Short-term CO2 emissions forecasting based on decomposition approaches and its impact on electricity market scheduling
世界正面临着与全球变暖有关的重大挑战，温室气体排放是一个主要原因。2017年，能源行业占全球二氧化碳排放量的46%，显示出巨大的减排潜力。本文提出了一种新的短期CO2排放预测，以实现灵活的电力消耗的智能调度，以最大限度地减少由此产生的CO2排放。提出了两种时间序列分解方法，用于电力CO2排放量的短期预测。这些都是反过来基准对一套国家的最先进的模型。其结果是一种新的预测方法与48小时的地平线针对日前的电力市场。法国的预测基准表明，新方法的平均绝对百分比误差比性能最好的最先进模型低25%。此外，应用预测调度灵活的电力消费研究了五个欧洲国家。在24小时间隔内安排一个灵活的4小时用电时间段，与一天中随机间隔的用电时间相比，平均可以减少25%的二氧化碳排放量，在法国，17%在德国，69%在挪威，20%在丹麦，而在波兰仅为3%。
2020-10-18 stat.AP
Quantile Dependence between Stock Markets and its Application in Volatility Forecasting
本文研究了国际股票市场之间的分位数依赖性，并评估其用于改善波动性预测。首先，我们分析了美国股票市场与英国、德国、法国和日本股票市场之间的分位数依赖和方向可预测性。我们使用交叉分位数图，这是分位数命中过程的相关统计。股票市场之间的详细相关性取决于特定的分位数范围，这种相关性通常是不对称的;负溢出效应强于正溢出效应，从美国市场到英国、德国、法国和日本市场存在很强的方向性可预测性。其次，我们考虑了一个简单的分位数增强的波动模型，该模型适应了美国市场和其他市场之间的分位数依赖性和方向可预测性。分位数增强波动率模型提供了优越的样本内和样本外波动率预测。
2016-08-25 q-fin.ST stat.AP
The M6 forecasting competition: Bridging the gap between forecasting and investment decisions
M6预测竞赛通过在100只公开交易资产上评估预测准确性与投资表现，探讨了有效市场假说，揭示了持续超越市场的困难及预测与投资决策间的有限联系，并强调了群体智慧与风险模型的价值。
2023-10-20 stat.AP
Probabilistic Forecasting and Simulation of Electricity Markets via Online Dictionary Learning
研究了随机发电和随机需求的实时电力市场的概率预测和在线仿真问题。利用直流最优潮流的参数结构，提出了一种基于在线字典学习（ODL）的新方法。ODL方法结合了实时测量和历史轨迹，以预测未来位置边际价格、潮流和调度水平的联合和边际概率分布，并以预测时的系统状态为条件。与标准的蒙特卡罗模拟技术相比，ODL方法在计算时间上提供了几个数量级的改进，使其成为可行的在线预测的市场运作。对大中型电力系统的数值仿真表明了该算法的性能和复杂性，以及它作为系统运行人员工具的潜力。
2016-06-25 stat.AP stat.ML
Coping with area price risk in electricity markets: Forecasting Contracts for Difference in the Nordic power market
差价合约（CfD）是区域价格和系统价格之间价差的远期。这些产品与系统价格远期一起用于对冲北欧电力市场的区域价格风险。CfD通常在接下来的两个月，三个季度和三年内可用。这是好的，除了CfD不是在纳斯达克OMX商品交易的每一个北池现货价格区。因此，我们提出一个假设性的问题：如果CfD被交易，那么在价格区域NO2中，CfD的市场价格会是多少？我们为每个可观察的价格区域建立回归模型，并使用贝叶斯启发技术来获得关于不同价格区域如何相似的先验信息，以预测CfD不交易的区域的价格。
2014-06-26 q-fin.ST stat.AP
Short-term CO2 emissions forecasting: insight from the Italian electricity market
University of Padua（帕多瓦大学）
本文通过评估多种模型和组合方法，探讨了意大利电力市场中短期碳排放预测的准确性，发现GAM在白天表现最佳，组合方法整体优于单个模型。
