Carbon price forecasting

Abstract

In last twenty years great improvements occurred both in technological advances and in the world economic capacity. The total production capacity of countries has been increasing rapidly. These increases need great usage of energy. For that reason, prices of energy related products are very important as they dramatically affect company budgets. Energy budgets get a great deal in total budget of companies and countries. A unit increase in an energy related product can severely affect the budget. The carbon price is one of those products. Besides carbon prices, carbon usage also affects global environment so its price also has an impact on global temperature. To forecast future carbon price different machine learning methods are used. In literature, support vector machines (SVM) [1, 2, 3], random forest (RF) [4, 5], artificial neural networks (ANN) [6, 7, 8] and Auto Regressive Moving Average (ARMA) [9] are commonly used methods. All these methods have pros and cons over the others. In this project, we also apply different machine learning methods, ANN, SVM, RF, Lasso Regression (LG)[11] and Ridge Regression (RR) [10] to forecast the carbon price over time, and give an explanation for future price movements. Then, we compare those five models by analyzing model validation methods. Finally, we choose the best model for further experiments. We have four data types: daily carbon price (CP), electricity price (EP), natural gas price (NG) and coal price (COP) that cover the period of 2009 and 2017. Prices are provided in different currencies. First of all, we work on the data to have all prices in the same currency. We completely eliminate null data. Then, graphically we investigate overall trend by smoothing the data. For analyzing data, we look for daily, monthly, yearly and seasonally time scales. For every weekday or weekends in train data set we keep a day in test data set so that we can keep the time effect in our model. After the data management process, we apply different forecasting methods to explain future carbon price tendencies.

Son yirmi yılda dünya ekonomisi çok hızlı gelişti. Hızlı teknolojik ilerleme ve ülke ekonomilerinin hızlı bir şekilde artışı kullanılan ve ihtiyaç duyulan enerji miktarını arttırdı. Bütün ülkeler ve şirketler geleceklerini görmek için muhasebe yapmak zorundadırlar. Enerji için ayrılan bütçe ülkelerin ve şirketlerin yaptığı muhasebenin büyük bir kısmını tutmaktadır. Enerji kaynak fiyatlarındaki küçük bir artış şirketleri ve ülkeleri ciddi bir şekilde etkileyebilir. Karbon, enerjiye girdi olarak kullanılan maddelerden biridir ve karbon fiyatındaki artış bütçeleri etkileyebilir. Değişik enerji kaynaklarındaki fiyat değişimlerini tahmin etmek şirketlerin bütçesini sağlıklı bir şekilde yapmalarına yardımcı olur. Enerji fiyatları dışında, karbon kullanımı küresel ısınmayı etkileyen faktörlerden biridir. Karbon fiyat öngörüsü için çeşitli makine öğrenimi metotları kullanılmaktadır. Değişik akademik makaleleri incelediğimizde en çok kullanılan metotlar: Destek Vektör Makinası (SVM) [1],[2],[3], Rassal Orman (RF)[4],[5] ve Yapay Sinir Ağları (ANN)[6],[7],[8] dır. Bunlara ek olarak Autoregressif Kayan Ortalama (ARMA)[9] da oldukça sık kullanılan yöntemlerden biridir. Bu tekniklerin diğerlerine göre avantaj ve dezavantajları vardır. Bazı veri setlerinde bu yöntemlerden biri çok iyi sonuç verirken bazılarında beklenen sonuçları vermemektedir. Bu projede de karbon fiyat öngörüsü için ANN, RF, SVM, Ridge Regresyonu (RR) [10] ve Lasso Regresyonu (LR)[11] kullanılacaktır. Çalışma boyunca oluşturulacak test ve eğitim veri setleri ile değişik metotlar ile en iyi modeli bulmaya çalışacağız. Daha sonra değişik model tasdik yöntemleri ile en iyi model seçilecektir. Çalışmada kullanacağımız veri kümelerinde ilgili gün ve o güne ait karbon, elektrik, doğal gaz ve kömür fiyatı bulunmaktadır. Veriler 2009 - 2017 yılları arasını kapsamaktadır. İlk iş olarak bütün verileri ortak bir para biriminde tutmamız gerekmektedir. Buna ek olarak iyi bir tahminlime yapabilmek için zamana göre çalışma yapılmalıdır. Günlük, Haftalık, aylık, dönemsel ve yıllık çalışmalar yapılacaktır. Hafta içi ve hafta sonu fiyat değişimlerini ölçmek için test ve eğitim veri setleri bu iki gün tipinde tutacak şekilde ayarlanacaktır. Sonrasında modeller çalıştırılarak en iyi sonuç veren model seçilecektir.