Académique Documents
Professionnel Documents
Culture Documents
Director de Tesis
ii
iii
iv
AGRADECIMIENTOS
El autor desea agradecer a las siguientes personas y entidades que fueron un soporte importante
para el desarrollo exitso de esta tesis:
Al prof. Isaac Dyner, Director de esta investigacin, por su paciencia y apoyo, y lo acertado de
sus directrices y recomendaciones.
Al prof. Reinaldo Castro Souza, miembro del Comit Doctoral, y que actu como orientador
durante la pasanta doctoral en la PUC
A EULAFER por su valioso programa de intercambio de estudiantes de doctorado, del cual fui
el ltimo participante.
A la Pontificia Universidade Catlica (PUC) do Rio de Janeiro por las oportunidades brindadas
durante la pasanta doctoral
A los miembros del comit evaluador por sus aportes, no solo durante la elaboracin de esta
investigacin, sino durante toda mi formacin acadmica.
A mis compaeros y colegas de la Escuela de Sistemas por su constante apoyo.
A todas aquellas otras personas, que por razones de espacio no menciono, pero que han sido un
apoyo durante el desarrollo de esta investigacin.
vi
RESUMEN
Con la llegada de los procesos de privatizacin y desrregulacin en las dcadas de los 80s y los 90s, los
sectores elctricos en el mundo han sufrido grandes y profundos cambios que han afectado las labores
de generacin, transmisin, distribucin y comercializacin. En este nuevo ambiente competitivo,
el pronstico de los precios de la electricidad se ha convertido en un insumo fundamental en los
procesos decisorios, tanto operativos como estratgicos, que realizan los agentes. No obstante, los
mtodos tradicionalmente usados para determinar el comportamiento de los precios de electricidad
no pueden ser usados directamente, ya que el esquema de libre competencia invalida algunos de los
supuestos fundamentales en que dichas tcnicas estn basadas. Las caractersticas propias de cada
mercado, relacionadas con la oferta, la demanda y la regulacin as como los precios mismos, le dan
una identidad nica, de tal forma, que se hace imposible desarrollar aproximaciones generalistas
que puedan ser usadas en cualquier situacin. En esta tesis se investigan los problemas que surgen
al intentar predecir los precios de la electricidad en los submercados de excedentes para sistemas
que tienen como una de sus principales caractersticas una componente hidrulica predominante;
se revisan las principales aproximaciones que podran utilizarse para abordar este problema de
investigacin; finalmente, se profundiza en el uso de las herramientas propias del anlisis y prediccin
de series temporales, as como tambin, en la simulacin de sistemas.
La investigacin desarrollada muestra que existen vacos metodolgicos que surgen debido a que:
Cada mercado presenta particularidades relacionadas con su industria elctrica, la demanda de
electricidad, y los aspectos regulatorios que rigen el mercado; por ello, es imposible generar
aproximaciones generales que puedan ser usadas en cualquier mercado.
Los mtodos de modelado y prediccin son de corte general, y no tienen en cuenta las particularidades
y caractersticas propias de los precios de electricidad que usualmente no se presentan en otros
tipos de series econmicas o financieras. Esto se debe a que los precios son el resultado de la
interaccin entre un alto nmero de factores de comportamiento complejo que estn relacionados
con la oferta, la demanda y la regulacin; de ah que su comportamiento este caracterizado por
relaciones no lineales complejas y cambiantes, altas volatilidades, e incertidumbres asociadas a
la evolucin de los factores determinantes de los precios.
As, la construccin de pronsticos de mediano plazo surge como un importante problema de
investigacin debido a las dificultades ya mencionadas.
En esta tesis se aborda esta problemtica de forma integral para proponer mecanismos que permitan
salvar algunos de los obstculos encontrados, a partir de la fundamentacin del proceso de prediccin
vii
viii
desde las herramientas estadsticas y el juicio informado buscando formular estrategias de pronstico
ms slidas; estos elementos son integrados con el uso de los principios bsicos de la simulacin de
sistemas con el fin de desarrollar un sistema que represente el mercado. Los principales aportes de
esta investigacin son tres:
Una aproximacin para el desarrollo de modelos de prediccin de precios de electricidad que
integra tcnicas del anlisis decisorio, metodologas estadsticas, formulacin de escenarios, y
mtodos de simulacin discreta.
