Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Οικονομικών Επιστημών / School of Economics Τμήμα Οικονομικής Επιστήμης / Department of Economics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Assessing the economic impact of Russian war in energy sector

Εναλλακτικός τίτλος :	Εκτίμηση των οικονομικών επιπτώσεων του ρωσικού πολέμου στον τομέα της ενέργειας

Δημιουργός :	Φασούλας, Γεώργιος Fasoulas, Georgios

Συντελεστής :	Vrontos, Ioannis (Επιβλέπων καθηγητής) Tzavalis, Elias (Εξεταστής) Dendramis, Yiannis (Εξεταστής) Athens University of Economics and Business, Department of Economics (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	78p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10026

Περίληψη :	Μετά την εποχή του covid-19 και τον πόλεμο μεταξύ Ρωσίας και Ουκρανίας, ο ενεργειακός κλάδος και ειδικά η τιμή της ηλεκτρικής ενέργειας έχει απασχολήσει πολλούς ερευνητές ανά τον κόσμο. Όλος ο κόσμος είχε την αγωνία να δει που θα φτάσουν οι τιμές, διότι δεν μπορούσαν να ανταπεξέλθουν οικονομικά. Ειδικά όταν η Ρωσία αποφάσισε να αναστείλει τις παραδόσεις φυσικού αερίου προς ορισμένα κράτη μέλη της ΕΕ αυξήθηκε η τιμή του φυσικού αερίου με αποτέλεσμα οι τιμές της ηλεκτρικής ενέργειας να ανέβουν σε υψηλά επίπεδα. Συνέπεια της αύξησης αυτής ήταν να αυξηθεί και ο πληθωρισμός. Ο σκοπός αυτής της εργασίας είναι να φτιάξουμε στατιστικά μοντέλα και μοντέλα μηχανικής μάθησης έτσι ώστε να προβλέψουμε την τιμή της ηλεκτρικής ενέργειας της επόμενης μέρας και της επόμενης εβδομάδας για την Ελλάδα, την Ισπανία και την Σουηδία. Αρχικά αναφέρονται κάποιες πληροφορίες σχετικά με τον κλάδο της ενέργειας, της αγορές ηλεκτρικής ενέργειας και στο πως φτάσαμε σήμερα στο να είναι οι τιμές σε πολλά υψηλά επίπεδα σε σχέση με προηγούμενα έτη. Στην συνέχεια, θα δούμε την βιβλιογραφία, όπου αναφέρονται τα μοντέλα και οι τεχνικές που έχουν χρησιμοποιηθεί για την πρόβλεψη και την μοντελοποίηση της τιμής. Είναι σημαντικό να αναφερθεί ότι η θεωρία είναι ένα πολύ σημαντικό και αναπόσπαστο μέρος για να μπορέσουμε να προχωρήσουμε στην ανάλυση. Οπότε, μετά την αναφορά στην βιβλιογραφία περιγράφεται η οικονομετρική θεωρία, τα μοντέλα και οι τεχνικές ανάλυσης δεδομένων που χρησιμοποιήθηκαν και άλλες. Επιπρόσθετα, δεν θα μπορούσαμε να παραλείψουμε την θεωρία πρόβλεψης και τις κατάλληλες τεχνικές για να κάνουμε πρόβλεψη για κάθε μοντέλο έτσι ώστε να έχουμε το μικρότερο δυνατό σφάλμα εκτίμησης. Πριν κλείσουμε, ένα από τα σημαντικότερα κομμάτια της έρευνας αυτής είναι η εμπειρική ανάλυση, όπου αναλύονται τα δεδομένα που χρησιμοποιήσαμε, και τα δύο