Original scientific paper
https://doi.org/10.56321/IJMBS.10.16.5
NEPARAMETARSKO TESTIRANJE PROGNOZIRANJA CIJENA ELEKTRIČNE ENERGIJE STROJNIM UČENJEM
Davor Zoričić
; University of Zagreb Faculty of Economics & Business
Abstract
Istraživanje analizira prognostičku točnost na dan unaprijed tržištu električne energije. Uspoređuju se performanse “Random Forest” i XGBoost modela strojnog učenja temeljem podatka za njemačko dan unaprijed tržište električne energije. Podaci za 2018. i 2021. godinu analiziraju se kako bi se istražile razlike u prognostičkoj točnosti u razdobljima male i velike volatilnosti na tržištu. Inicijalni podaci za treniranje odnose se na 2017. godinu kako bi se napravile prognoze za 2018. godinu s prognostičkim horizontima do mjesec dana unaprijed. Uzorak podataka za treniranje zatim se pomiče mjesec dana unaprijed, čime se stvara pomični uzorak podataka fiksne duljine koji se koristi za treniranje i prognoziranje na ostatku analiziranog razdoblja. Ovakav metodološki okvir rezultira s 11 skupova prognoziranih podataka za svaku analiziranu godinu. Prognostička točnost zatim se ocjenjuje putem usporedbe korijena srednje kvadratne greške (engl. root-meansquared error RMSE) u promatranom razdoblju. Fokus istraživanja je na ispitivanju mogućnosti pouzdanog utvrđivanja razlika u vrijednostima RMSE modela strojnog učenja koji se analiziraju. U tu svrhu najprije se opisani metodološki okvir za prognoziranje provodi 30 puta za oba modela strojnog učenja i za svaki skup prognoziranih vrijednosti sadržavajući sve prognostičke horizonte. Zatim se medijani RMSE vrijednosti analiziraju za svaki skup prognoziranih podataka te se provodi neparametarski Wilcoxonov test sume rangova kako bi se utvrdilo jesu li opažene razlike u vrijednostima RMSE statistički značajne. Rezultati istraživanja pokazuju male, ali statistički signifikantne, razlike u vrijednostima RMSE u svim skupovima prognoziranih podataka osim u jednom. Osim toga, čini se da Random Forest model rezultira nešto boljim prognozama od XGBoost modela u razdoblju niske volatilnosti. S druge strane, XGBoost model rezultira boljim prognozama u posljednja tri skupa prognoziranih podataka za 2021. godinu, a koji su povezani s povećanom volatilnošću na tržištu.
Keywords
prognostička točnost; dan unaprijed tržište; Wilcoxonov test sume rangova; Random Forest; XGBoost; volatilnost tržišta
Hrčak ID:
323474
URI
Publication date:
10.12.2024.
Visits: 0 *