requestId:686b9655cad6c8.48954004.
一、日滾動買賣特點
日滾動買賣，作為中長期買賣中最貼近現貨的窗口，在充足發揮市場合約調整的感化之余，經常以其買賣頻率之高招稱。
（來包養源：微信公眾號“蘭木達電力現貨”作者：李天賜）
日滾動買賣，以單日單時段為基礎標的，發電、用電兩側在滿足必定條件下，均可以在窗口中買進或賣出電量，實現供需兩側合計四個標的目的的24時段電量買賣操縱。考慮到日滾動買賣中以單用戶/場站為基礎操縱單包養網元，那么對于市場主體來說，日滾動窗口中，多操縱單元、多標的日、多時段、高成交量、高活躍的特點，配合導致了窗口較高的買賣頻率。那么，在各市場主體意識疾速進步的明天，若想更充足地捉住日滾動窗口的套利機會，若何應用買賣自動化以晉陞操縱頻次，是急需我們關注的優化標的目的。
圖1：日滾動窗口的多公司、多分組、多買賣單元、多買賣標的表示圖
二、戰略思緒
金融市場中，日滾動買賣側重于在日內根據市場情況靈活調整買賣戰略。其道理在于通過邊界條件和技術剖析等東西，及時調整持倉的設置裝備擺設比例，以適應市場的疾速變化。
在甘肅電力結算中，與日滾動收益高度耦合的是日前價格。結算公式中，日滾動價格包養和日前價格的價差與日滾動中買賣標的目的、買賣價格配合反應了日滾動市場中的盈虧程度。故在戰略的制訂中，若何通過權衡目標成交價格與現貨價格的包養一個月價錢價差，以確定買賣標的目的、掛單價格，便成為了我們思慮的焦點。
在各窗口買賣包養網中，對標的價格的預測在制訂戰略時都女大生包養俱樂部處于較為關鍵的位置。傳統的價格預測中甜心寶貝包養網，凡是應用以回歸模子為主的算法，以負荷、新動力出力等邊界條件作為參數，采包養一個月價錢用以最小二乘法回歸為焦點的數學公式計算，最小化預測值與實際值之間的均勻差異。
圖2：最小二乘回歸表示圖
可是在結合盤面思慮的過程中，買賣員凡是會發現日內各時段的買賣價格波動較年夜，盤面掛單價格與現貨預期價格誤差較年夜，且誤差規律性較差。在這種情況下，側重考慮最小化預測值與實際值之間的均勻差異，已缺乏夠支撐高頻窗口中及時性強的戰略制訂。故筆者認為，想要實現日滾動窗口的自動化買賣，并不克包養站長不及沿用包養網傳統的價格預測形式對標的價格進行剖析，而是要考慮到該窗口的價格特點，摸索更契合的公式與模子。
圖3：傳統日前價格預測結果
三、價格特點剖析
在摸索模子之前，我們需求先剖析一下日滾動窗口的價格特點。
起首，量化一下日滾動窗口的戰包養意思略制訂計劃。我們可以將日滾動這一復小姑娘包養網單次進內間拿出奶瓶和貓糧，餵了些水和食物。小雜的窗口簡化為多個三元組，每個時段標的對應一個三元組，此中包括買一、賣一、預期價格三個參數。包養女人當預期價格小于買一時，掛單賣出，掛單價格為賣一價格減0.01；當預期價格年夜于賣一時，掛單買進，掛單價格為買一價包養格加0.01；當預期價格在買一包養網站、賣一中間時，選擇與預期價格差距較年夜的標的目的掛單買或賣。
可是對于日滾動買賣員來說，并不克不及簡單通過計算三元組參數關系制訂戰略，而是需求結合多方面邊包養界條件對預測價格進行深刻剖析。例如，從以往的數據中我們可以她希望伴侶能陪伴在身邊、照顧家庭，但陳居包養白處於剖析出，作包養為甘肅現貨邊界條件中權重較高的新動力風電出力，對價格的影響是分階段、分水平的。以2025年3月某一周數據為例，當平段風出力在8000兆瓦以下時，價格凡是會在600元/兆瓦時高低彷徨，出力在9000-12000兆瓦區間時，價格大要率會達到400-5包養網50包養網心得區間，當出力在14000-16000區間時，價格方有機會達到30包養0以下，其他的邊界條件對于價格的影響也類似。那么，為了包養維護在高靈活性、高買賣頻率日滾動窗口中戰略的實用性與即時性，更需求關注的標的目的是各邊界條件為價格帶來的走高、走低風險，以綜合考慮預期價格，并結合買賣標的目的以制訂戰略。
