Nach dem sich die weltweite Wirtschaft nach der großen Finanz- und Wirtschaftskrise wieder erholt hat, war wieder Anstieg der Preise für fossile Energieträger zu verzeichnen. In den vergangenen beiden Jahrzehnten stiegen die Einfuhrpreise von Rohöl, Erdgas und Steinkohle. Die betrifft die mittleren jährlichen Preise seit 1991. Aus diesem ist es sowohl für Produzenten, als auch für Konsumenten äußerst interessant, ob die Möglichkeit besteht, die Entwicklung des zukünftigen Strompreises anhand von historischen Daten verlässlich vorherzusagen. Dadurch kann die Preisgestaltung unter anderem durch frühzeitige oder hinausgezögerte Vertragsabschlüsse besser beeinflusst werden. Dazu werden Stundendaten bezüglich des Preises und Verbrauchs der Monate Mai und November 2010 aus Österreich/Deutschland analysiert. Ziel dieser Untersuchungen ist es möglichst genaue Prognosen für die Strompreis- und Stromverbrauchsentwicklung aufstellen zu können.
Nachdem im ersten Kapitel eine kurze Einführung in die Thematik gegeben wurde, beschäftigt sich das zweite Kapitel mit der Beschreibung der untersuchten Zeitreihen. Zudem werden die Daten für die folgenden Untersuchungen vorbereitet. Dies betrifft eventuell vorhandene Ausreißer in den Datenbeständen, die durch Mittelwertbildung bereinigt werden. In den anschließenden Kapiteln werden mit Hilfe von AR-, GARCH- und VAR-Modellen Prognoseformeln entwickelt. Die Güte der Modelle wird anhand von Vergleichsprognosen und Fehlerrechnungen bewertet. Am Ende der Arbeit werden alle gesammelten Ergebnisse durch eine zusammenfassende Interpretation dargestellt.
Inhaltsverzeichnis
1 Motivation und Zielstellung
2 Datenvorbehandlung
2.1 Beschreibung der Daten
2.2 Ausreißerbereinigung und Sichtprüfung
2.3 Periodogramm und Spektraldichtediagramm
2.4 Einheitswurzeltests
2.4.1 Einheitswurzeltest nach Dickey-Fuller
2.4.2 Einheitswurzeltest nach Phillips-Perron
2.4.3 Einheitswurzeltestübersicht der übrigen Zeitreihen
3 Modellierung
3.1 AR-Modell
3.1.1 Modellfindung
3.1.2 Modellabrüstung
3.1.3 Modellprüfung
3.1.4 Modellprognose
3.1.5 Fehlerbetrachtung
3.2 GARCH-Modell
3.2.1 Modellfindung
3.2.2 Modellabrüstung
3.2.3 Modelprüfung
3.2.3.1 Q‐Statistik von Box und Ljung
3.2.3.2 Test auf Normalverteilung nach Jarque-Bera
3.2.3.3 BDS-Test
3.2.3.4 LM-Test
3.2.4 Prognose
3.2.5 Fehlerbetrachtung
3.2.5.1 Stundenfehler
3.2.5.2 Tagesfehler
3.2.6 Modellupdate mit Dummy-Variablen
3.2.6.1 Erzeugen der Dummyvariablen
3.2.6.2 Modellupdate
3.2.6.3 Prognose
3.2.6.4 Fehlerbetrachtung
3.3 Vektorautoregression
3.3.1 Modellfindung
3.3.2 Modellprüfung
3.3.2.1 Portmanteau-Test
3.3.2.2 LM-Test
3.3.3 Modellprognose
3.3.4 Fehlerbetrachtung
4 Anhang
4.1 AR-Modelle
4.1.1 Korrelogramme (Modellfindung)
4.1.2 Modellabrüstung
4.1.3 Modellprüfung
4.1.4 Modellprognose
4.2 GARCH-Modell
4.2.1 Modellfindung
4.2.2 Modelprüfung
4.2.2.1 Test auf Normalverteilung nach Jarque-Bera
4.2.2.2 BDS-Test
4.2.2.3 LM-Test
4.2.3 Prognose
4.2.4 Modellupdate mit Dummyvariablen
4.2.4.1 Erzeugen der Dummyvariablen
4.2.4.2 Modellupdate
4.2.4.3 Prognose
4.3 Vektorautoregression
4.3.1 Modellfindung
4.3.2 Modellprüfung
4.3.3 Modellprognose
Zielsetzung & Themen
Das Hauptziel dieser Arbeit ist es, möglichst genaue Prognosemodelle für die Entwicklung von Strompreisen und Stromverbräuchen auf Basis historischer Stundendaten zu erstellen. Durch die Anwendung statistischer Verfahren sollen zukünftige Preis- und Verbrauchsverläufe vorhergesagt werden, um eine fundierte Basis für unternehmerische Entscheidungen wie Vertragsabschlüsse zu schaffen.
