Μοντέλα πιθανοκρατικής πρόβλεψης ενδο-ημερήσιων τιμών φυσικού αερίου στον κόμβο TTF και αξιολόγηση απόδοσης μέσω PnL

Βενιζέλος, Νικόλαος

dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Βενιζέλος, Νικόλαος
dc.date.accessioned	2026-07-27T09:24:48Z
dc.date.available	2026-07-27T09:24:48Z
dc.date.issued	2026-05
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/19635
dc.description.abstract	Η παρούσα διπλωματική εργασία διερευνά το θεμελιώδες ερώτημα αν τα σύγχρονα μοντέλα μηχανικής μάθησης και βαθιάς μάθησης μπορούν να ξεπεράσουν την απλή υπόθεση επιμονής στην πρόβλεψη τιμών φυσικού αερίου TTF σε εξαιρετικά βραχυπρόθεσμους ορίζοντες (10-60 λεπτά), και αν οι πιθανοτικές προβλέψεις προσφέρουν πρακτική αξία για τη διαχείριση κινδύνου και συναλλακτικές εφαρμογές. Εξετάζεται επίσης αν η γεωπολιτική αστάθεια του 2025 δημιούργησε αξιοποιήσιμα προβλέψιμα πρότυπα στην αγορά. Αναλύθηκαν 147.983 ενδοσυνεδριακές τιμές επιπέδου λεπτού από το 2025 με 8 μοντέλα πρόβλεψης: Naive Persistence, Ridge Regression, Random Forest, Quantile Gradient Boosting, SVR, XGBoost, LSTM και QRNN. Μέσω κατασκευής χαρακτηριστικών δημιουργήθηκαν 77 μεταβλητές εισόδου, συμπεριλαμβανομένων χρονικών υστερημάτων (lagged values), κυλιόμενων στατιστικών (rolling statistics) και τεχνικών δεικτών (technical indicators). Η αξιολόγηση περιλάμβανε στατικό διαχωρισμό και επανεκπαίδευση με κυλιόμενο παράθυρο (rolling window), με πιθανοτικές μετρικές (CRPS, διαστήματα πρόβλεψης) και προσομοίωση συναλλαγών. Τα κύρια ευρήματα επικυρώνουν την Υπόθεση Αποτελεσματικών Αγορών (Efficient Market Hypothesis) με εντυπωσιακό τρόπο. Το απλό μοντέλο επιμονής ξεπερνά όλα τα σύνθετα μοντέλα (Μέσο Απόλυτο Σφάλμα - MAE €0,0554 έναντι €0,0571-€2,98), με τον συντελεστή αυτοσυσχέτισης ρ₁=0,9996 να υποδηλώνει συμπεριφορά τυχαίου περιπάτου (random walk). Παρά την αδυναμία υπέρβασής του στις σημειακές προβλέψεις, τα πιθανοτικά μοντέλα αποδείχθηκαν πολύτιμα για την ποσοτικοποίηση της αβεβαιότητας, με το SVR να επιτυγχάνει καλά βαθμονομημένα διαστήματα πρόβλεψης (κάλυψη 92,94%) και συνολική πιθανοτική βαθμολογία CRPS €0,1629. Η αξιολόγηση με κυλιόμενο παράθυρο βελτίωσε δραματικά την απόδοση των δεντροειδών μοντέλων – tree based models (72-73%) αλλά δεν κατάφεραν να ξεπεράσουν το baseline. Όλες οι στρατηγικές συναλλαγών αποδείχθηκαν ζημιογόνες μετά τα κόστη συναλλαγών (αρνητικοί δείκτες Sharpe, ποσοστά επιτυχίας ∼40%), επιβεβαιώνοντας ότι το χαμηλό σφάλμα πρόβλεψης δεν μεταφράζεται σε κερδοφορία στις αποτελεσματικές αγορές. Η εργασία συνεισφέρει επιστημονική επικύρωση της Υπόθεσης Αποτελεσματικών Αγορών σε δεδομένα υπερυψηλής συχνότητας κατά ακραία γεγονότα, ολοκληρωμένο πλαίσιο αξιολόγησης με πιθανοτικές μετρικές και οικονομική προσομοίωση, και τεκμηρίωση ότι τα "αρνητικά αποτελέσματα" έχουν θεωρητική αξία. Οι πρακτικές εφαρμογές αφορούν στον ρεαλιστικό σχεδιασμό συστημάτων πρόβλεψης σε ρευστές αγορές ενέργειας, στη χρήση πιθανοτικών προβλέψεων για διαχείριση κινδύνου αντί συναλλαγών ατεύθυνσης, και σε κατευθυντήριες γραμμές αναφοράς για μελλοντική έρευνα. Το κεντρικό συμπέρασμα υπογραμμίζει: "η αγορά είναι πιο έξυπνη από τα μοντέλα μας - και αυτό ακριβώς προβλέπει η θεωρία".	el
dc.format.extent	96	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Μοντέλα πιθανοκρατικής πρόβλεψης ενδο-ημερήσιων τιμών φυσικού αερίου στον κόμβο TTF και αξιολόγηση απόδοσης μέσω PnL	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	This thesis investigates the fundamental question of whether modern machine learning and deep learning models can outperform the simple persistence baseline in forecasting TTF natural gas prices at ultra-short horizons (10-60 minutes), and whether robabilistic forecasts offer practical value for risk management and trading applications. The study also examines whether the geopolitical instability of 2025 created exploitable predictive patterns in the market. A total of 147,983 intraday minute-level prices from 2025 were analyzed using 8 forecasting models: Naive Persistence, Ridge Regression, Random Forest, Quantile Gradient Boosting, SVR, XGBoost, LSTM, and QRNN. Feature engineering produced 77 input variables including lagged values, rolling statistics, and technical indicators. Evaluation combined a static train/validation/test split with rolling window retraining, assessed through probabilistic metrics (CRPS, prediction intervals) and trading simulation. The key findings strongly validate the Efficient Market Hypothesis. The simple persistence model outperforms all complex models (MAE €0.0554 versus €0.0571–€2.98), with a firstorder autocorrelation coefficient ρ₁=0.9996 indicating random walk behavior. Despite being unable to beat the baseline in point forecasts, probabilistic models proved valuable for uncertainty quantification, with SVR achieving well-calibrated prediction intervals (92.94% coverage) and a CRPS score of €0.1629. Rolling window retraining dramatically improved treebased model performance (72–73%) but still failed to surpass the baseline. All trading strategies proved unprofitable after transaction costs (negative Sharpe ratios, win rates ∼40%), confirming that low forecasting error does not translate to profitability in efficient markets. The thesis contributes scientific validation of the Efficient Market Hypothesis on ultra-highfrequency data during extreme events, a comprehensive evaluation framework combining probabilistic metrics with financial simulation, and evidence that "negative results" carry theoretical value. Practical applications include the design of realistic forecasting systems for liquid energy markets, the use of probabilistic forecasts for risk management rather than directional position-taking, and reference benchmarks for future research. The central conclusion emphasizes: "the market is smarter than our models – and that is precisely what theory predicts".	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Πιθανοτική πρόβλεψη	el
dc.subject.keyword	Φυσικό αέριο TTF	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Βαθιά μάθηση	el
dc.subject.keyword	Χρονοσειρές	el
dc.subject.keyword	Υπόθεση αποτελεσματικών αγορών	el
dc.subject.keyword	Αγορές ενέργειας	el
dc.date.defense	2026-07

Αρχεία σε αυτό το τεκμήριο

Name:: Venizelos_me2407.pdf
Μέγεθος:: 2.444Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα