Una comparacion emprica de distintas

alternativas para modelar los precios spot en el

Mercado de Electricidad Espanol
Sandro Navarro
Universidad Complutense de Madrid

Energy Economics Iberian Conference

Febrero 2014

Hechos estilizados y caractersticas distribucionales

Hechos estilizados: estacionalidad, reversi
on a la media, picos,
volatilidad, comportamiento no gaussiano de los retornos de
los precios.
Utilizamos datos diarios promedio del Mercado Iberico
Espa
nol para el periodo 2006-2012

Presentacion de los modelos

Consideramos un modelo para los precios spot S = (St )t[0,T ]

de la forma
(d)
St = e f (t) St
donde:
f : [0, t] R es un componente estacional y de tendencia.
S (d) son los precios desestacionalizados.
Seg
un la estructura de S (d) , el modelo se clasifica en dos tipos:
(d)

Geometrico. log St
(d)

Aritmetico. St

(1)

= Xt
(1)

= Xt

(n)

+ + Xt
(n)

+ . . . Xt

Componente de estacionalidad
Asumimos que f es una funci
on del tipo f (t) = st + Tt , donde
s es el componente peri
odico semanal (STSC)
T es el componente estacional de largo plazo (LTSC).
I

Modelamos T va sin-EWMA (De Jong, 2006):

o
n  t
+ 2
+ 3 + 4 EWMAt0.975 ,
Tt = 1 sin 2
365
donde EWMA es el componente de tendencia dado por
EWMAt = (1 ) St + EWMAt1 .

Tomamos s como el promedio semanal de los precios luego de

remover al componente T de cada da.

Modelo Cartea-Figueroa (CF)

(d)

Se asume para S (d) una estructura de la forma log St

donde X viene dado por la ecuaci
on estocastica

= Xt ,

dXt = X Xt dt + X dBt + dJt ,

con B un movimiento Browniano estandar y J un proceso de
Poisson compuesto independientes.
I

Ventaja. Su estructura sencilla permite hallar una expresion

cerrada para los precios forward.

Desventaja. La tasa de reversi

on X es baja para los picos y
alta para fluctuaciones normales.

Modelo Hambly-Howison-Kluge (HHK)

(d)

Se propone para S (d) la estructura log St

= Xt + Yt , donde:

X es el componente difusivo, responsable por las fluctuaciones

normales de los precios, dado por
dXt = X Xt dt + X dBt .
Y es el componente de saltos, responsable por los picos en los
precios, dado por
dYt = Y Yt dt + dJt ,
donde B y J son como antes.
I

Ventaja. Los precios forward admiten una f

ormula cerrada.

Desventaja. La introducci
on de factores no observables
dificulta la calibraci
on del modelo.

Modelo Mayer-Schmid-Weber (MSW)

(d)

Se considera para S (d) la estructura log St

= Xt + Yt , donde:

El componente difusivo X ahora viene dado por

dXt = X Xt dt + X (t)dBt ,
donde X es un proceso GARCH(1,1), i.e.
X2 (t) = 0 + 1 2t1 + 1 X2 (t 1)
con (t )t=0,...,T 1 una sucesi
on i.i.d. de errores N(0, 1).
El componente de saltos Y se toma como en HHK.
I

Desventaja. No hay f
ormula cerrada para los precios forward.

Modelo Meyer-Brandis-Tankov (MT)

(d)

Se asume para S (d) la estructura aritmetica St

donde:

= Xt + Yt ,

El componente difusivo X viene dado por la ecuacion

dXt = X ( Xt )dt + X dBt .
El componente de saltos Y se toma como en HHK y MSW.
I

Ventaja. La estructura aritmetica facilita la obtencion de

expresiones analticas cerradas para los precios forward.

Desventaja. El modelo admite precios negativos.

Modelo Nuevo (N)

(d)

Se asume para S (d) la estructura aritmetica St

donde:

= Xt + Yt ,

El componente difusivo X se toma como en MT.

El componente de saltos Y se toma como en HHK y MSW,
con la u
nica excepci
on de que ahora el proceso de Poisson J
tiene intensidad estocastica dada por la f
ormula
dt = t dt + qdMt
donde M es un proceso de Poisson de intensidad constante.
I

Ventajas.
I
I

La intensidad estocastica captura la aglomeracion de picos.

Existen f
ormulas cerradas para los precios forward.

Desventaja. La inclusi
on de una intensidad estocastica
imposibilita la calibraci
on por maxima verosimilitud.

Distribucion de salto

Se toma a la distribuci
on del tama
no de saltos como una mezcla,
representando respectivamente los picos positivos y negativos.
Mas precisamente, la distribuci
on viene dada por la densidad
f (x) = pfJ + (x) + (1 p)fJ (x)
donde p (0, 1) y las variables J + y J siguen tres posibilidades:
Gamma : J + (a+ , b + ) y J (a , b )
Pareto : J + Par(a+ , b + ) y J Par(a , b )
Lognormal : J + LogN(a+ , b + ) y J LogN(a , b ).