La formulacin de modelos de prediccin integrando tcnicas de la inteligencia artificial y el
anlisis estadstico de series temporales.
El anlisis y la construccin de modelos de prediccin para los mercados de Brasil y Colombia.
CONTENIDO
1.1
1.2
1.2.1
Anlisis fundamental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.2
Anlisis estadstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
1.4
1.4.1
Mtodos estadsticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.2
Anlisis fundamental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.3
Aproximaciones hbridas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5
1.6
1.7
1.5.2
Polticas organizacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.3
1.5.4
Experiencias limitadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5.5
1.5.6
Horizonte de prediccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.6.2
1.6.3
Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.7.2
Objetivos especficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.8
Aportes y contribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.9
2.2
2.1.1
2.1.2
2.3
2.4
2.5
2.6
2.7
2.6.1
2.6.2
ANFIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.6.3
Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2
3.3
4
37
Componentes no observables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.1.2
3.1.3
Componentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.1.4
Filtrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.1.5
Estimacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.1.6
Suavizado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2.2
ANFIS dinmico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.2.3
Formulacin Generalizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.2.4
Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
61
71
Optimizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.1.2
4.1.3
Simulacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2
4.3
4.3.2
4.3.3
xi
4.3.4
4.3.5
4.3.6
4.3.7
Definicin de requisitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.4
4.5
4.6
4.7
Precisin de la prediccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.7.2
4.7.3
4.8
4.9
97
Informacin utilizada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.1.2
5.1.3
5.1.4
5.1.5
5.1.6
5.1.7
5.2
5.3
5.4
5.5
5.6
5.7
5.8
5.9
Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
161
6.1.2
6.1.3
6.1.4
6.1.5
xii
6.2
6.3
6.4
6.5
6.6
6.7
6.8
6.9
Conclusiones
Anexos
205
225
A Aspectos estadsticos
227
A.1 Definiciones y conceptos bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
A.2 Transformacin de la serie temporal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
A.3 Aproximacin no paramtrica de la funcin de densidad de probabilidad . . . . . . . . 231
A.4 Medidas de correlacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
A.5 Espectro de energa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
A.6 Pruebas de no linealidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
A.7 Diagnstico de los residuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
LISTA DE TABLAS
5.1
5.2
5.3
5.4
5.5
5.6
5.7
5.8
5.9
6.1
6.2
6.3
6.4
6.5
6.6
xiii
xiv
LISTA DE FIGURAS
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
. . . . . . . . . . 29
1.11 Precios spot promedios mensuales y energa almacenada (% del total). Mercado Brasilero. 30
1.12 Relacin ofertademanda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10 Grfica de la funcin de activacin (u; ) definida en (2.20) para =0.01, 0.05, 0.10 . . 54
2.11 Realizaciones del modelo propuesto en (2.21). . . . . . . . . . . . . . . . . . . . . . . . . 55
4.1
4.2
4.3
5.1
5.2
5.3
xvi
5.4
5.5
Relacin entre la TC y el logaritmo del costo marginal de operacin. Regin SE. . . . . . 107
5.6
5.7
Relacin entre la TC y el logaritmo del costo marginal de operacin. Regin NE. . . . . 109
5.8
5.9
Relacin entre el IPC y el logaritmo del costo marginal de operacin. Regin SE. . . . . 111
5.10 Relacin entre el IPC y el logaritmo del costo marginal de operacin. Regin S. . . . . . 112
5.11 Relacin entre el IPC y el logaritmo del costo marginal de operacin. Regin NE. . . . . 113
5.12 Relacin entre el IPC y el logaritmo del costo marginal de operacin. Regin N. . . . . . 114
5.13 Relacin entre la EA y el logaritmo del costo marginal de operacin. Regin SE. . . . . . 116
5.14 Relacin entre la EA y el logaritmo del costo marginal de operacin. Regin S. . . . . . 117
5.15 Relacin entre la EA y el logaritmo del costo marginal de operacin. Regin NE. . . . . 118
5.16 Relacin entre la EA y el logaritmo del costo marginal de operacin. Regin N. . . . . . 119
5.17 Relacin entre la ENA y el logaritmo del costo marginal de operacin. Regin SE. . . . . 120
5.18 Relacin entre la ENA y el logaritmo del costo marginal de operacin. Regin S. . . . . 121
5.19 Relacin entre la ENA y el logaritmo del costo marginal de operacin. Regin NE. . . . 122
5.20 Relacin entre la ENA y el logaritmo del costo marginal de operacin. Regin N. . . . . 123