2025-12-17 stat.AP
Day-Ahead Electricity Price Forecasting Using Merit-Order Curves Time Series
Politecnico di Milano（米兰理工大学）
介绍用于预测日前供需排序曲线及电价的框架，通过对比意大利、德国和法国市场数据，分析曲线与价格预测表现及关系，发现曲线预测强不代表价格预测强，该方法优于原方法，在部分市场有竞争力。
2026-07-07 stat.AP
Coupled Supply and Demand Forecasting in Platform Accommodation Markets
Airbnb Inc.（爱彼迎公司）
本文探讨平台短期租赁中供需预测的耦合问题，提出包含行为、信息和干预的三重框架，通过玩具模拟展示识别失败，并提出联合预测供需及构成的未来研究方向。
2026-04-27 q-fin.ST stat.AP
Housing Market Forecasting using Home Showing Events
买卖双方在房地产交易中都面临着不确定性，即何时进行交易以及以何种成本进行交易。买家和卖家都在不了解大型动态房地产市场的现状和未来状况的情况下做出决策。目前的方法依赖于对历史交易的分析来为房产定价。然而，正如我们在本文中所展示的，交易数据本身不能用于预测需求。我们开发了一个住房需求指数的基础上，微观家庭看房事件数据，可以提供决策支持的买家和卖家在一个非常细粒度的时间和空间尺度。我们使用统计建模来开发一个长达20周的住房市场需求预测，使用大量，高速度的数据，包括房屋展示，上市事件和历史销售数据。我们使用来自一个独特的专有数据集的700万条个人记录的数据来展示我们的分析，该数据集以前从未在房地产市场中应用过。然后，我们采用一系列预测模型来估计当前和预测未来的住房需求。住房需求指数提供了对市场上房屋需求水平的洞察，以及当前需求在多大程度上代表了未来的预期。因此，这些指数为关于何时出售或购买或住房需求市场弹性的重要问题提供决策支持，这些问题影响价格谈判，价格接受和价格制定预期。这种预测特别有价值，因为它可以帮助买家和卖家及时了解他们是否应该进行房屋交易，或者根据我们预测的住房需求指数调整当前和未来的房价。
2022-01-06 stat.AP
The Evolution of Probabilistic Price Forecasting Techniques: A Review of the Day-Ahead, Intra-Day, and Balancing Markets
SFI CRT in Artificial Intelligence, School of Computer Science \& IT, University College Cork, Ireland；SFI Insight Centre for Data Analytics, School of Computer Science \& IT, University College Cork, Ireland
本文综述了概率性电价预测技术从贝叶斯方法、分位数回归到保形预测的演进，并扩展至日前、日内与平衡市场，重点分析了有效性方法、评估指标及标准化基准缺失等挑战。
2025-10-28 cs.AI q-fin.ST stat.AP
Neural Forecasting of the Italian Sovereign Bond Market with Economic News
European Commission, Joint Research Centre（欧盟委员会联合研究中心）；Università Ca’ Foscari Venezia（威尼斯大学）
在本文中，我们采用神经网络框架内的经济新闻预测意大利10年期利率利差。我们使用一个大型的开源数据库，称为全球事件、语言和语气数据库，以提取与债券市场动态相关的主题和情感新闻内容。我们将这些信息部署在具有自回归递归网络（DeepAR）的概率预测框架内。我们的研究结果表明，基于长短期记忆细胞的深度学习网络优于经典的机器学习技术，并提供了一个预测性能，超过了单独使用传统的利率决定因素所获得的预测性能。
2022-03-11 cs.AI cs.LG stat.AP
Forecasting day ahead electricity spot prices: The impact of the EXAA to other European electricity markets
