IL MERCATO DEL GAS NATURALE: MODELLI PER LA PREVISIONE DI PREZZO E DI VOLUMI Analista Quantitativo: Dott. Gaspare Campo Specialista Forecast Gas: Dott.ssa Stefania Barbieri Padova, 10 Maggio 2013
Hera Trading GruppoHera Titolare di Capacità Breve/Lungo: Tag Transit Gas Titolare Capacità di Stoccaggio: Stogit Edison Import Hub: Olanda Germania Austria Mercati Energetici: Gas Elettricità Certificati Ambientali Ottimizzazione Portafoglio: Breve Periodo Approvvigionamento Materia Prima: Hera Comm RiskManagement: Commodity Gestione Commerciale: Asset Termoelettrici Bilancio Hera Trading 2012 2011 Delta % Margine di Contribuzione K 40.056 26.109 53,4% Utile Operativo K 24.312 14.667 65,8% Utile netto K 14.187 8.881 59,7% Numero dipendenti 30 28 7,1% Gas Gestito Mil Mc V 2.082 1.737 19,9% 2
Outline Il Mercato del Gas Naturale: Modelli per la previsione di prezzo I Fondamentali del Gas Naturale Il Mercato del Gas Naturale: Analisi dei prezzi Spot-Forward Modelli ARMA: Stazionarietà Identificazione Criteri di Selezione del modello e controllo Diagnostico Risultati del modello e previsione 3
I Fondamentali del Gas Naturale a seguito della direttiva 98/30/EC Dalla Deregulation al Trading di Gas Naturale: Unbundling (Società Integrate) Certezza della fornitura Libero accesso per i nuovi operatori alle reti di trasmissione Libertà di scelta della fornitura da parte dei clienti finali Accesso allo stoccaggio Regolamentazione nazionale per la tutela del consumatore Lato Offerta: Livello attuale produzione domestica e riserve Infrastrutture disponibili (stoccaggi, interconnettori, rigassificatori) Interruzione produzione a causa di incidenti Affidabilità e disponibilità di Gas dei paesi produttori (Algeria, Russia, Norvegia...) Lato Domanda: Domanda Stagionale legata a condizioni climatiche Grado di competizione domestica tra operatori Generazione elettrica (Spark Spread) Iniezione in Stoccaggio (Periodi di bassa domanda) 4
Il Mercato del Gas Naturale: Andamento dei prezzi Spot e Forward. Le transazioni di Gas Naturale agli Hub possono essere realizzate attraverso contratti Forward. I forward sono contratti (Transazioni Bilaterali) scambiati OTC agevolati da piattaforme elettroniche/broker, Il rischio è in capo ai soggetti, I contratti possono essere non standard, Con riferimento ai principali Hub istituzioni quali Heren, Platt s, Argus pubblicano indici di mercato OTC. Il report ESGM (Heren) riporta una varietà di prezzi, i quali includono: Indici di prezzo mensili e giornalieri relativi a diversi Hub (NBP, TTF,.. Etc), Prezzi quotati che coprono diverse delivery: Day Ahead, Week end, Working Days Next Week, The balance of the months, monthly, quarterly and annually. Euro MWh 37,50 35,75 34,00 32,25 30,50 28,75 27,00 25,25 23,50 21,75 20,00 Time series Day Ahead TTF Day Ahead TTF Platt's 3/1/12 18/1/12 2/2/12 17/2/12 3/3/12 18/3/12 2/4/12 17/4/12 2/5/12 17/5/12 1/6/12 16/6/12 1/7/12 16/7/12 31/7/12 15/8/12 30/8/12 14/9/12 29/9/12 14/10/12 29/10/12 13/11/12 28/11/12 13/12/12 28/12/12 12/1/13 27/1/13 11/2/13 26/2/13 13/3/13 Frequency: Daily Fig. 1: Serie storica dei prezzi Day Ahead TTF. Fonte: Platt's Caratteristiche serie storiche spot: 27,10 26,25 25,40 24,55 23,70 Time seriesq2'13 Q3'13 TTF Q2'13 TTF Platt's Q3'13 TTF Platt's 3/1/12 18/1/12 2/2/12 17/2/12 3/3/12 18/3/12 2/4/12 17/4/12 2/5/12 17/5/12 1/6/12 16/6/12 1/7/12 16/7/12 31/7/12 15/8/12 30/8/12 14/9/12 29/9/12 14/10/12 29/10/12 13/11/12 28/11/12 13/12/12 28/12/12 12/1/13 27/1/13 11/2/13 26/2/13 13/3/13 Frequency: Daily Fig.2: Serie storica dei prezzi Q2 Q3 TTF. Fonte: Platt's Domanda e Offerta Volatilità elevata Mean reversion Ipotesi di normalità dei rendimenti rifiutata Spikes frequenti in periodi di tensione: interruzione, clima.. Etc Evidenze di stagionalità minore rispetto a prodotti long Regime switching 5