- Analyse und Vorbereitung historischer Strom-Zeitreihen
- Anwendung von AR-Modellen zur Zeitreihenprognose
- Implementierung von GARCH-Modellen zur Modellierung von Volatilitäten
- Einsatz von Vektorautoregressionsmodellen zur Berücksichtigung von Interdependenzen
- Evaluation der Prognosegüte durch Fehlerrechnungen und statistische Tests
Auszug aus dem Buch
2.2 Ausreißerbereinigung und Sichtprüfung
Mit Hilfe der Software EViews ist es möglich, Ausreißer und Extremwerte aus Datensätzen zu identifizieren. Diese Ausreißer werden durch Mittelwertbildung aus den Stundendaten des Vor- und Nachtages ersetzt. Ansonsten würden diese Ausreißer das Gesamtbild der statistischen Erhebung verfälschen.
Wie in den Abbildungen 1 und zu sehen ist, gibt es beim Verbrauch im Mai 2010 vier Extremwerte und im November 2010 drei Extremwerte, die dann durch Mittelwertbildung bereinigt werden. Nach der Ersetzung der Extremwerte sind noch Ausreißer zu beobachten. Eine Bereinigung ist in diesem Fall nicht sinnvoll, da nach einer Datenkorrektur sich die Datenbasis verändern würde, und somit in Bezug auf diese neue Datenbasis wiederum neue Ausreißer und/oder Extremwerte zu verzeichnen wären.
Zusammenfassung der Kapitel
Motivation und Zielstellung: Einleitung in die ökonomische Relevanz von Strompreisprognosen und Definition der Zielsetzung der Hausarbeit.
Datenvorbehandlung: Beschreibung der Datengrundlage und notwendige Schritte zur Bereinigung sowie Überprüfung der Zeitreihen auf zyklische Muster.
Modellierung: Anwendung und Evaluierung von AR-, GARCH- und VAR-Modellen zur Prognose und Fehleranalyse der Strom-Zeitreihen.
Anhang: Umfassende Zusammenstellung von ergänzenden Korrelogrammen, Modellparametern und Teststatistiken zu den verwendeten statistischen Verfahren.
Schlüsselwörter
Strompreis, Stromverbrauch, Zeitreihenanalyse, AR-Modell, GARCH-Modell, Vektorautoregression, Prognose, EViews, Ausreißerbereinigung, Volatilität, Dummy-Variablen, Statistik, Energiebörse, Residuenanalyse, Fehlerbetrachtung
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit der statistischen Analyse und Prognose von stündlichen Strompreisen und Stromverbräuchen für die Monate Mai und November 2010.
Was sind die zentralen Themenfelder?
Die zentralen Themen umfassen die Datenaufbereitung, die Modellierung von Zeitreihen mittels autoregressiver Prozesse, die Berücksichtigung von Varianzclustern sowie die Modellierung von Interdependenzen zwischen Preis und Verbrauch.
Was ist das primäre Ziel oder die Forschungsfrage?
Das primäre Ziel ist die Entwicklung präziser Prognosemodelle, die es Produzenten und Konsumenten ermöglichen, die künftige Strompreisentwicklung besser einzuschätzen.
Welche wissenschaftliche Methode wird verwendet?
Es werden verschiedene quantitative Zeitreihenverfahren eingesetzt, insbesondere AR-Modelle (Autoregressive Modelle), GARCH-Modelle (Generalized Autoregressive Conditional Heteroscedasticity) und VAR-Modelle (Vektorautoregression).
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die methodische Datenvorbehandlung, die schrittweise Modellbildung mit anschließender Abrüstung nicht signifikanter Parameter sowie eine detaillierte Prüfung und Prognosebewertung.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die wichtigsten Schlüsselwörter sind Strompreisprognose, Zeitreihenanalyse, GARCH, AR-Modelle, VAR-Modelle, Volatilität und Fehlerbetrachtung.
Warum werden im Modell Dummy-Variablen verwendet?
Dummy-Variablen werden eingesetzt, um die Erklärungsgüte der Modelle zu verbessern, indem spezifische saisonale Effekte wie Wochentage, Stunden oder besondere Tagesspitzen explizit berücksichtigt werden.
Wie wird die Güte der Prognosemodelle beurteilt?
Die Beurteilung erfolgt anhand verschiedener Fehlermaße wie dem RMSE (Wurzel des quadratischen Prognosefehlers), dem MAPE (mittlerer absoluter prozentualer Prognosefehler) und der Trefferquote der Prognose.
- Quote paper
- Markus Krauß (Author), Johannes Raithel (Author), 2013, Stündliche Strompreise und Stromverbrauch in Deutschland und Österreich, Munich, GRIN Verlag, https://www.grin.com/document/212536