本文分析了奥地利能源交易所（EXAA）日前电价与欧洲其他日前电价之间的关系。我们专注于在EXAA之后结算价格的市场，这使交易者能够将EXAA价格纳入其计算。对于每个市场，我们采用计量经济学模型来纳入EXAA价格，并将其与没有奥地利交易所价格的同行进行比较。通过采用预测研究，我们发现，电力价格模型可以改进时，EXAA价格考虑。
2015-12-01 econ.EM q-fin.ST q-fin.TR
Forecasting day-ahead electricity prices in Europe: the importance of considering market integration
Delft University of Technology（代尔夫特理工大学）；VITO-Energyville（VITO-能源城）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
在电力市场日益一体化的激励下，本文提出了两种不同的方法，将市场一体化的电价预测，提高预测性能。首先，我们提出了一个深度神经网络，它考虑了连接市场的特征，以提高本地市场的预测准确性。为了衡量这些功能的重要性，我们提出了一种新的功能选择算法，通过使用贝叶斯优化和功能方差分析，评估算法性能的功能的影响。此外，使用市场整合，我们提出了第二个模型，通过同时预测两个市场的价格，进一步提高了预测精度。作为一个案例研究，我们考虑在比利时的电力市场和预测精度的提高时，使用各种法国电力功能。我们表明，这两个模型导致统计上显着的改进。特别是，由于市场整合，预测精度从15.7%提高到12.5%sMAPE（对称平均绝对百分比误差）。此外，我们表明，所提出的特征选择算法能够执行正确的评估，即丢弃不相关的功能。
2017-12-07 cs.CE cs.LG cs.NE
Application of Machine Learning in Stock Market Forecasting: A Case Study of Disney Stock
该研究以迪士尼股票为案例，基于750条记录和16项属性完成EDA、特征工程、数据准备与模型比较，并结合Fama French三因子模型，发现线性回归表现最佳。
2023-12-31 cs.LG q-fin.ST stat.AP
Regression markets and application to energy forecasting
在过去的几十年里，能源预测引起了极大的关注，与使用异构数据源，概率预测，在线学习等相关的新建议出现的一个关键方面是，学习和预测可能会极大地受益于分布式数据，虽然不仅在地理意义上。也就是说，各种代理收集并拥有可能对其他人有用的数据。与最近研究分布式和隐私保护学习（无激励）的建议相反，我们在这里探索一个称为回归市场的框架。在那里，旨在改善其预测的代理发布回归任务，其他代理可以通过共享其特征的数据来做出贡献，并为此获得金钱奖励。市场设计用于回归模型，其参数是线性的，并且可能是可分离的，基于批处理或在线学习进行估计。样本内和样本外的方面都被认为是与市场拟合模型样本，然后为提高真正的预测样本外。这种回归市场依赖于机器学习方法和合作博弈论的可解释性内的最新概念，以及Shapley加法解释。除了介绍市场设计和证明其理想的属性，应用结果显示基于模拟研究（突出该建议的显着特点）和现实世界的案例研究。
2022-04-04 cs.GT cs.SY eess.SY
Dynamic factor and double PCA models for partially observed survival curves: Forecasting demand in short-term rental markets
Norwegian Computing Center（挪威计算中心）；Department of Mathematics, University of Oslo（奥斯陆大学数学系）
本文提出动态因子和双PCA模型，用于部分观测生存曲线的预测，并在短期租赁市场入住率数据上验证，优于Holt方法，支持动态定价决策。
2026-09-28 stat.AP stat.ME
Trading Data for Wind Power Forecasting: A Regression Market with Lasso Regularization