5.21 Relacin entre la demanda y el logaritmo del costo marginal de operacin. Regin SE. . 125
5.22 Relacin entre la demanda y el logaritmo del costo marginal de operacin. Regin S. . . 126
5.23 Relacin entre la demanda y el logaritmo del costo marginal de operacin. Regin NE. . 127
5.24 Relacin entre la demanda y el logaritmo del costo marginal de operacin. Regin N. . 128
5.25 Propiedades estadsticas del log del precio spot. . . . . . . . . . . . . . . . . . . . . . . . 129
5.26 Diagramas de dispersin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.27 Regresin no paramtrica del precio spot. . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
5.28 Estimado no paramtrico de la varianza del precio spot. . . . . . . . . . . . . . . . . . . . 132
5.29 Ajuste a la muestra de datos. Modelo de componentes no observables. Regin SE . . . . 137
5.30 Ajuste a la muestra de datos. Modelo ARX. Region S. . . . . . . . . . . . . . . . . . . . . 138
5.31 Ajuste a la muestra de datos. Modelo de componentes no observables. Regin NE . . . 139
5.32 Ajuste a la muestra de datos. Modelo STR. Region N . . . . . . . . . . . . . . . . . . . . 140
5.33 Evolucin del IPC y la TC en el horizonte de prediccin. . . . . . . . . . . . . . . . . . . 141
5.34 Componentes principales de la ENA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
5.35 Escenarios de crecimiento de la demanda por regin. . . . . . . . . . . . . . . . . . . . . 144
5.36 Precios estimados para el escenario de referencia. . . . . . . . . . . . . . . . . . . . . . . 145
5.37 Precios estimados para el escenario alto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
5.38 Precios estimados para el escenario bajo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
5.39 Escenario de demanda alta e hidrologa extrema baja. Regin SE. . . . . . . . . . . . . . 149
5.40 Escenario de demanda alta e hidrologa extrema baja. Regin S. . . . . . . . . . . . . . . 150
5.41 Escenario de demanda alta e hidrologa extrema baja. Regin NE . . . . . . . . . . . . . 151
5.42 Escenario de demanda alta e hidrologa extrema baja. Regin N. . . . . . . . . . . . . . . 152
5.43 Escenario de demanda baja e hidrologa extrema alta. Regin SE. . . . . . . . . . . . . . 153
xvii
6.2
6.3
6.4
6.5
6.6
6.7
6.8
6.9
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
xviii
A diferencia de los monopolios estatales, los mercados regulados (en los que realmente no
existe competencia) presentan dos problemas diferentes para garantizar la prestacin del servicio de
electricidad: por una parte, el regulador debe proveer incentivos a los generadores para que operen en
el corto plazo tan barato como ocurrira en los mercados competitivos; mientras que por la otra, debe
minimizar los costos promedios de generacin del sistema en el largo plazo. Ambos objetivos son
antagnicos, y es imposible que el regulador pueda cumplirlos simultneamente (Stoft, 2002). Esta
condicin ha motivado igualmente que se busquen nuevas estructuras que permitan que el mercado
opere de una mejor forma.
En razn de lo anterior, las ltimas dos dcadas se han caracterizado por procesos de desrregulacin
y liberalizacin de diferentes monopolios estatales en el mundo [vase a Steiner (2000) para una
revisin general; para casos particulares a Bakos (2001), Pineau (2002), del Sol (2002), Tishler, Woo y
Lloyd (2002), Newbery (2002), Banfi, Filippini y Luchsinger (2002), Baer y Coes (2001), Midttun (1997),
Dyner, Arango y Larsen (2003), Dyner y Garca (2000)] creando nuevos mercados de electricidad
con caractersticas nicas que difieren grandemente de los mercados financieros tradicionales. Los
procesos de liberalizacin y desrregulacin buscan fundamentalmente [vase los trabajos de Armstrong,
Cowan y Vickers (1994) y Bunn (1998)] la creacin de mercados de electricidad que operen, entre otros,
bajo el criterio de la eficiencia econmica introducido mediante el esquema de la libre competencia y
la desintegracin vertical de la industria, incentivando la participacin de los agentes privados como
generadores, operadores, transmisores y distribuidores; ello implica, que las empresas racionalizan
su operacin, y producen beneficios econmicos representados por la disminucin de las tarifas para
el consumidor final, mientras que el Estado libera los recursos usados para el sostenimiento del
monopolio estatal, aumentando su capacidad de inversin en otros sectores. La libre competencia
introduce tambin mecanismos que obligan a la disminucin de los costos de generacin de corto
plazo, mientras incentivan la disminucin de los costos promedio de generacin en el largo. En
este nuevo esquema, el Estado acta como un ente regulador encargado de velar por una prestacin
adecuada de este servicio bsico a la comunidad, por el mantenimiento de unas reglas claras de
mercado que incentiven la participacin de los agentes privados en el sector elctrico, y porque se
mantengan las condiciones necesarias para la libre competencia [vase por ejemplo a Krause (1995) o
Moya (2002)].
