸坚果。它们体积庞大，需要大量计算资源，而且由于它们“不懂”买家和卖家如何互动，必须从头学习一切。它们常常感到困惑，并产生不可能的预测（例如预测价格低于某值的概率为 90%，而低于另一值的概率仅为 10%）。

解决方案：OrderFusion（“舞伴”模型）

作者创建了一个名为OrderFusion的新模型。可以将其视为一个理解买家与卖家之间舞蹈的模型。

1. “双重掩码”（过滤噪音）
在嘈杂的房间里，你不会去听大家 10 年前说过的话，而是专注于当下正在说什么。该模型使用“双重掩码”来忽略陈旧、无关的交易，仅关注最近的互动。它过滤掉“静电干扰”，让模型能清晰地听到当前的对话。

2. “迭代融合”（舞蹈）
这是核心创新。模型不再将买家和卖家分开看待，而是让他们在同一个房间里反复“对话”。

第一步： 模型观察买家。
第二步： 模型观察卖家。
第三步： 它询问：“如果买家看到卖家刚才的举动，他们的观点会如何改变？”
第四步： 它更新自己的理解。
它重复这种“融合”过程几次。这使得模型能够学习交易背后的策略。它会意识到：“啊，当卖家降低价格时，买家通常会立即跟进。”

3. “分层头部”（有序的家庭）
在预测概率时，一个常见的错误是“分位数交叉”。想象一下预测天气：你可能不小心预测出“降雨概率为 10%"的可能性高于“降雨概率为 90%"的可能性。这毫无道理。

作者构建了一个“分层头部”，它像一位严格的家长。它首先预测中间价格，然后在此基础上构建更高和更低的预测，确保它们永远不会相互交叉。这保持了数学逻辑的严密性，使预测更加可靠。

结果：小巧而强大

作者在德国（非常繁忙，高流量）和奥地利（较不繁忙，低流量）的电力市场上测试了他们的模型。

准确性： OrderFusion 击败了所有其他模型，包括庞大的“大锤”AI 模型和简单的“摘要表”模型。它在繁忙和安静的市场中都更准确地预测了价格。
效率： 这是最令人印象深刻的部分。庞大的 AI 模型拥有数百万个参数（就像拥有数百万个神经元的脑）。而 OrderFusion 仅用4,872 个参数就取得了更好的结果。
- 类比： 这就像是用一台简单轻便的袖珍计算器，而不是超级计算机，来构建超准确的天气预报。这使得它易于在标准笔记本电脑上运行，对于那些需要在不依赖昂贵硬件的情况下快速做出决策的电力公司来说，这是一个巨大的优势。

核心要点

本文证明，在电力市场中，买家和卖家如何互动与他们在交易什么同样重要。通过构建一个明确模拟这种互动（“舞蹈”）并保持数学逻辑性（“严格的家长”）的模型，我们可以比以往任何时候都更快、更省算力地预测电价。

本文并未声称：

它不声称该模型可以预测明年或下个十年的价格。它严格适用于短期、日内预测。
它不声称在该特定版本中使用了天气数据或燃料成本（外部因素）；它完全依赖订单簿数据。
它不声称能解决所有能源问题，而是为管理短期价格波动风险提供了更好的工具。

技术摘要：OrderFusion

问题陈述

概率性日内电价预测对于短期电力系统运行至关重要，特别是在可再生能源发电和需求侧灵活性增加了临近交付时间不确定性的背景下。与日前拍卖市场不同，连续日内（CID）市场通过持续发布买卖订单运作，形成了动态的订单簿微观结构。

当前的预测方法面临两个主要局限：

交互结构丢失：传统方法要么将订单簿数据聚合为一维领域特征（例如，成交量加权平均价格、最新价格），要么将订单簿视为通用的二维多变量时间序列。这两种方法都忽视了订单簿固有的特定、战略性的买卖交互结构。
分位交叉：在概率预测中，独立估计多个分位点往往会导致“分位交叉”，即较高分位点的预测值低于较低分位点，从而违反预测分布的单调性。现有的解决方案（如事后排序）破坏了端到端的学习范式。

方法论：OrderFusion

作者提出了OrderFusion，这是一种端到端、参数高效的深度学习模型，旨在编码订单簿数据，同时显式捕捉买卖交互并确保非交叉的概率预测。

1. 编码

模型将订单簿分离为买入（ $+$ ）和卖出（$- $）两侧。每笔交易被表示为价格、成交量和相对时间增量（$ \nabla t$）的三元组，其中时间增量编码了距离交付的剩余时间。这导致每个样本生成两个可变长度的二维序列。

