Získajte výhody predplatného systému Chcem získať predplatné
Situácia na trhoch s energetickými komoditami sa dynamicky mení. Preto je nevyhnutné mať k dispozícii nástroje, ktoré umožnia nielen rozpoznať zmenu trhu, ale aj simulovať takéto situácie na trhu a posúdiť ich vplyv na obchodné portfólio.
Foto: Unsplash
Je možné efektívne simulovať vývoj cien na burzách s energetickými komoditami? Ceny energetických komodít na burzách so sebou prinášajú značnú volatilitu. Obchodovanie s nimi preto okrem možnosti zarobiť, prináša aj značné riziká.
Subjekty, ktoré obchodovanie s energetickými komoditami berú vážne a majú kvalifikovaných portfólio manažérovsi dané riziká veľmi dobre uvedomujú. Na podporu rozhodovania a riadenia rizika preto využívajú expertné nástroje a systémy, ktoré im prinášajú dôležité informácie o dianí na burzách.
Simulácia vývoja na burzách spolu s vyhodnocovaním rôznych budúcich situácií a ich vplyvu na obchodné portfólio patria medzi kľúčové činnosti pre podporu obchodných rozhodnutí. Vzhľadom na komplexnosť daných procesom a informácií, väčšina spoločností na obchodovanie a risk manažment využíva ETRM (Energy Trading Risk Management) informačný systém.
Obchodníci pri analýze možných dopadov trhových zmien na ich portfólio vykonávajú vo všeobecnosti dve skupiny úloh:
V tomto texte sa zameriavame na odbornú štúdiu jednej z možností, ako dané úlohy podporiť spojením expertízy z oblastí IT, finančnej matematiky a energetiky. Konkrétne ide o implementáciu princípov matematickej simulácie Monte-Carlo do IT infraštruktúry venovanej obchodovaniu s energetickými komoditami.
Spomínaná kombinácia umožní v krátkom čase simulovať tisícky možných scenárov vývoja trhu a identifikovať tak možné rizika štruktúry portfólia, alebo kvantifikovať rôzne stratégie pôsobenia na trhu…
Názov simulácie nie je náhodný. Rovnako ako v kasíne sa pri simulácií pracuje s náhodným prvkom podobným „hádzaniu kocky“.
Pre potreby štúdie však nešlo o náhodné generovanie čísla 1 až 6, ale o generovanie popisu trhu a iných vonkajších premenných. Ide o premenné, ktoré majú významný vplyv na skúmané portfólio, ale zároveň ich nie je možné s dostatočnou presnosťou vopred určiť.
Základný princíp simulácie je jednoduchý a pozostáva z 5 základných krokov:
Kroky 2. až 3. sa zrealizujú opakovane požadovaný počet krát.
Typickým výsledkom celej simuláciebýva hľadaný kvantil spoločnej množiny, teda hodnota, ktorá predstavuje medznú hodnotu medzi akceptovateľnými a neakceptovateľnými výsledkami na prípustnej miere akceptovateľnosti rizika. Tiež je zaujímavé poznanie štatistického rozdelenia reakcie portfólia na vývoj trhu, alebo jeho citlivosť na zmenu trhového prostredia.
Nemenej zaujímavým využitím takéhoto mechanizmu analýzy portfólia je hľadanie odpovedí na otázky typu:
Odpovede na tieto otázky sú tiež doménou vhodne navrhnutej, implementovanej a pripravenej Monte-Carlo simulácie.
Vychádzajúc z vyššie popísaných očakávaní sa kladú na implementáciu Monte-Carlo simulácie nasledovné základné požiadavky:
Popri týchto technických požiadavkách sa priam vnucuje požiadavka na cielene modelovaný vývoj trhu s pozmenenými parametrami simulácie. Takáto možnosť poskytuje nástroj na vykonanie tzv. What-If analýzy, kedy sa sleduje vývoj za predpokladu, že niektoré parametre sú fixné, alebo inak cielene nastavené, aby definovali želané trhové podmienky.
Monte-Carlo simulácia je výpočet, ktorý býva časovo náročný a preto je vhodné, aby proces pracoval nezávisle od ostatných aplikácií. Najčastejšie sa jedná o proces, ktorý je spustený na serveri nezávisle odďalších aktivít ostatných aplikácií.