本文提出了一个回归市场的风代理货币化数据之间的交易，风力发电预测。现有的文献数据市场往往把数据披露作为一个二元选择或调制的基础上的报价和出价之间的不匹配的数据质量。因此，市场要么对数据卖方不利，因为高估了他们披露数据的意愿，要么对数据买方不利，因为缺乏有用的数据。我们提出的回归市场基于最小绝对收缩和选择算子（套索）确定数据支付，这不仅为数据购买者提供了选择有用功能的手段，而且还使每个数据销售者能够个性化数据支付的阈值。使用合成数据和真实世界的风力数据，案例研究表明购买数据的风力代理商的总体损失减少，以及销售数据的人的额外经济利益。
2022-04-01 cs.SY eess.SY stat.AP
Network log-ARCH models for forecasting stock market volatility
本文提出了一种新的动态网络自回归条件异方差模型，用于预测美国股市的波动性。为了提高预测精度，该模型集成了时间滞后的波动信息和来自相邻节点的信息，这些信息可能瞬间溢出整个网络。该模型也适用于高维的情况下，多变量可预测模型通常不再适用。我们采用了时空统计学的理论基础，并将过程的动态建模转移到网络中。这种新的方法进行了比较，独立的单变量对数模型。我们可以量化的改善，由于瞬时网络的干扰效应，这是本文中第一次研究。基于时间序列之间的各种距离和相关性测量来确定边缘。替代网络的定义的性能进行比较的样本精度。此外，我们认为集合预报基于不同的网络定义。
2023-03-20 econ.EM q-fin.ST stat.AP
A Framework for Crop Price Forecasting in Emerging Economies by Analyzing the Quality of Time-series Data
作物价格预测技术的准确性很重要，因为它使供应链规划者和政府机构能够通过估计市场因素（如需求和供应）采取适当行动。在印度等新兴经济体，市场上的农作物价格每天都是手动输入的，这很容易出现人为错误，例如输入不正确的数据或多日没有输入数据。除了这种人为的错误，价格本身的波动使得创建稳定和强大的预测解决方案成为一项具有挑战性的任务。考虑到农作物价格预测的复杂性，本文提出了建立稳健的农作物价格预测模型的技术，该模型考虑了各种特征，如（i）农作物的历史价格和市场到达量，（ii）影响农作物生产和运输的历史天气数据，（iii）通过执行统计分析获得的数据质量相关特征。我们还提出了一个框架，基于上下文的模型选择和再培训考虑因素，如模型的稳定性，数据质量指标，作物价格的趋势分析。为了证明所提出的方法的有效性，我们展示了印度14个市场的两种作物-番茄和玉米的实验结果，并证明所提出的方法不仅与标准预测技术相比显着提高了准确性指标，而且还提供了强大的模型。
2020-09-09 econ.EM stat.AP
Simulation-based Forecasting for Intraday Power Markets: Modelling Fundamental Drivers for Location, Shape and Scale of the Price Distribution
本文针对欧洲日内电力价格，利用可再生能源预测、停机和 merit-order 等基本面变量建模收益分布的位置、形状与尺度，并通过德国市场模拟预测验证其在尾部概率预测上的显著提升。
2022-11-23 econ.EM q-fin.CP q-fin.ST
A Holistic Approach to Forecasting Wholesale Energy Market Prices
Google, Inc.（谷歌公司）；Centrum Wiskunde & Informatica (CWI)（荷兰数学与计算机科学研究中心）
本文提出一种综合方法，利用电网运营商进行供需匹配过程的基本属性（即最优功率流OPF）来恢复电力市场结构并预测节点价格，仅使用公开可用数据，如电网发电类型构成、系统负荷和历史价格，通过统计学习的最新进展来处理高维和稀疏的电力网络拓扑以及稀缺的公开市场数据，从而实现对实时价格的准确提前预测。
2019-06-07 cs.SY eess.SY stat.AP
Multivariate Simulation-based Forecasting for Intraday Power Markets: Modelling Cross-Product Price Effects
针对欧洲日内电力市场并行交易下跨产品价格依赖效应被忽视的问题，提出基于copula和潜在β回归的多变量预测方法，建模时变依赖结构并在德国市场验证其预测性能提升，还分析了SIDC的影响。
2023-06-23 econ.EM q-fin.CP q-fin.ST
