Pronosticando la Volatilidad y el Riesgo de Cola en los Mercados de Electricidad
Autores: Naimoli, Antonio; Storti, Giuseppe
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Pronosticando la Volatilidad y el Riesgo de Cola en los Mercados de Electricidad
Categoría
Gestión y administración
Subcategoría
Gestión de recursos
Palabras clave
Papel
Beneficios
Medidas realizadas
Volatilidad de precios
Valor en Riesgo
Pérdida Esperada
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 16
Citaciones: Sin citaciones
Este artículo investiga los beneficios de utilizar conjuntamente varias medidas realizadas para predecir la volatilidad diaria de precios, el Valor en Riesgo y la Pérdida Esperada en los mercados eléctricos australianos de Nueva Gales del Sur, Queensland y Victoria. Proponemos utilizar modelos tipo GARCH realizados con múltiples ecuaciones de medición basadas en estimadores robustos para tener en cuenta el ruido de la microestructura del mercado y los saltos en las series de precios de electricidad. Las especificaciones del modelo que combinan información de múltiples medidas realizadas mejoran el ajuste en la muestra de los datos. El análisis fuera de muestra muestra que el uso del estimador robusto ante saltos aumenta significativamente la precisión de las previsiones de volatilidad, mientras que al predecir el Valor en Riesgo y la Pérdida Esperada en diferentes niveles de riesgo, el GARCH(1,1) estándar también tiene un rendimiento notablemente bueno.
Descripción
Este artículo investiga los beneficios de utilizar conjuntamente varias medidas realizadas para predecir la volatilidad diaria de precios, el Valor en Riesgo y la Pérdida Esperada en los mercados eléctricos australianos de Nueva Gales del Sur, Queensland y Victoria. Proponemos utilizar modelos tipo GARCH realizados con múltiples ecuaciones de medición basadas en estimadores robustos para tener en cuenta el ruido de la microestructura del mercado y los saltos en las series de precios de electricidad. Las especificaciones del modelo que combinan información de múltiples medidas realizadas mejoran el ajuste en la muestra de los datos. El análisis fuera de muestra muestra que el uso del estimador robusto ante saltos aumenta significativamente la precisión de las previsiones de volatilidad, mientras que al predecir el Valor en Riesgo y la Pérdida Esperada en diferentes niveles de riesgo, el GARCH(1,1) estándar también tiene un rendimiento notablemente bueno.