Aplikácia pre obchodovanie s komoditami a riadenie rizík (ETRM), ktorá tento výpočet zastrešuje,používa simuláciu Monte-Carlo tak, žeposkytne potrebné údaje pre výpočet požadovaných štatistík, ktoré kalkuluje Monte-Carlo samostatne.
Z dôvodu nezávislosti simulácie od okolitých aplikácií je potrebné definovať rozhranie, ktorým dáta z ETRM systému budú vstupovať do simulácií a opačne, ktorým sa výsledky simulácií odovzdajú ETRMsystému.
Zjednodušene sa dá povedať, že Monte-Carlo simulácia je mnohonásobné zopakovanie toho istého výpočtu, kde jednotlivé opakovania na sebe nie sú závislé. To priamo vedie ku myšlienke, že tieto výpočty môžu byť spustené paralelne vo viacvláknovom prostredí.
Vhodne navrhnutý systém berie tento fakt do úvahy už pri návrhu svojej architektúry a jednoduché pridanie dostupných systémových prostriedkov (pamäte a dostupných výpočtových vlákien) umožní bez ďalšieho zásahu zvýšiť rýchlosť výpočtu.
Napríklad jednou z možností ako znížiť veľké množstvo dát, ktoré je potrebné na záver spoločne spracovať a vyhodnotiť je metodika, kedy sa neodkladajú dáta tak ako boli nasimulované, ale skôr vo forme agregátu, tak aby sa nestratila štatisticky významná informácia potrebná pre finálny výsledok.
Koncept Monte-Carlo simulácie je pomerne všeobecný a používa sa vo veľkom množstve aplikácií v rôznych oblastiach. Aj v rámci aplikácií pre energetiku a riadenie rizíkje viacero oblastí, kde sa takýto prístup ku analýze môže efektívne použiť.
Každá z týchto aplikácií však pracuje s iným druhom dát a iným spôsobom výpočtu a preto je vhodné, ak sa základný rámec Monte-Carlo simulácie navrhuje ako modulárny systém s dodatočnou možnosťou doplnenia nových modulov bez nutného zásahu do jadra simulácie.
Podľa použitia môžeme simulačné moduly rozdeliť na tri typy:
Moduly modelujúce správanie simulovaných veličín modelujú správanie trhu, alebo výskyt náhodnej udalosti pričomsa výpočty realizujú na tzv. nakalibrovanom modeli podľa vstupných dát. Totonastavenie jefixné v priebehu celej simulácie a platí pre všetky simulujúce procesy.
Foto: Pixabay

Moduly realizujúce výpočet rizikového indikátora obsahujú výpočet sledovanej veličiny (napríklad Value at Risk, Credit at Risk, Profit at Risk a pod.). V rámci ich výpočtu sa jedná o pasívne spočítanie ukazovateľa a odloženie si jeho hodnoty na záverečné vyhodnotenie a žiadnym spôsobom neovplyvňujú štruktúru dát, ktoré sú inicializované v rámci simulácie.
Moduly reprezentujúce správanie podľa definovaných pravidiel, na rozdiel od výpočtových modulov, realizujú zmenu dátovej štruktúry na základe definovaných pravidiel, čo následne môže ovplyvniť priebeh simulácie alebo výpočtové moduly. Príkladom takéhoto modulu sú:
V rámci realizácie simulácie je potom potrebné, aby sa moduly spúšťali v príslušnom poradí, tak aby to zodpovedalo skutočnosti a rizikové ukazovatele sa počítali na aktualizovaných dátach. Dôležitým aspektom implementácie modulov je ich zapúzdrenosť, čo v praxi znamená, že daná implementácia realizuje všetky operácie vo svojej réžii.
Foto: Unsplash

Simulácia ako jeden z výpočtov, s ktorými oddelenia riadenia rizík pracujú sa na záver musí integrovať do ETRM riešenia, tak aby mohli byť plne využité všetky benefity.
V rámci automatických procesov v ETRM systémoch sú zvyčajne dáta vhodné pre simuláciu k dispozícii ku koncu obchodného dňa prípadne aj v reálnom čase v priebehu dňa. Obyčajne sa jedná o spočítanú štruktúru obchodnej pozície, importované trhové ceny a podobne.