Modelli ARMA Il Processo Auto Regressivo: 8. " "./ 0, #$; &"! "! Tale processo descrive la dipendenza lineare della variabile dipendente dal suo ritardo: I coefficienti caratterizzano la dinamica del processo,, rappresenta una costante, è un processo white noise. Il processo a media mobile assume che il valore osservato al tempo t, ovvero ' ( sia esprimibile come una combinazione lineare di una variabile aleatoria white noise al tempo t e in q tempi precedenti. Il Processo a Media Mobile: -./ 0.1/ "../ 3, $ )*+,! Il processo a media mobile può essere introdotto quando è ragionevole assumere che esista una situazione di equilibrio verso la quale un processo tende a ritornare dopo uno shock di natura casuale. Il processo ( è una componente importante nei modelli per serie storiche esso deve essere, infatti, omoschedastico e privo di autocorrelazione: 4 / 0! ;0",,6 / 0, / 7 $; 0,7",.,6 0#7 6
Modelli ARMA: Stazionarietà Stazionarietà del processo stocastico: 9 : ( ; & = : ( 9> : (?;@ A B C & DEF : (,: (G 9 : (? ; : (G?; B G, H1,2,3, Test di Radice Unitaria: Serie storica con costante senza trend: : (.?1 : (M. ( Serie storica con costante e trend: : (.?1 : (M.BN. ( Campione: 652 oss, serie storica DayAhead. Periodo di riferimento: 01/10/2010 al 19/04/2013. Differenziazione logaritmica della serie storica: M OP Q' ( @OP Q' ( @?OP Q' (M @ 7
Modelli ARMA: Identificazione (Box - Jenkins 1976) Se si dispone di una serie stocastica stazionaria occorre procedere per fasi: La prima fase è l analisi delle ACF e PACF ovvero delle funzioni di autocorrelazione Stima dei parametri, per stimare i parametri il modello utilizza o lo stimatore OLS o il metodo della massima verosimiglianza Verifica delle idoneità del modello, fase in cui vengono principalmente testati i residui del modello per controllarne l indipendenza e la normalità Se il modello da noi identificato e stimato è accettato dai nostri test, può essere utilizzato per scopi previsivi o di simulazione, altrimenti occorre procedere all iterazione delle tre fasi precedenti fintanto ché non si ottiene un modello che soddisfi i criteri di selezione e d identificazione. Identificazione del Modello: Funzione di autocorrelazione totale e parziale: 8
Criteri di selezione del modello e controllo diagnostico Criterio di Informazione di Akaike e Criterio Bayesiano: Entrambi i criteri sono basati sulla verosimiglianza e rappresentano un trade-off tra adattamento del modello ai dati e parsimonia, quest ultima è rappresentata dai parametri p+q+1. Il criterio AIC tende asintoticamente a privilegiare modelli sovra parametrizzati. Analisi dei residui: Test di Ljung Box (1978) Verifica l uguaglianza a zero delle prime k autocorrelazioni: V R G SQS.2@T 1 S?H UA G VWM U G rappresentano le stime dei coefficienti di autocorrelazione calcolate a partire dai residui di (, Hè un numero scelto a piacere. 9
Risultati del Modello e Previsione Coefficiente relativo alla dinamica del processo Arma. Stima della deviazione standard dello stimatore, riguardante il campione oggetto di analisi. Il test z altro (rapporto tra il valore del coefficiente e l errore standard), tanto più questo valore è superiore a 1.96, tanto più il livello del p-value si riduce, aumentanto la probabilità che il nostro coefficiente sia diverso da zero. Il p-value è un valore probabilistico, il quale indica se il nostro coefficiente è diverso da zero, le stellette indicano invece il livello di confidenza. E lo scarto quadratico medio della variabile dipendente. Viene considerato per confrontare due serie storiche o la medesima serie storica in istanti temporali diversi. Le statistiche evidenziate vengono utilizzate per effettuare dei confronti tra modelli che cercano di spiegare l andamento di un processo stocastico. Tanto minore è il valore della statistica tanto migliore è il modello che stiamo implementando. Indica la media aritmetica della variabile dipendente, La radice unitaria, nel caso di modello autoregressivo di ordine 1, o ARMA(1,1) è data dal rapporto tra 1 e il coefficiente relativo alla dinamica del processo. Affinché il coefficiente sia statisticamente corretto tale da spiegare l andamento del processo, tale rapporto deve essere in modulo maggiore di 1. 10