2. 骨干架构

骨干网络通过三个关键组件处理这些序列：

双重掩码层：为了处理不规则的交易数量并优先关注近期信息（基于市场有效性假设），模型应用了：
- 填充掩码：将序列对齐到最大长度。
- 时间掩码：仅保留最近的 $L$ 笔交易，丢弃较旧的数据。
迭代融合层：这是建模交互的核心机制。它采用一系列 $K$ $K$ 层，利用交叉注意力机制迭代融合买入侧和卖出侧的表示。
- 在度 $k=0$ 时，输入被投影到隐藏维度。
- 对于 $k \ge 1$ ，一侧的表示（Query）关注另一侧的表示（Key/Value）。这使得模型能够学习买方如何调整以适应卖方，反之亦然。
聚合层：来自所有交互度（ $k=1$ 到 $K$ ）的表示通过残差连接进行组合，并使用全局平均池化进行聚合，以形成最终的潜在表示。

3. 分层头部

为了在不产生分位交叉的情况下生成概率预测，模型使用了一个分层头部：

中位数分位点（ $\tau=0.50$ ）被直接预测。
上分位点被预测为中位数加上一个非负残差。
下分位点被预测为中位数减去一个非负残差。
这种结构通过构造强制了单调性，消除了对事后修正的需求。

4. 损失函数

模型使用平均分位损失（AQL）进行训练，以联合估计多个分位点。

主要贡献

形式化：本文将概率性 CID 价格指数预测构建为一个微观结构感知的电力系统经济学问题，强调了需要不确定性感知的头寸调整。
模型设计：OrderFusion 被引入为一种参数高效的模型，它通过迭代交叉注意力机制显式编码买卖交互，避免了通用时间序列模型的参数膨胀。
分位处理：该方法引入了一种分层头部，在端到端框架内保证了分位点的非交叉性。
实证验证：作者在流动性高（德国）和流动性低（奥地利）的市场中进行了详尽的实验，证明了其相对于基线模型的持续改进。

实验结果

该模型在滚动窗口评估中于德国和奥地利 CID 市场进行了评估。

与基线的性能对比：OrderFusion 优于所有基线模型，包括朴素模型、一维编码方法（使用 VWAP、最新价格和详尽特征的 MLP/LQR）以及最先进的二维时间序列模型（FEDFormer、iTransformer、PatchTST、TimesNet、TimeXer）。
- 在德国市场，OrderFusion 实现了最低的3.81的平均分位损失（AQL）（次优的 TimesNet 为 4.38），以及最低的9.06的平均绝对误差（MAE）。
- 在奥地利市场，它实现了5.64的 AQL 和13.52的 MAE，再次排名第一。
分位交叉：OrderFusion 在所有测试中实现了**0.00%**的平均分位交叉率（AQCR），而二维编码基线的交叉率在 1.97% 到 4.97% 之间。
参数效率：OrderFusion 仅使用4,872个参数，远少于二维编码基线使用的 0.87M 到 3.38M 个参数，使其适用于资源受限的运营部署。
消融研究：
- 移除双重掩码层使 AQL 增加了 30.51%，突显了过滤噪声和关注近期交易的重要性。
- 移除迭代融合层使 AQL 增加了 18.86%，证实了买卖归纳偏置至关重要。
- 发现最佳交互度（ $K$ ）为 2；更高的度没有带来显著改进。
- 分层头部成功消除了分位交叉，且无需事后排序的计算开销。

意义与主张

本文主张，OrderFusion 通过超越通用时间序列建模并显式模拟买卖交互的微观结构，解决了 CID 市场的特定挑战。结果表明，CID 市场并未表现出完美的弱式效率，因为历史订单流包含了超越最后交易价格的预测信息。

作者强调，将领域先验（特别是买卖交互的结构）注入模型架构比简单地堆叠参数更有效。该方法被提出作为一种稳健的、端到端的运营风险管理解决方案，能够泛化到具有不同流动性水平的市场。作者指出，虽然该模型表现良好，但未来的工作可以纳入外生变量（例如供需基本面）以及相邻交付期的交易，尽管当前的范围严格限于订单簿微观结构。