En este nuevo escenario competitivo, se ha reconocido que es necesario entender cmo las
caractersticas del mercado y sus condiciones particulares afectan los precios, y cmo los agentes
pueden capitalizar este conocimiento para tomar mejores decisiones. Dichas decisiones estn relacionadas
principalmente con la formulacin de estrategias de comercializacin y de inversin en el corto,
mediano y largo plazo; de ah que la evolucin esperada de los precios sea un insumo fundamental en
los procesos decisorios tanto operativos como estratgicos. Consecuentemente, este tpico ha atrado
mucha atencin en los ltimos aos, y hay una gran cantidad de literatura reciente que evidencia los
esfuerzos de los investigadores para pronosticar con mayor precisin los precios de la electricidad, as
como la dificultad para realizar dicha tarea. El problema de la prediccin de precios de electricidad
difiere en gran medida respecto a la prediccin de precios en otros tipos de mercados, debido a las
particularidades propias de la electricidad, por lo que se justifica el realizar una investigacin que
algunos de estos activos permanecen inactivos cuando el consumo base es atendido. Esto contrasta
con la produccin de muchos bienes fsicos que es realizada a lo largo del da, y que se almacena
para ser vendida cuando es demandada. As, las caractersticas de produccin de la electricidad ms
las limitaciones de almacenamiento inducen una importante diferencia con respecto a los mercados
tradicionales; as, la oferta debe responder rpidamente a las variaciones de la demanda ya que
el dficit en la produccin causa picos instantneos en los precios, los cuales retornan usualmente
a niveles normales muy rpido. La diversidad de tecnologa en los activos de generacin induce
diferencias importantes en la estructura de los costos de produccin entre mercados de electricidad;
as mismo, los avances en el uso de energa renovables o alternativas, y las ganancias en la eficiencia
para las tecnologas existentes causan importantes variaciones; este es un riesgo importante para los
generadores marginales. Para aquellos mercados basados principalmente en hidroelectricidad, el
clima induce variaciones importantes en la capacidad efectiva de generacin, causando variaciones
estacionales en los precios. Estaciones climticas muy secas inducen precios extremadamente altos,
ya que la demanda debe ser atendida por unidades trmicas costosas; mientras que la abundancia de
agua abarata los costos puesto que dichas unidades trmicas se hacen innecesarias.
La demanda tambin es afectada por varios factores complejos. El consumo de electricidad es
caracterizado por la presencia de muchos patrones cclicos; ellos estn asociados a las estaciones del
ao, los das festivos y de trabajo, las horas de luz, as como otros efectos calendario. Las condiciones
climticas, y especialmente la temperatura, tienen una influencia directa en el uso de los equipos
domsticos tales como aires acondicionados, ventiladores o calefacciones. Por otra parte, hay muchos
esfuerzos para reducir las tasas de crecimiento de la demanda, los cuales incluyen: los programas
para el uso eficiente de la electricidad, los desarrollos para el ahorro de energa en equipos domsticos
y maquinara industrial, los programas gubernamentales para reducir las necesidades de energa en
el sector pblico, y, finalmente, la modificacin de los patrones de consumo.
El sistema de transmisin est conformado por los mecanismos fsicos para llevar la electricidad
desde las plantas de generacin hasta los centros de consumo. La capacidad y los lmites trmicos y
de estabilidad de las lneas de transmisin imponen restricciones sobre la generacin efectiva de las
unidades. En este mismo sentido, algunas plantas de generacin (conocidas como must-run) deben
operar para garantizar la estabilidad del sistema de transmisin independientemente de sus costos.
