Analisi e previsione del prezzo spot dell’energia: tecniche di machine learning e modelli econometrici applicati al mercato svizzero nel contesto europeo = Analysis and forecasting of energy spot price: techniques of machine learning and econometric model applied to Swiss market in the European context

Questa tesi si propone l’obiettivo di effettuare l’analisi e la previsione del prezzo spot dell’energia elettrica studiando, in particolare, il caso del mercato svizzero. Questa indagine è di particolare rilevanza dal momento che, in Europa, il settore energetico, a seguito della liberalizzazione avvenuta negli anni ’90, è in continuo mutamento e fortemente competitivo. Questi cambiamenti, avvenuti per adempiere alla necessità di minimizzare i prezzi dell’energia, hanno avuto come conseguenza una maggiore omogeneizzazione e regolamentazione a livello Europeo e hanno condotto alla nascita, pressoché spontanea, della Borsa Elettrica. Questo innovativo strumento, attorno al quale ruotano ingenti profitti di numerose aziende, ha reso di fondamentale importanza disporre dei più precisi modelli di previsione che acquisiscono ancora maggiore importanza se introdotti in mercati nei quali il numero delle transazioni risulta esiguo, per cui i prezzi che emergono non incorporano una quantità sufficiente di informazioni per essere considerati efficienti. Il prezzo svizzero risulta essere molto sfidante da prevedere dato che, essendo la Svizzera un Paese di transito dell’energia, esso dipende maggiormente dai prezzi confinanti rispetto a quanto incida l’offerta installata in loco; l’Italia inoltre conduce un’intensa attività di cross-border trading con la Confederazione Elvetica. In queste pagine sono descritti gli elementi di complessità del funzionamento di questo tipo di mercato e i due diversi approcci che sono stati adottati nel corso dello studio: il più tradizionale lavora con i prezzi giornalieri in termini di serie storica e applica modelli lineari autoregressivi; il secondo, noto come machine learning, è utilizzato per tenere conto anche della componente non lineare dei dati ed è basato sull’intelligenza artificiale. In questo lavoro si è scelto di seguire entrambe le strade e di valutare quale fosse la migliore in termini di errori previsionali e di grado di accuratezza.