An adaptive standardisation methodology for Day-Ahead electricity price forecasting
Fortia Energía（福尔蒂亚能源公司）；Universidad Politécnica de Madrid（马德里理工大学）；Instituto de Ciencias Matemáticas（数学科学研究所）
针对日前电力价格预测中复杂度增加收益递减的问题，提出自适应标准化方法缓解数据集偏移，在五个市场（含两个新数据集）上结合LEAR和DNN算法取得显著提升。
2024-04-26 cs.LG stat.AP stat.ME
Forecasting the Evolving Composition of Inbound Tourism Demand: A Bayesian Compositional Time Series Approach Using Platform Booking Data
Airbnb Inc.（爱彼迎公司）
本文提出一种贝叶斯组合时间序列方法，利用Airbnb数据预测入境旅游市场需求构成的变化，揭示疫情对市场构成的结构性影响，并展示该方法在复杂市场中的优越预测性能。
2026-06-27 q-fin.ST stat.AP
Econometric modelling and forecasting of intraday electricity prices
在下面的论文中，我们分析了ID $_3$ -价格在德国的日内连续电力市场使用计量经济学时间序列模型。分别对每小时和每季度产品进行了多变量方法。我们使用套索和弹性网络技术估计模型，并进行样本外的非常短期的预测研究。该模型的性能与基准模型进行了比较，并进行了详细讨论。预测结果提供了新的见解，德国日内连续电力市场的效率和ID $_3$ -价格行为。
2019-09-23 econ.EM q-fin.ST stat.AP
Trend-encoded Probabilistic Multi-order Model: A Non-Machine Learning Approach for Enhanced Stock Market Forecasts
针对机器学习股市预测跨数据集稳健性不足的问题，提出基于趋势编码的多滞后阶概率模型TeMoP，并在九国股指上证明其准确性与稳定性优于现有机器学习方法。
2025-02-17 math.PR q-fin.CP stat.AP
ML-Based Bidding Price Prediction for Pay-As-Bid Ancillary Services Markets: A Use Case in the German Control Reserve Market
Fraunhofer Institute for Manufacturing Engineering and Automation（弗劳恩霍夫制造工程与自动化研究所）
针对德国控制储备市场等按报价付费辅助服务市场参与者竞价策略简单、收入未达最大化的问题，提出含偏移调整技术的机器学习竞价价格预测方法，通过评估多模型提升潜在收入27.43%-37.31%，助力优化策略并增强电网稳定性。
2025-03-21 cs.CE cs.LG stat.AP
Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories
University of Duisburg-Essen（杜伊斯堡-埃森大学）
最近关于点电价预测的研究表明，每小时德国日内连续市场是弱式有效的。因此，我们采取了一种新颖的、先进的方法来解决这个问题。通过模拟每个交易窗口中的轨迹来执行每小时日内电价的概率预测，以接收真实的集合，从而允许更有效的日内交易和重新调度。一个广义的加法模型被拟合到价格差，假设它们遵循零膨胀分布，确切地说是狄拉克分布和学生t分布的混合。此外，使用具有套索惩罚的高维逻辑回归估计混合项。我们使用i.a.对序列的期望值和波动率进行建模。自回归和无交易效应或负荷、风能和太阳能发电预测，并考虑到例如到期时间的非线性。使用滚动窗口预测研究的样本内特性和预测性能进行了分析。多个版本的模型进行了比较，几个基准模型，并使用概率预测措施和显着性检验进行评估。该研究旨在预测德国日内连续市场在最后3小时交易中的价格分布，但该方法可以应用于其他连续市场，特别是欧洲市场。结果证明了混合模型的优越性，从波动率的建模中获得最多的基准。它们还表明，XBID的引入降低了市场波动。
2020-08-29 cs.LG cs.SY econ.EM