Calibracion del componente estacional

Estimamos 1 , 2 , 3 y 4 por cuadrados mnimos no lineales.
Table 1: Estimaci
on de la funci
on de estacionalidad

Parametro
1
2
3
4

Estimador
0.05
110.18
-0.03
1.00

Desv. Estandar
0.01
0.02
0.06
0.02

Valor t
8.76
5944.28
-0.55
58.80

Estimacion de los coeficientes X y Y

I

La funcion de autocorrelaci
on (ACF) para un proceso O-U
estacionario de dos factores X e Y viene dada por
X ,Y (h) =

Var(X )
Var(Y )
e X h +
e Y h
Var(X ) + Var(Y )
Var(X ) + Var(Y )

Calibramos X y Y ajustando X ,Y a la funcion de

autocorrelacion emprica de los datos.

Figura 2 - Autocorrelaci
on emprica (negro) y teorica (rojo)

Algoritmo de Hard-Thresholding - Parte I

El algoritmo de Hard-Tresholding tiene como proposito

reconstruir X e Y a partir de los precios desestacionalizados.

Los precios desestacionalizados se definen para t [0, T ]

como
(d)
St := Xt + Yt .

El proceso Y tiene una trayectoria dada por

Yt =

Nt
X
i=1

Ji e Y (ti ) =

NT
X

Ji e Y (ti ) 1[i ,+) (t)

i=1

donde i denota el instante del i-esimo salto.

Algoritmo de Hard-Thresholding - Parte II

I

Construimos la serie de precios desestacionalizados S(d)

definida como

(d)
Stj = e f (tj ) Stj .
(d)
Asumimos que Stj = Xtj + g (tj ) donde

g (tj ) =

M
X

i e Y (tj i ) 1[i ,+) (tj )

i=1

para M N, (i )i=1,...,M R y (
i )i=1,...,M {t1 , . . . , tn }
ciertos parametros a determinar por el algoritmo.
La funcion g sera nuestra estimaci
on de Y y X la de X :
I
I
I

i es el tama
no (estimado) del salto i-esimo,
i es el instante (estimado) del salto i-esimo,
M es la cantidad total (estimada) de saltos.

El objetivo es hallar g mediante un esquema iterativo.

Algoritmo de Hard-Thresholding - Parte III

I

Consideremos la funci
on g definida por la f
ormula
g (t, , ) = e Y (t ) 1[,+) (t).

Definimos X (0) := S(d) y, construido X (i) para 0 i < M,

definimos
X (i+1) (tj ) = X (i) (tj ) g (tj , i+1 , i+1 )
donde i+1 R y i+1 {t1 , . . . , tn } resuelven el problema
de cuadrados mnimos

n 
X

2
min
X (i) (tj ) g (tj , , ) : R , {t1 , . . . , tn } .

j=1

Algoritmo de Hard-Thresholding - Parte IV

Concluimos definiendo nuestras estimaciones para los

componentes estocasticos
X := X (M)

g=

M
X

g (, (i) , (i) ).

i=1
I

M es tomado de modo tal que no haya evidencias a nivel 0.05

para rechazar la normalidad de X (Jarque-Bera).

Calibracion de los componentes X e Y

I
I

Los parametros del componente difusivo se estiman por

maxima verosimilud a partir de la serie X .
Los parametros del componente de saltos se estiman por el
metodo generalizado de los momentos (GMM) a partir de g .
Table 2: Tabla para X

1.2003

x
0.2125

x
0.1121

Table 3: Tabla para Y

y
0.7915
Modelo

p
0.5189

0.1244

a+
6.7714

0.0091

a
12.8125

b+
0.0395

b
0.0348

Ajuste de momentos
Contrastamos los primeros cuatro momentos Te
oricos vs Empricos
en cada uno de los modelos.
Table 4: Estimaci
on de momentos te
oricos y empricos

Modelo
CF
HHK
MSW
MT
N

Media
1.016
1.0071
0.9849
1.0278
1.0067

Desv. Est.
0.2164
0.2232
0.1403
0.197
0.2382

Curt
osis
3.744
7.1486
36.563
3.6619
8.257

Asimetra
0.6401
0.7205
0.3341
0.0223
-0.7074

Ajuste de cuantiles

Comparamos los cuantiles Te

oricos vs Empricos en cada modelo.
Table 5: Cuantiles te
oricos y empricos

Modelo
CF
HHK
MSW
MT

1 C
10.7186
10.3588
6.8901
10.1713

2 C
7.8651
7.1742
7.9574
7.355

3 C
1.4311
2.1787
2.5604
0.5834

4 C
5.4486
2.9472
0.2188
5.2136

5 C
8.5635
5.053
0.102
5.4691

In-Out Sample Analysis

Comparamos los errores de predicci

on promedio en cada modelo.
Table 6: Errores de predici
on

Modelos
CF
HHK
MSW
MT
NT

Distribuci
on de salto
Normal
Gamma+ GammaLogN+ LogNGamma+ GammaGamma+ Gamma-

I-0 sample
0.1249
0.9689
1.0459
0.7927
0.8562