一个用于电力市场价格预测的双重广义长记忆建模：神经网络和小波估计
摘要：用于预测电力现货价格的双重广义长记忆建模方法的提出: 基于广义分数k因子Gegenbauer过程（k因子GARMA）对序列的条件均值进行建模，并以k因子GARMA模型的残差作为条件方差的代理。这些残差使用两种不同的方法进行预测。第一种方法采用了本地线性小波神经网络模型（LLWNN）来预测条件方差，使用了两种不同的学习算法，即基于反向传播（BP）算法和基于粒子群优化（PSO）算法的混合k因子GARMA-LLWNN估计。第二种方法采用了Gegenbauer广义自回归条件异方差过程（G-GARCH），并使用基于离散小波包变换（DWPT）方法的小波方法对k因子GARMAG-GARCH模型的参数进行估计。为了说明我们的方法的实用性，我们进行了一个基于Nord Pool市场电力价格的小时回报的实证应用。实证结果显示，k因子GARMA-G-GARCH模型在预测准确度方面具有最佳表现，并且发现这对于预测更为合适。
作者：Souhir Ben Amor, Heni Boubaker, Lotfi Belkacem
论文ID：2204.08289
分类：Statistical Finance
分类简称：q-fin.ST
提交时间：2022-04-19