Aprendizaje automático para la predicción en mercados de energía

• El congreso SEIO 2023 de este año tendrá lugar en la ciudad de Elche, entre los días 7 y 10 de noviembre de 2023

Ante la creciente volatilidad en precios y demanda de energía, se han desarrollado modelos predictivos en colaboración entre el grupo de Machine Learning del Basque Center for Applied Mathematics (BCAM) y el departamento de Finanzas de Iberdrola, para determinar el Initial Margin en los mercados energéticos a partir de 4 variables clave. Una de las integrantes del proyecto Paula Martín, Research Technician en BCAM, presentará este proyecto los próximos días 7 y 10 de noviembre en el congreso SEIO que tendrá lugar en la ciudad alicantina de Elche.

Para poder desarrollar los modelos predictivos, se han identificado unas variables clave (Price Scan Ranges, Ratios y Crédito) sobre las cuales basar dicha predicción. El desarrollo de modelos predictivos para el Initial Margin en los mercados energéticos representa un esfuerzo pionero que busca abordar los desafíos actuales del sector financiero y energético, para poder así suavizar los posibles riesgos en los mercados de futuros energéticos. Estos modelos tienen un impacto directo en la toma de decisiones financieras en un contexto de inestabilidad y cambios frecuentes en los precios y la demanda de energía.

El Initial Margin es la cantidad de dinero que se requiere en las transacciones de derivados financieros como depósito inicial para respaldar las posiciones en el mercado de futuros energéticos. Esta garantía se utiliza para asegurar el cumplimiento de las obligaciones por parte de las partes involucradas. El desarrollo de modelos predictivos para el Initial Margin en los mercados energéticos representa un esfuerzo pionero que busca atenuar los posibles riesgos en los mercados de futuros energéticos.

Paula Martín Bonilla es research tecnician en BCAM y participa en este proyecto de IA4TES (Inteligencia Artificial para la Transición Energética Sostenible), comenta que “las predicciones generadas han demostrado una buena precisión en pruebas con datos correspondientes a los años 2022 y 2023. Incluso ante la notable volatilidad y los cambios frecuentes de tendencias presentes en esos años, los modelos han mostrado su capacidad para brindar información confiable y útil para la toma de decisiones financieras”.

“La aplicación de técnicas de Machine Learning, especialmente el uso de redes neuronales recurrentes de memoria a corto y largo plazo (LSTM), ha demostrado ser una poderosa herramienta para abordar este desafío”, afirma Paula Martín, “Estas redes neuronales poseen una capacidad de retroalimentación que les permite mantener una memoria oculta con información relevante del contexto. Por esto, han permitido obtener predicciones precisas para múltiples horizontes temporales.”.

Este proyecto formará parte del congreso SEIO. La investigadora Martín Bonilla, es optimista con la oportunidad que representa presentar en SEIO y compartir los resultados de un proyecto fruto de una colaboración y esfuerzo conjunto entre BCAM y el departamento de Finanzas de Iberdrola. Además, confía es un gran escenario para mostrar a la comunidad académica y profesional los avances y logros alcanzados en el desarrollo de modelos predictivos dentro del ámbito de los mercados energéticos. SEIO brinda la oportunidad de adquirir conocimiento de expertos en otros campos, lo que enriquecerá nuestro trabajo y permitirá mejorar las técnicas y tener nuevos enfoques para el futuro.

La SEIO (Sociedad de Estadística e Investigación Operativa), es una organización autónoma que tiene como objetivo el desarrollo, mejora y promoción de los métodos y aplicaciones de la Estadística y de la Investigación Operativa, en su sentido más amplio. Además, organiza Congresos Ordinarios y Reuniones Monográficas, edita Revistas Profesionales y Boletines de Información, potencia intercambios, promociona actividades de consulta y estimula la investigación. Paula Martín explica que el Congreso Nacional del SEIO tiene como fin fomentar la comunicación y cooperación entre académicos, investigadores y profesionales en el ámbito de la Estadística e Investigación Operativa.

Sobre Paula Martín

Se graduó en matemáticas por la Universidad de Sevilla, con un Máster en Big Data y otro en Biomatemáticas. Actualmente forma parte del equipo de BCAM como research tecnician bajo la tutela del investigador de Ikerbasque Santiago Mazuelas en la línea de Machine Learning. Empezó a formar parte del proyecto de IA4TES (Inteligencia Artificial para Transición Energética Sostenible) en octubre de 2022, encargándose de la predicción/subidas de precios o demanda de energía dentro del proyecto.