μοντέλα που καταλήξαμε ότι είναι κατάλληλα για την πρόβλεψη της ηλεκτρικής ενέργειας στην Ελλάδα, Ισπανία και Σουηδία. Αυτά τα δύο μοντέλα είναι τα ARMA(14, 14) – GARCH(1, 1) και Random Forest. Τελευταίο αλλά εξίσου σημαντικό, έχουμε τα συμπεράσματα, όπου θα δούμε ότι το μοντέλο ARMA(14, 14) – GARCH(1, 1) έχει καλύτερη προβλεπτική ικανότητα στις περισσότερες περιπτώσεις, αλλά και την αρνητική – θετική επίδραση που είχε ο πόλεμος μεταξύ Ρωσίας και Ουκρανίας στην παγκόσμια οικονομία αλλά κυρίως στις χώρες που αναλύσαμε Since the covid – 19 era and the war between Russia and Ukraine, the energy sector and especially the electricity prices have been of interest to many researchers around the world. The whole world was anxious to see where the prices would go, because they couldn’t afford it. Especially when Russia decided to suspend gas deliveries to some EU countries, the price of gas was increased, causing electricity prices to skyrocket. After all, the consequence of this rise, was that inflation also increased. Therefore, the purpose of this research is to develop statistical and machine learning models to predict the price of electricity for the next day and the next week for Greece, Spain and Sweden. Initially, some information is referred, about the energy sector, the electricity markets and how we have reached today that prices are much higher than in previous years. Consequently, we write about the literature, which models and methodologies have been used for the prediction and the modelling of electricity price. Another crucial part of this thesis, is the econometric theory which is integral part of the analysis in order to proceed with the research. So, after the bibliographic survey, we describe the models and the data analysis techniques which used and others as well. In addition, we could not omit the theory of forecasting and the appropriate techniques to make a prediction for each model in order to obtain the smallest possible estimation error. Furthermore, the empirical analysis could not be missing. We analyze the data we used and the two models we have found to be suitable for electricity forecasting in Greece, Spain and Sweden. These two models are the ARMA (14, 14) – GARCH (1, 1) and the Random Forest. Last but not least, in conclusions, we will not only see that ARMA(14, 14) – GARCH(1, 1) model has better predictive ability in most cases, but also the positive and mainly negative impact that the war between Russia and Ukraine had on the European economy and more specifically in Greece, Spain and Sweden.

