Ein wesentlicher Erfolgsfaktor für die Optimierung komplexer energiewirtschaftlicher Erzeugungs- und Beschaffungsportfolios sind möglichst zuverlässige Daten über zukünftige Preis- und Volumenentwicklungen, wie z.B. Strom-, Gas-, Kohle- und Ölpreis.
Jeder Commodity-Preis hat seine ganz spezifische Charakteristik mit saisonalen, wöchentlichen und täglichen Mustern, zeitlich wechselnden Volatilitäten und Reversionseigenschaften, die präzise modelliert werden müssen. Auf kurzen, langen und mittleren Zeitskalen sind Commoditypreise oft beträchtlich miteinander korreliert, sowohl innerhalb eines Marktgebietes wie auch zwischen verschiedenen Märkten. All diese Eigenschaften können in einem mathematischen (stochastischen) Preismodell abgebildet werden.
Parameterschätzung
Stochastische Prozesse beinhalten meist unterschiedliche Parameter, wie beispielsweise Volatilitäten, Mean Reversions oder Korrelationen zu anderen Prozessen
Um einen stochastischen Prozess gut auf die realen Entwicklungen anzupassen, ist es entscheidend die Parameter des stochastischen Prozesses möglichst gut zu schätzen
Dazu verwenden wir mathematische Schätzalgorithmen, die auf der Maximum Likelihood Methode basieren
Szenariogenerierung
Mit Hilfe der geschätzten Parameter der ausgewählten stochastischen Prozesse werden Monte-Carlo-Szenarios generiert
Parameter können z.B. zur Risikobewertung von offenen Spotpositionen oder Fahrplänen in Unternehmen herangezogen werden
Die Generierung dieser Preisszenarios, z.B. für den EEX-Spotpreis, erfolgt erwartungswertneutral bzgl. der Hourly Price Forward Curve.
Integration
Komponenten von DT.Analytics zur Schätzung der stochastischen Parameter und Prozesse werden nach Bedarf in die Optimierungsmodelle der DT.Energie Suite integriert.
Alternativ steht DT. Analytics als eigenständiges Modellierungs- und Analysetool zur Verfügung.
Detailliertere Informationen über unsere Modellierung finden Sie in der Broschüre.
.JPG)