V rámci konfigurácie užívateľ môže nastaviť viacero rôznych výpočtov v rôznych konfiguráciách a mal by mať možnosť zadefinovať:
Samotný výpočet potom pozostáva z troch fáz:

Vo fáze identifikácie a prípravy dát jednotlivé moduly zrealizujú analýzu svojich nastavení a vykonajú prípravné výpočty a algoritmy, ktorých cieľom je príprava vstupných dát pre simuláciu a identifikácia rizikových trhových faktorov, ktoré podliehajú simulácii.
Tieto informácie sa zozbierajú zo všetkých modulov a vytvoria tak definíciu trhu, ktorý sa bude simulovať. Dôležité je zameranie simulácií na premenné, ktoré majú vplyv na trhovú situáciu.
Výsledkom bude množina trhových veličín pre simuláciu trhu a modulové dáta potrebné pre výpočet štatistík modulu. Jeden modul môže byť v rámci jednej simulácie použitý v rôznych nastaveniach aj viacej krát (napr. výpočet VaR pre rôzne trhy).
Vo fáze simulácie sa dáta odsimulujú a pripraví sa výstup, ktorý savo fáze spracovania uloží do ETRM v rámci jeho dátových štruktúr a procesov. Každý modul si tieto dáta spracuje vlastnou logikou a zabezpečí správne uloženie dát.
Komunikácia, resp. predávanie si dát, medzi jednotlivými fázami je vhodné realizovať formou perzistentných dát, čo umožní ich nezávislé spúšťanie a možnosť zavedenia what-if analýzy.
Vzhľadom na takýto druh integrácie je potrebné, aby pojem modul, prechádzal naprieč jednotlivými časťami ETRM systému, pričom musí mať svoju implementáciu pre každú časť výpočtu. V praxi to znamená, že okrem implementácie modulu, ktorá beží v rámci samotnej simulácie sa musí pre potreby konkrétneho ETRM implementovať funkcionalita, ktorá pozostáva z implementácie:
Celý proces prípravy dát, výpočtu a spracovania výsledkov môže trvať niekoľko desiatok minút a pre zložitejšie simulácie aj hodiny.
Po ukončení prvej fázy výpočtu (príprava dát), ktorá môže trvať aj dlhšiu dobu, sú známe všetky premenné, ktoré podliehajú simulácii aponúka sa priestor na manuálne nastavenie niektorých parametrov, za účelom tzv. what-if analýzy, kedy si užívateľ kladie otázku, ako by dopadol výsledok simulácie, ak na trhu predpokladám nejaký scenár vývoja. Takýto scenár môže simulovať:
Aby bolo toto možné zadefinovať, priebeh simulácie musí byť zastavený dovtedy, pokiaľ užívateľ svoje zmeny nepotvrdí a až potom sa môže spustiť samotný výpočet.
Zároveň je potrebné brať do úvahy aj situácie, kedy je požadované spustiť viacero simulácii súčasne a neobmedzovať užívateľa tým, že práve beží skôr spustená simulácia a je potrebné čakať.
Tieto komplikácie sa dajú ľahko odstrániť v prípade, keď je výpočet separovaný do troch samostatných blokov. Ich spúšťanie riadi dispečerský mechanizmus, ktorý realizuje spúšťanie jednotlivých fáz výpočtov:
Takýto mechanizmus riadenia Monte-Carlo simulácie má viacero výhod:
Ideálnym riešením je plná integrácia do firemného ETRM, kde má užívateľ k dispozícii všetky dáta pre vstupy a zároveň i dátové štruktúry pre výstupy simulácie.
Ak takéto riešenie nie je možné, alebo jeho implementácia je príliš náročná, tak pri vhodne zvolenej architektúre je možné realizovať aj prístup prostredníctvom externých nástrojov, čo však vyžaduje na strane užívateľa, resp. ETRM systému, generovať vstupy v presne definovanej podobe, ktoré sa cez vytvorený kanál transformujú do štruktúr pre simuláciu a opačne výsledky transformuje z výstupných štruktúr do užívateľovi akceptovateľného formátu.
Situácia na trhoch, kde sa realizuje obchod s energetickými komoditami sa rýchlo a dynamicky mení a tieto zmeny môžu mať ako pozitívny tak aj negatívny dopad na obchodné portfólio spoločností, ktoré obchodujú s energetickými komoditami.
Preto je nevyhnutné mať k dispozícii nástroje, ktoré umožnia nielen rozpoznať zmenu trhu s vysokou volatilitou, ale aj simulovať takéto situácie na trhu a posúdiť ich vplyv na obchodné portfólio.
Práve simulácia metódou Monte-Carlo je užitočný nástroj v rukách manažéra rizík, ktorý takéto možnosti poskytuje.Zavedenie nástroja do firemných procesov môže pomôcť včas identifikovať slabé miesta v obchodnej stratégii a tým vytvorí priestor na včasné a správne zásahy do obchodnej stratégie.
Ako bolo ukázané vyššie simuláciu Monte-Carlo je možné používať viacerými spôsobmi a aj množstvo nastaviteľných parametrov ovplyvňuje jej efektivitu, presnosť a rýchlosť. Preto pre využitie benefitov, ktoré táto metóda poskytuje je rozhodujúca vhodná systémová architektúra, efektívna SW implementácia a správne používanie simulácie Monte-Carlo.
Dosiahnuté výsledky (publikácia, patent, ochrana priemyselného vlastníctva, iná aktivita) vznikli v rámci riešenia projektu „Pokročilé nástroje pre zber a spracovanie údajov pre predikciu spotreby elektrickej energie lokálneho distribučného systému“, ktorý je podporovaný Ministerstvom školstva, vedy, výskumu a športu SR v rámci poskytnutých stimulov pre výskum a vývoj zo štátneho rozpočtu v zmysle zákona č. 185/2009 Z. z. o stimuloch pre výskum a vývoj.
Referencie:
[1] Katarína Bachratá, Martin Klimo: ProcessAnalysis, EDIS, Žilina, 2008, ISBN: 978-80-554-0061-7.
[2] AthanasiosPapoulis: Probability, RandomVariables, and StochasticProcesses, McGraw-Hill, Inc., International, 1991.
[3] Milan Mikola, Viliam Chvál: Lineárna algebra, Katolícka univerzita v Ružomberku, 2000, ISBN 80-89039-00-6.
[4] Gönül AYRANCI, Banu ÖZGÜREL: Monte Carlo SimulationforVasicekInterest Rate Model Parameters, DigitalProceeding Of The ISDS’2014 – , Side, Turkey, May 10 – 14, 2014, Prevzaté z: https://www.researchgate.net/publication/275823417
[5] JoelJohansson, Anton Engblom: Modelsfor Credit Risk in StaticPortfolios, University of Gothenburg, School of Business, Economics and Law, Department of Economics and Statistics, BachelorThesis, 2015, Prevzaté z: https://gupea.ub.gu.se/bitstream/2077/39750/1/gupea_2077_39750_1.pdf
[6] Thijs van den Berg: Calibrating the Ornstein-Uhlenbeck (Vasicek) model, 28.05. 2011, Prevzaté z: https://www.statisticshowto.com/wp-content/uploads/2016/01/Calibrating-the-Ornstein.pdf
PR článok spoločnosti IPESOFT spol. s.r.o.
© PROPERTY & ENVIRONMENT s. r. o. Autorské práva sú vyhradené a vykonáva ich vydavateľ.
Táto funkcia zabraňuje robotom pridávať neadekvátne príspevky. Zadajte prosím overovací kód, ktorý je výsledkom uvedeného vzorca.
Pozývame Vás na diskusný klub, ktorý sa bude konať dňa 29. novembra 2022 od 18:00 hod. v Pálffyho paláci na Zámockej ulici 47 v Bratislave.
Budúca zima bude z pohľadu plynárenstva oveľa náročnejšia než tá súčasná, vyhlásil na konferencii minister Hirman.
Spoločnosť EKOS PLUS pozýva na 6. ročník konferencie, ktorá sa uskutoční na začiatku decembra v Bratislave.
Zadajte váš e-mail a my Vám budeme zasielať len najdôležitejšie informácie. (max. 1 x týždenne)
24. novembra 2022
Portál efocus.sk pripravuje ďalší ročník konferencie smart metering/smart grid, ktorá sa uskutoční hybridnou prezenčno-virtuálnou formou.
ISSN 1338-5933 | Politika používania cookies | Predplatné | Inzercia | Kontakt
© 2009 – 2020 Property & Enviroment s.r.o. | Programmingframer.sk | Webdesign, PPCNetsuccess.sk

source