Análisis de Incertidumbre de Precios con Muestras MCMC Completas

Contexto empresarial

Una firma de trading de energía utiliza un modelo BART para predecir los precios spot de la electricidad. Para una gestión de riesgos avanzada, no solo necesitan la predicción promedio, sino la distribución completa de los posibles precios (las muestras MCMC). Esto les permite cuantificar la incertidumbre y calcular métricas como el 'Value at Risk' (VaR).

Sobre el conjunto : bart

Modelos de árboles de regresión aditiva bayesiana.

Descubrir todas las acciones de bart

Preparación de datos

Crea una tabla de gran volumen (`datos_precios_energia`) con 100,000 observaciones para simular un escenario de puntuación masiva. También se crea una tabla ficticia para el modelo.

¡Copiado!

1	DATA mycas.datos_precios_energia;
2	call streaminit(789);
3	DO i = 1 to 100000;
4	demanda_prevista = rand('NORMAL', 5000, 500);
5	gen_eolica = rand('NORMAL', 1000, 300);
6	precio_gas = rand('UNIFORM') * 10 + 2;
7	OUTPUT;
8	END;
9	RUN;
10
11	DATA mycas.modelo_energia_bart;
12	LENGTH _Value_ $ 200;
13	_Value_ = 'simulated_model_with_mcmc_samples';
14	OUTPUT;
15	RUN;

Étapes de réalisation

Puntuación del modelo solicitando todas las muestras MCMC (`avgOnly=false`). Se establece una semilla para reproducibilidad y se solicitan los límites de credibilidad al 99% (`alpha=0.01`).

¡Copiado!

1	PROC CAS;
2	bart.bartScore /
3	restore={name='modelo_energia_bart'},
4	TABLE={name='datos_precios_energia'},
5	casOut={name='precios_distribucion_completa', replace=true},
6	avgOnly=false,
7	alpha=0.01,
8	lcl='Precio_LCL99',
9	ucl='Precio_UCL99',
10	seed=1234;
11	RUN;
12	QUIT;

Verificación de la estructura de la tabla de salida. Se comprueba que la tabla de salida tiene un número de filas mucho mayor que la de entrada y que contiene una columna de índice de muestra (por ejemplo, `_SampleIndex_`).

¡Copiado!

1	PROC CAS;
2	TABLE.columnInfo / TABLE={name='precios_distribucion_completa'};
3	TABLE.numRows / TABLE={name='precios_distribucion_completa'};
4	RUN;
5	QUIT;

Resultado esperado

La tabla de salida `precios_distribucion_completa` contiene múltiples filas por cada observación de entrada, cada una correspondiendo a una predicción de una muestra MCMC diferente. Esto permite a los analistas construir una distribución de probabilidad completa para el precio de la energía, visualizar la incertidumbre y tomar decisiones de trading más robustas y basadas en el riesgo.

Voir la documentation technique de bartScore