Approcci quantitativi per l'Energy Trading & Risk Management: Gestione rischio asset rinnovabili
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Mercati energetici e metodi quantitativi:
un ponte tra Università e Aziende
22-23 Maggio, Padova
Approcci quantitativi per l’Energy
Trading & Risk Management:
Gestione rischio asset rinnovabili
Manuele Monti, Ph.D.
GDF Suez Energia Italia
Energy Management - Power & Risk Portfolio
E' vietata la riproduzione, e ridistribuzione in ogni forma, anche parziale, di immagini,
testi o contenuti senza autorizzazione dell’autore e di GDF Suez Energia Italia s.p.a.
Le indicazioni modellistiche, le conclusioni, i riferimenti allo sviluppo quantitativo, all’open
innovation e alle reti di conoscenza rappresentano libera ed individuale espressione
intellettuale dell’autore.
Copyright all contenents reserved.
Presentation For conditions and English disclaimer please contact
Title
the author.
Profilo del gruppo: Global 2
Profilo del gruppo: Global 3
Outline presentazione
Attività di Analisi quantitativa e Analytics nelle società ETRM
Applicazioni quantitative: Risk Management asset rinnovabili
(Wind e PV)
Approcci e strade di sviluppo disponibili
Hub di tecnologia e conoscenza
4
Struttura delle società Energy Trading & Risk Management 5
Struttura delle società ETRM: Attività
«P»-side o Buy-side della finanza
Real probability: «modellizza il futuro»
Tipiche figure Quant:
Quant Risk & Portfolio
Manager
Quant strategist
ERPM Quant developer
Attività Quantitative Analysis & Analytics: Tecniche utilizzate:
o Hedging e asset allocation con prodotti vanilla, o Processi stocastici e simulazione
swap, exotic Montecarlo
o Modellizzazione e ottimizzazione gestione degli o Stochastic – Dynamic programming
asset con prodotti energetici strutturati (VPP, Swing,
storage) o Risk Metrics (VaR, EaR, CaR, ES)
o Asset Risk Management
Struttura delle società ETRM: Attività
«Q»-side o Sell-side della finanza
Risk neutral: «estrapola il presente»
Tipiche figure Quant:
Quant Trader (FO Quant)
Structured deal trader
Algorithmic trader e HFT in
Prop desks
ETRM Quant developer
Attività Quantitative Analysis & Analytics: Tecniche utilizzate:
o Pricing derivati vanilla, esotici e prodotti strutturati o Processi stocastici e simulazione
energetici (VPP e Swing Options, Storage) Montecarlo
o Trading fondamentale, tecnico, algo trading e HFT o Stochastic – Dynamic programming
o Asset Backed Trading o Algorithmic e meta trading strategies
o High Performance Computing per big
data e data mining
o DMA e latency monitoring
Struttura delle società ETRM: Attività
Tipiche figure Quant:
Energy Market Analyst
Bidding strategist
ETRM Quant developer
Attività Quantitative Analysis & Analytics: Tecniche utilizzate:
o Ottimizzazione portafoglio short –term e cross- o Modellizzazione ibrida fondamentale-
commodity statistica
o Strategie di ottimizzazione nomine o Thick quantitative (Neural Networks,
o Modellizzazione prezzi prompt Fuzzy Logic),
o Ricerca Operativa
o Teoria dei giochi
Applicazione Risk Management: Gestione rischio renewable
Lo scopo è modellizzare una copertura del rischio per il produttore
L’Energy Manager effettua la migliore copertura con prodotti standard baseload e
gestisce il rischio residuo (volume e prezzo)
Il produttore riceve un prezzo fisso Strike, al netto di una fee di gestione del rischio
PUNz = IPEX zonal electricity hourly price (€/MWh)
Q = Hourly hedging level (MW);
Vol = Wind farm production (MWh)
S = Strike (€/MWh);
t = time-frame (h)
OTC
S*Q*t PUN*Q*t
MWh MWh
Producer (S-Fee)*Q*t PUNz*Vol
MtM
PUN*(Vol-Q*t) Fee*Q*t
(Fixed Income)
Price risk Volume risk
Algoritmo quantitativo
Dati storici di potenza erogata dall’asset
rinnovabile in un regime di mercato
1
Modellizzazione (vento) potenza immessa dall’asset rinnovabile
2
Modellizzazione prezzo IPEX PUN
3
Analisi di rischio volume – prezzo con simulazione MC:
- Livello ottimo di copertura baseload (Qopt)
- VaR e fee di gestione del rischio
Margine vs test reale TOP (Y+1)Modellizzazione vento
1
Modellizzazione vento e potenza parco (Wind):
- Processo stocastico velocità del vento
- Rappresentazione curva velocità del vento / potenza erogata
- Modellizzazione di un processo stocastico di produzione oraria
800
Wind velocity (V)
1a λexp; kexp
Dalla realizzazione dei dati Velocità si 600
ottiene distribuzione di Weibull tramite 400
metodo di massima verosimiglianza V Cut-Off
λexp; kexp . 200
N samples
0
0 5 10 15 20 25 30
[m/s]
1500
Power output (Pout)
1000
500
0 10 20 30 40 50 60 70 [MW]Simulazione produzione eolica
1
Modellizzazione vento e potenza parco (Wind):
- Processo stocastico velocità del vento
- Rappresentazione curva velocità del vento / potenza erogata
- Modellizzazione di un processo stocastico di produzione oraria
Synthetic: wind
1a
Dalla realizzazione dei dati Velocità si