Outline Il Mercato del Gas Naturale: Modelli per la previsione di volume Sistema Italia Shipper e Contratti Previsione e Serie Storiche Scelta della metodologia di forecasting Fattori per la scelta del modello di forecasting Termicità Periodicità Prevedibilità Autoregressione Scrittura del modello Clusterizzazione Orizzonte di previsione 11
MERCATO DEL GAS NATURALE: SISTEMA ITALIA SNAM: l impresa che gestisce la rete nazionale di gasdotti attraverso il servizio di dispacciamentofisico e commerciale: governo dei flussi di gas naturale e i relativi servizi accessori attribuzione di diritti di utilizzo della capacità di trasporto del gas ai singoli utenti servizio di bilanciamento che regola le modalità attraverso le quali gli utenti possono esercitare i propri diritti di utilizzo della capacità di trasporto conferite, la determinazione delle partite fisiche di competenza di ciascun utente conseguenti all individuazione delle situazioni di sbilancio cui porre rimedio per la sicurezza del sistema e le relative determinazione e relazione economica del gas utilizzato per porre rimedio allo sbilancio. EQUAZIONE DI BILANCIAMENTO IN FASE DI NOMINA STOCCAGGIO I + PSV + POZZI + GNL E RIC STOC P = 0 GNL PSV EQUAZIONE DI BILANCIAMENTO EX-POST NOMINA IMPORT RETE NAZIONALE RICONSEGNE REMI I + PSV + POZZI + GNL E RIC STOC P 0 (PERDITE) POZZI RICONSEGNE DIRETTI EQUAZIONE DI BILANCIAMENTO FINALE EXPORT I + PSV + POZZI + GNL E RIC STOC P -ΔS = 0 12
MERCATO DEL GAS NATURALE: SHIPPER E CONTRATTI La categorizzazione dei contratti da un punto di vista del forecasting viene secondo: Definizione dei volumi alla chiusura dei contratti: a. CHIUSI; b. APERTI; Ruolo della società: a. SHIPPER (Utente del Servizio di Bilanciamento): trasporta commercialmente gas sulla rete di trasporto nazionale fino alle cabine alle porte delle città (REMI); b. TRADER: la società acquista direttamente sul REMI da una o più società e rivende ad altre la medesima quantità di gas naturale Caratteristica del punto dove avviene lo scambio di gas: a. HUB; b. REMI; c. AL CONFINE. Sulla base delle caratteristiche di cui sopra una classificazione semplificata è la seguente: CONTRATTI CHIUSI: contratti in cui è fissato a priori il prezzo e la quantità del gas oggetto del contratto CONTRATTI INTERMEDIATI: Hera Trading svolge il ruolo di Trader sul REMI; CONTRATTI DI SHIPPING: contratti di fornitura di gas naturale da parte dello Shipper al REMI TERMOELETTRICI: contratti di fornitura di gas naturale verso gestori di impianti termoelettrici, solitamente connessi direttamente alla rete di trasporto; DIRETTI: contratti di fornitura di gas naturale verso gestori di impianti direttamente connessi alla rete di trasporto, tipicamente grossi industriali; INCUMBENT: contratti di fornitura di gas naturale verso clienti finali allacciati ad una rete di distribuzione dove lo Shipper fornisce una quota predominante di tutta la clientela ivi presente; REMI IN FASE DI SVILUPPO COMMERCIALE: contratti di fornitura di gas naturale verso clienti finali allacciati ad una rete di distribuzione dove lo Shipper fornisce una quota minima di tutta la clientela ivi presente. 13
FORECAST VOLUMI GAS: PREVISIONE E SERIE STORICHE OBIETTIVO PREVISIONE CORRETTA E una previsione caratterizzata da un errore che la renda utilizzabile per gli SCOPIper cui è stata prodotta La previsione statistica si basa sull utilizzo di modelli statistici. Un sistema di previsione ha a che fare quindi con l individuazione di unmodello statistico e con la sua gestione e manutenzione STORICO DEL DISTRIBUTORE DICHIARAZIONE DEL CLIENTE FINALE ELABORAZIONI DELLA SOCIETA DI VENDITA PRODUZIONE DI UNA SERIE STORICA 14
SCELTA METODOLOGIA DIFORECASTING ANALISI della serie storica assumendo che i fattori che hanno influenzato l andamento della serie nel passato e nel presente continuino ad esercitare effetti analoghi anche nel futuro SCRITTURA DEL MODELLO e STIMA DEI PARAMETRI di MODELLO 2200 endogene finali con profondità media di un anno e mezzo (2200 x 10 considerando le endogene intermedie) trattate ogni giorno in 8 ore + elaborazione intermedia di 2 ore pomeridiana INFRASTRUTTURE HARDWARE PRECISIONE NECESSITA DI MONITORAGGIO COMPROMESSO TEMPO DI CALCOLO DIFFICOLTA DI CONTROLLO METODI DI REGRESSIONE LINEARE 15