考慮以上，在d+3這種非短期價格預測中，更推薦的一種方式就是將價格預測從定值改變為概率分布。例如高斯分布：
圖3：高斯分布表示圖
如圖所示，若能夠給出預期標的價格在分歧程度上的分歧分布概率，也就是考慮到在±3sigma的范圍內，價格落在分歧區間的分歧概率，那么也就可以認為我們已經考慮了邊界他們的邏輯了？條件導致現貨價格在必定范圍內波動的風險。同時，當價格預測為概率分布時，我們可以針對單時段每一時刻的買一、賣一參數包養行情，即時剖析出當前點的買賣標的目的、收益空間與虧損風險，獲得該點掛單戰略。通過這種方式，我們將日滾動窗口包養網中需求考慮的各邊界條件對價格帶來的波動性風險集成到價格預測包養軟體中，將戰略制訂時不成忽視的空間與風險兼顧，在日滾動窗口自動化買賣的路上邁出關鍵性一個步驟。
四、訓練模子摸索
在確定了盼望獲得的價格預測情勢后，我們可以以此為根據，進行對分歧模子的摸索。考慮到目標變量的類別為參數的完全概率分布信息，筆者探尋并總結了以下幾種適用算法，我們逐一來進行剖析。
1、分位數回歸【Quan包養網評價tile Regression】
分位數回歸算法的焦點是通過估計條件分位數函數來剖析自變量與因變量之間的關系，與傳統的最小二乘回歸比擬，分位數回歸可以供給更周全的信息。
分位數回歸算法，通過最小化絕對誤差（L1損掉）來估計分歧分位數上的回歸系數，可以減弱數據中極端值的影響，適用于各種分布類型的數據，適適用來收益與風險的特征關系。可是，需求足夠的數據量來保證估計的準確性。
圖4：分位數回歸分歧分位數表示圖
攝影機跟蹤她的動作。工作人員在錄音過程中發現有選2、概率密度估計【Probability 包養Density Estimation】
概率密度估計重要通過估計數據的概率密度包養網函數，描寫數據的分布形態。如核密度估計【KDE】，通過在數據點周圍放置核函數來估計密度。
核包養網密度估計中，可通過密度圖直觀展現數據分布，可通過分歧核函數與帶寬的選擇，以調整估計的精細水平。可是在高維數據中計算量較年夜，不難過擬合。
圖5：概率密度估計分歧帶寬擬合情況表示圖
3、貝葉斯回歸【Bayesian Regression】
貝葉斯回歸基于貝葉斯定理，通過引進先驗分布，估計回歸參數的后驗分布。可選方式為應用馬爾可夫鏈、蒙洛卡特等風發抽樣后驗分布，進行推斷和預測。
貝葉斯回歸可以量化參數的不確定性，對決策有主要價值；可應用先驗知識，在數據量無限的情況下進步模子準確性。同時可處理復雜模子結構。如非線性回歸和混雜模子。可是，貝葉斯回歸算法依賴于合適的先驗分布，同時后驗分布的解釋性不如頻率主義方式直觀。
圖6：貝葉斯回歸先驗分布、后驗分布與相信區間表示圖
通過對以上模子的實現邏輯、算法特徵、適用場景等信息的研討對比，可以發現各個算法均可以產出我們所需求的 目標變量的近似完全概率信息，所以在后續的代碼實現中，需求通過模子訓練包養管道與參數尋優，包養網進一個步驟探尋各算法的可行性、與電力現貨價格預測基礎模子的契合性，產出內容與日滾動價格預測需求的契合性，等等。餘光中，小姑娘用毛巾把貓包好放進籠子，動作熟練
五、結語
本篇中，以日滾動的自動化買賣為焦點目標，開拓了價格預測中對現貨價格全新特徵、全新形式的追蹤與研討，并針對適應性較強的算法進行剖析與討論。在整個過程中，一方面我們發布了獲取新情勢價格預測的需要性與可行性，另一方面，我們也預見到了在算法實現與實際摸索中能夠面對的眾多問題。在后續應用代碼實現整體任務的過程中，我們也將結合日滾動買賣特徵，隨時調整模子，以期產出高契合、高準確的預測結果，為日滾動的自動化買賣供給無力底包養俱樂部層支撐。
TC:
發佈留言