ottiene distribuzione di Weibull tramite
metodo di massima verosimiglianza
λexp; kexp . Experimental
1b
Simulazione del processo stocastico vento
con gli stessi parametri di Weibull
Potenza
1600
Modellizzazione curva vento – potenza del 1400
Osservazioni sul processo
parco con regressione polinomiale. 1200
1000
800
Synthetic:
600
Modellizzazione del processo stocastico di 400 power
potenza come convoluzione del processo 200
del vento per la curva di potenza. 0
-10 0 10 20 30
[MW]
40 50 60 70 80Simulazione produzione PV
1
Modellizzazione potenza parco PV:
- Processo stocastico produzione PV
- Modellizzazione produzione con serie di funzioni trigonometriche (truncation R+)
- Modellizzazione residui primo ordine ARMA
- Modellizzazione residui secondo ordine con distribuzione normaleSimulazione produzione PV
1
Modellizzazione potenza parco PV:
- Processo stocastico produzione PV
- Modellizzazione produzione con serie di funzioni trigonometriche (truncation R+)
- Modellizzazione residui primo ordine ARMA
- Modellizzazione residui secondo ordine con distribuzione normaleSimulazione produzione PV
1
Modellizzazione potenza parco PV:
- Processo stocastico produzione PV
- Modellizzazione produzione con serie di funzioni trigonometriche (truncation R+)
- Modellizzazione residui primo ordine ARMA
- Modellizzazione residui secondo ordine con distribuzione normaleSimulazione produzione PV
1
Modellizzazione potenza parco PV:
- Processo stocastico produzione PV
- Modellizzazione produzione con serie di funzioni trigonometriche (truncation R+)
- Modellizzazione residui primo ordine ARMA
- Modellizzazione residui secondo ordine con distribuzione normaleModellizzazione PUN
2
Modellizzazione prezzo IPEX PUN:
- Set-up di parametri mean-reverting multivariati (Peak- Off Peak – Holydays switch)
Processo Ornstein–Uhlenbeck multivariato con salti:
= Vettore processi UOL multivariati
= Matrice di transizione deterministica mean-reverting
= Vettore di regimi medi attesi stagionali (calibrato su prezzi FWD a schermo)
= Matrice di dispersione (calibrato su volatilità storica)
= Vettore di processi indipendenti di Wiener
= Vettore di regimi di Jump (statistiche stagionali e funzioni di mercato fisico)Simulazione stocastica PUN Italia
Simulazione stocastica PUN Italia
Simulazione Montecarlo produzione eolica
3
Analisi di rischio:
- Simulazione Montecarlo della potenza erogata (Pt) per stabilire livello ottimo di copertura (Qopt)
- Montecarlo simulation, Back-test Y-2010 with hedging (Qopt) to assess producer Fee e VaR
Psynth mean
N observations Montecarlo (out of 4000 processes)
3a 500 mean rlz 2010
≈ 17.9 MW ≈ Q
Un primo run di simulazione Montecarlo opt
450
genera i percorsi di velocità vento – potenza
parco. 400
La distribuzione di frequenza determina il 350
livello ottimale di hedging baseload Qopt.
300
250
200
150
100
50
0
17.2 17.4 17.6 17.8 18 18.2 18.4 18.6
MW
Pmean ~ QSimulazione Montecarlo VaR produzione
3
Analisi di rischio:
- Simulazione Montecarlo della potenza erogata (Pt) per stabilire livello ottimo di copertura (Qopt)
- Montecarlo simulation, Back-test Y-2010 with hedging (Qopt) to assess producer Fee e VaR
Exposure Delta
500
N observations Montecarlo (out of 4000 processes)
3a 450
Un primo run di simulazione Montecarlo
genera i percorsi di velocità vento – potenza 400
mean rlz 2010
parco. 350 ≈ -0.28 €/MWh
La distribuzione di frequenza determina il
300
livello ottimale di hedging baseload Qopt. fee @ 1.5 €/MWh
250 95% 95%
confidence confidence
3b 200
Un secondo run di simulazione MC genera
150
l’esposizione al PUN relativa al livello di
copertura Qopt. 100
Il produttore può decidere a quale livello di
50
posizionarsi 95% confidence.
0
-3 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3
€/MWh
VaR 95% ~ FeeStrategia di sviluppo aziendale attività QA & Analytics
Capital Intensive Knowledge Intensive
Investimenti in Investimento di
outsourcing capitale intellettuale
e consulenza e umano
Maggiore flessibilità
Monitoraggio diretto dei KPI
Minor costo
Ridotta responsabilità
Investimento a lungo termine
Delegazione totale
Utilizzo di knowledge e
technology brokers
- Dipendenza da entità esterne
- Rischio di cambio tecnologia - Maggiori tempi di sviluppo (?)
- Maggiori costi - Retention del know-howHub di conoscenza: ‘the knowledge transfer process’
Knowledge &
Technology
brokers
23Forum di discussione e trasferimento
tecnologico-scientifico, ideato attorno
all’industria e alle figure:
Energy professionals
New hires, job-rotators
Post-grads, PhDs & ricercatori
Energy traders (props & freelancers)
ETRM e technology vendors
Partners tecnologici e di ricerca: # EquanT Bootcamp
www.equantbootcamp.com
24“Enhance the knowledge and technology transfer
between research, industry and innovation”
26Manuele.monti@gdfsuez.it
@ Manuele Monti
www.equantbootcamp.com
# EquanT BootcampPuoi anche leggere