FATTORI PER LA SCELTA DEL MODELLO DI FORECASTING Termicità del profilo Periodicità del profilo Frequenza di aggiornamento di dati di storico significativi Tipologia del cliente servito e prevedibilità del profilo Orizzonte temporale della previsione Eventuale eliminazione automatica delle variabili non significative dal sistema Esperienza e sensibilità della persona che scrive il modello GENERAZIONE DEL FORECAST IMPORTAZIONE DATI DI STORICO ANALISI DEL FORECAST RISPETTO ALLO STORICO Calcolo dell ERRORE DI PREVISIONE Calcolo del DISEQUILIBRIO EVENTUALE MODIFICA DEI PARAMETRI DI MODELLO 16
SCRITTURA DEL MODELLO: TERMICITA DISTRIBUZIONE CITTADINA: variabili meteo significative CLIENTE INDUSTRIALE 7 SU 7: variabili meteo non significative 17
SCRITTURA DEL MODELLO: PERIODICITA INDUSTRIALE 5 SU 7: variabili calendarialisettimanali non significative INDUSTRIALE 7 su 7 con profilo mensile: variabili calendarialisettimanali e festive non significative 18
SCRITTURA DEL MODELLO: PREVEDIBILITA INDUSTRIALI CON CONSUMI DIFFICILMENTE PREVEDIBILI 19
SCRITTURA DEL MODELLO: AUTOREGRESSIONE MODELLO STABILE MODELLO INSTABILE 20
SCRITTURA DEL MODELLO: CLUSTERIZZAZIONE AUMENTO PROGRESSIVO DELLA NUMEROSITA DEI PUNTI DI FORNITURA E necessario ridurre la complessità computazionale, i tempi di calcolo e il monitoraggio CLUSTERIZZAZIONE DEI MODELLI INCUMBENT DIRETTI TERMOELETTRICI REMI IN FASE DI SVILUPPO COMMERCIALE Modelli autoregressivi Utilizzo di variabili meteo Utilizzo di variabili calendariali Sfruttamento dei dati di allocato provvisorio Principalmente autoregressivi Utilizzo di variabili calendariali Sfruttamento dei dati di allocato provvisorio Si impone il forecast Modelli regressivi Limitato uso delle variabili meteo Utilizzo di variabili calendariali Non vengono sfruttati i dati di allocato provvisorio UTILIZZO DI MODELLI PIU SEMPLICI POSSIBILI AFFIANCAMENTO SISTEMA DI MONITORAGGIO DEI RISULTATI GESTIONE DIVERSIFICATA FORECAST DI LONG TERM E DI SHORT TERM 21
SCRITTURA DEL MODELLO: ORIZZONTE DI PREVISIONE Obiettivi SHORT TERM Ricercadella massima precisione sul singolo Giorno Gas per minimizzare lo sbilanciamento puntuale LONG TERM Fornire unavisione statistica stocastica di tipo «whatif» (cosa succede ai consumi se ) attraverso un approccio con scenari Ogni scenario ha un suo particolare significato e quindi un suo specifico obiettivo e deve essere verosimigliante ed attinente ad esso Output 1 solo dato di forecast Più dati di forecast Accorgimenti Forte autoregressività Massimo dettaglio possibile dei dati meteo Frequenza di aggiornamento massimo Autoregressività limitata Minore numero di variabili meteo usate Ricalcolo ad intervalli regolari 22
Sviluppi futuri per i modelli di previsione Modelli di previsione del prezzo del gas naturale: 1. Analisi delle correlazioni con i principali drivers lato domanda e offerta a. Livello di gas prodotto e importato all interno del sistema nazionale b. Consumi di gas naturale: termoelettrico, industriale e distribuzione c. Analisi delle temperature per contratti forward spot 2. Modelli che spiegano la variabilità del prezzo gas con l ausilio di variabili esogene, come: a. Modelli di regressione lineare dinamici b. Modelli autoregressivi a media mobile con variabili esogene (ARMAX) c. Altri strumenti econometrici, VAR (vector autoregressive), etc Modelli di previsione dei volumi di gas naturale 1. Metodi per modellare scenari di temperatura avendo a disposizione serie storiche con profondità limitata 2. Metodi per migliorare i modelli nei periodi spalla (aprile, ottobre) 23
Grazie per l attenzione Dott. Gaspare Campo gaspare.campo@gruppohera.it Dott.ssa Stefania Barbieri stefania.barbieri@gruppohera.it www.gruppohera.it 24