In questo lavoro si studieranno i prezzi dell’elettricità applicando un approccio previsivo, basato cioè sull’analisi delle serie storiche dei prezzi. Lo scopo è quello di estrapolare l’andamento futuro della variabile prezzo dal suo andamento passato. L’analisi è stata condotta partendo da basi di dati del marcato elettrico spagnolo (prezzi e quantità risultate nel Mercado Diario della Borsa elettrica spagnola OMEL). È quindi la specificità del mercato spagnolo che si studia e, pertanto, nel presente Rapporto, all’analisi statistica si è affiancata una descrizione di tale mercato (riportata in Appendice A) utile al fine di contestualizzare i risultati del Rapporto stesso. Parallelamente alla descrizione del mercato spagnolo, nella stessa appendice, è presente anche una descrizione del mercato italiano che evidenzia similitudini e differenze nella regolamentazione dei due mercati. Si sono condotte analisi statistiche sia a livello univariato che bivariato, introducendo la serie storica dei carichi corrispondenti ai prezzi in esame. I modelli proposti, di tipo ARCH e GARCH, sono stati testati sui dati del mercato elettrico spagnolo. I risultati sono in linea con quelli di altri autori, ossia la performance previsiva si mantiene sull’ordine di grandezza di lavori similari. Proprio per valutare la bontà e l’efficacia delle nostre previsioni, infatti, si è lavorato sullo stesso data base di altri autori. In alcune fasi temporali i nostri risultati sono migliori, avendo introdotto affinamenti ai modelli a cui ci si è ispirati: ad esempio, nel caso di ARIMA applicato all’intero data base utilizzato (Capitolo 4) si sono aggiunti il trattamento e la classificazione degli outliers e in alcune fasce temporali ciò ha consentito una previsione migliore. Partendo da basi di dati del mercato spagnolo (Mercado Diario della Borsa elettrica spagnola – OMEL), si sono effettuati due tipi di analisi diverse, corrispondenti ai Capitoli 3 e 4 di questo Rapporto: nel Capitolo 3 si sono usate le basi di dati al completo, mentre nel Capitolo 4 si sono usati i dati ora per ora lungo l’orizzonte temporale, vale dire 24 serie separate sul medesimi orizzonte temporale. Le conclusioni e la bibliografia sono rispettivamente nei Capitoli 5 e 6. I risultati circa la performance dei modelli ARIMA sono incoraggianti, anche se la presenza degli outliers rende la previsione difficile. Il lavoro si articola in tre parti: dopo una parte I d’introduzione generale (Capitolo 2), nella parte II (vedi Capitolo 3) vengono introdotti i modelli per le analisi delle serie storiche. Tra questi la scelta si orienta sui modelli stocastici e in particolare sui modelli ARIMA. Questi vengono formalizzati nei paragrafi 3.3.1.e 3.4. Le analisi vengono condotte con e senza la procedura di identificazione degli outliers (dati OMEL su tre diversi periodi – paragrafo 3.7.1.). Struttura e stima dei modelli sono nei paragrafi 3.7.2 e 3.7.3. Le previsioni sono riportate nel paragrafo 3.8 e i risultati confrontati con quelli di Contreras et al (2003) e di Venturini et al.- CESI -(2004).

Nella parte III (al Capitolo 4) vengono studiati i dati ora per ora (dati OMEL 1 gennaio 1998 – 19 novembre 2000) mediante modelli ARIMA e GARCH. Si è scelto qui di operare sia sui prezzi che sui logrendimenti. È stato modellizzato il ciclo settimanale e bisettimanale (paragrafo 4.2) e si è anche introdotta un’analisi della volatilità mediante modelli GARCH (quest’ultima miglioria non sembra aver dato risultati apprezzabili). Nei paragrafi 4.3 e 4.4 si è aggiunto il carico come potenziale variabile esplicativa dell’andamento del prezzo e si sono condotte analisi bivariate. Infine (paragrafo 4.6) si è proposta una procedura per l’identificazione degli outliers. Tutti i modelli dei Capitoli 3 e 4 sono confrontati ove possibile con analoghe sperimentazioni di altri autori e se ne valuta il comportamento migliore ove ciò avviene. Per comodità di lettura si propone qui una sintesi dei risultati e delle procedure delle parti II e III. Parte II (Capitolo 3): Dati utilizzati: tutti i prezzi delle 24 ore – tre periodi test Orizzonte della previsione: breve- medio termine (giorno – settimana) Modelli: ARIMA (23), ARIMA (17), ARIMA (12) poi gli stessi con outliers Modello migliore: Previsione giornaliera Prima settimana (consumi medi) ARMA(23) senza outliers Seconda settimana (consumi bassi) ARMA(23) con outliers Terza settimana (consumi alti) ARMA(23) con outliers Previsione settimanale Prima settimana (consumi medi) ARMA(23) senza outliers Seconda settimana (consumi bassi) ARMA(12) con outliers Terza settimana (consumi alti) ARMA(12) con outliers MAPE e confronto con Contreras et al (2003) e Venturini et al. – CESI (2004) nella Tabella 4 (previsione giornaliera) e Tabella 5 (previsione settimanale) Perte III (Capitolo 4): Dati utilizzati: i prezzi ora per ora Orizzonte della previsione: breve termine (giorno) Modelli univariati prezzi: AR(7), AR(14) poi gli stessi con GARCH (1,1) Modello migliore: AR(14) (MAPE in Tabella 6) Modelli bivariati prezzi e carichi: AR(14) il migliore (MAPE in Tab. 9 e errori mediani assoluti in Tab. 10) Outliers: proposta per identificazione