Περίληψη :

Μετά την εποχή του covid-19 και τον πόλεμο μεταξύ Ρωσίας και Ουκρανίας, ο ενεργειακός κλάδος και ειδικά η τιμή της ηλεκτρικής ενέργειας έχει απασχολήσει πολλούς ερευνητές ανά τον κόσμο. Όλος ο κόσμος είχε την αγωνία να δει που θα φτάσουν οι τιμές, διότι δεν μπορούσαν να ανταπεξέλθουν οικονομικά. Ειδικά όταν η Ρωσία αποφάσισε να αναστείλει τις παραδόσεις φυσικού αερίου προς ορισμένα κράτη μέλη της ΕΕ αυξήθηκε η τιμή του φυσικού αερίου με αποτέλεσμα οι τιμές της ηλεκτρικής ενέργειας να ανέβουν σε υψηλά επίπεδα. Συνέπεια της αύξησης αυτής ήταν να αυξηθεί και ο πληθωρισμός. Ο σκοπός αυτής της εργασίας είναι να φτιάξουμε στατιστικά μοντέλα και μοντέλα μηχανικής μάθησης έτσι ώστε να προβλέψουμε την τιμή της ηλεκτρικής ενέργειας της επόμενης μέρας και της επόμενης εβδομάδας για την Ελλάδα, την Ισπανία και την Σουηδία. Αρχικά αναφέρονται κάποιες πληροφορίες σχετικά με τον κλάδο της ενέργειας, της αγορές ηλεκτρικής ενέργειας και στο πως φτάσαμε σήμερα στο να είναι οι τιμές σε πολλά υψηλά επίπεδα σε σχέση με προηγούμενα έτη. Στην συνέχεια, θα δούμε την βιβλιογραφία, όπου αναφέρονται τα μοντέλα και οι τεχνικές που έχουν χρησιμοποιηθεί για την πρόβλεψη και την μοντελοποίηση της τιμής. Είναι σημαντικό να αναφερθεί ότι η θεωρία είναι ένα πολύ σημαντικό και αναπόσπαστο μέρος για να μπορέσουμε να προχωρήσουμε στην ανάλυση. Οπότε, μετά την αναφορά στην βιβλιογραφία περιγράφεται η οικονομετρική θεωρία, τα μοντέλα και οι τεχνικές ανάλυσης δεδομένων που χρησιμοποιήθηκαν και άλλες. Επιπρόσθετα, δεν θα μπορούσαμε να παραλείψουμε την θεωρία πρόβλεψης και τις κατάλληλες τεχνικές για να κάνουμε πρόβλεψη για κάθε μοντέλο έτσι ώστε να έχουμε το μικρότερο δυνατό σφάλμα εκτίμησης. Πριν κλείσουμε, ένα από τα σημαντικότερα κομμάτια της έρευνας αυτής είναι η εμπειρική ανάλυση, όπου αναλύονται τα δεδομένα που χρησιμοποιήσαμε, και τα δύο μοντέλα που καταλήξαμε ότι είναι κατάλληλα για την πρόβλεψη της ηλεκτρικής ενέργειας στην Ελλάδα, Ισπανία και Σουηδία. Αυτά τα δύο μοντέλα είναι τα ARMA(14, 14) – GARCH(1, 1) και Random Forest. Τελευταίο αλλά εξίσου σημαντικό, έχουμε τα συμπεράσματα, όπου θα δούμε ότι το μοντέλο ARMA(14, 14) – GARCH(1, 1) έχει καλύτερη προβλεπτική ικανότητα στις περισσότερες περιπτώσεις, αλλά και την αρνητική – θετική επίδραση που είχε ο πόλεμος μεταξύ Ρωσίας και Ουκρανίας στην παγκόσμια οικονομία αλλά κυρίως στις χώρες που αναλύσαμε
Since the covid – 19 era and the war between Russia and Ukraine, the energy sector and especially the electricity prices have been of interest to many researchers around the world. The whole world was anxious to see where the prices would go, because they couldn’t afford it. Especially when Russia decided to suspend gas deliveries to some EU countries, the price of gas was increased, causing electricity prices to skyrocket. After all, the consequence of this rise, was that inflation also increased. Therefore, the purpose of this research is to develop statistical and machine learning models to predict the price of electricity for the next day and the next week for Greece, Spain and Sweden. Initially, some information is referred, about the energy sector, the electricity markets and how we have reached today that prices are much higher than in previous years. Consequently, we write about the literature, which models and methodologies have been used for the prediction and the modelling of electricity price. Another crucial part of this thesis, is the econometric theory which is integral part of the analysis in order to proceed with the research. So, after the bibliographic survey, we describe the models and the data analysis techniques which used and others as well. In addition, we could not omit the theory of forecasting and the appropriate techniques to make a prediction for each model in order to obtain the smallest possible estimation error. Furthermore, the empirical analysis could not be missing. We analyze the data we used and the two models we have found to be suitable for electricity forecasting in Greece, Spain and Sweden. These two models are the ARMA (14, 14) – GARCH (1, 1) and the Random Forest. Last but not least, in conclusions, we will not only see that ARMA(14, 14) – GARCH(1, 1) model has better predictive ability in most cases, but also the positive and mainly negative impact that the war between Russia and Ukraine had on the European economy and more specifically in Greece, Spain and Sweden.

Λέξη κλειδί :	Πρόβλεψη τιμής ηλεκτρικής ενέργειας Ανάλυση χρονοσειρών Μοντελοποίηση Αγορά ηλεκτρικής ενέργειας Πρόβλεψη χρονοσειρών Electricity price forecasting Time series analysis Modelling Electricity market Time series forecasting

Διαθέσιμο από :	2023-02-10 00:21:33

Ημερομηνία έκδοσης :	09-02-2023

Ημερομηνία κατάθεσης :	2023-02-10 00:21:33

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Fasoulas_2023.pdf

Τύπος: application/pdf

Είσοδος