Influencia de las decisiones de negocio.
La liberalizacin de la industria de la electricidad se fundamenta en la separacin de las actividades
de negocio en el mercado, de tal forma, que cada agente acta de forma descentralizada y bajo sus
propios intereses:
Las firmas generadoras tratan de recobrar sus costos de operacin y los retornos de las inversiones;
ellas ajustan sus ofertas y precios de contrato de acuerdo con sus estrategias comerciales (Hong
y Lee, 2005).
Las compaas dueas de las redes de transmisin ofrecen sus activos para llevar electricidad
desde las unidades de generacin hasta los consumidores; su servicio es pagado a partir de
tarifas reguladas.
Los distribuidores y grandes consumidores tratan de negociar contratos bilaterales beneficiosos,
y operar eficientemente en el mercado de corto plazo (Angelus, 2001).
As, las unidades estratgicas de cada agente deben definir los objetivos y las estrategias de largo
plazo, mientras que las unidades operativas deben de tomar acciones e implementar planes para
alcanzar dichos objetivos. No obstante, las decisiones tomadas son imperfectas, por lo que sus
resultados parciales deben ser monitoreados con el fin de corregir las acciones realizadas e implementar
nuevas acciones que permitan que cada agente alcance sus objetivos organizacionales. En este
nuevo paradigma, las decisiones descentralizadas tomadas por las compaas de generacin, los
distribuidores, los transmisores y los administradores de mercado influencian el mercado mismo, y
por ende, el comportamiento de los precios de la electricidad.
La toma de decisiones para los agentes es muy difcil debido a que los mercados elctricos
liberalizados pueden considerarse como ambientes complejos que cambian rpidamente (Sterman,
2000), ya que:
Presentan una complejidad dinmica debido a su cambio constante, al igual que muchos otros
mercados en el mundo.
La oferta, la demanda y la regulacin interactan constantemente entre s, generando un proceso
continuo realimentacin que modifica el sistema.
Las acciones de cada agente inducen usualmente no linealidades en el sistema, y sus efectos
pueden ser amplificados en el tiempo.
Existe una dependencia de la historia reciente ya que las acciones de los agentes son prcticamente
irreversibles.
De acuerdo con la capacidad de adaptacin de cada agente, algunos podran tener temporalmente
una posicin dominante que afecte la evolucin del mercado. Esto es particularmente importante
en el caso del regulador.
Los seres humanos poseen sesgos y limitaciones propios de su naturaleza que les impiden entender
la dinmica del mercado de una forma completa y perfecta (Hogarth, 1994). Consecuentemente, la
supervivencia de las organizaciones en el largo plazo esta determinada por la velocidad que tengan
para reaccionar ante los cambios del mercado, as como por su capacidad de aprendizaje y adaptacin
(van der Heijden, Bradfield, G. Burt y Wright, 2002) para asimilarlos y corregir sus acciones en pro de
los objetivos organizacionales.
Influencia de la regulacin.
La regulacin establece las reglas para la operacin del mercado en la persecucin de la eficiencia
econmica buscando reducir la posibilidad de arbitraje, y promueve la competicin entre las firmas
(Stoft, 2002).La regulacin establece pautas sobre aspectos como los siguientes:
Los impuestos a los que estn sometidos los agentes del mercado.
La forma de ofertar (cundo, cmo, en que horizonte de tiempo, etc.).
Los tipos de negociaciones, los agentes que pueden participar en ellas, etc.
Un ejemplo de la influencia de la regulacin sobre los precios est dado por la inclusin del cargo por
capacidad a partir de enero de 1997 y su posterior eliminacin a partir de enero de 2007, en el mercado
elctrico colombiano.
La regulacin tiene en cuenta la estructura particular del mercado (patrn de demanda, caractersticas
del sistema de generacin, tipo de tecnologa, etc.) para cada regin o pas a la que es aplicada, de
tal forma, que se introduce una complejidad adicional, ya que el diseo de mercado para una regin
particular no puede ser directamente implementado sin modificaciones en otras regiones.
1.2.2 Anlisis estadstico
Los precios de la electricidad en mercados monoplicos o regulados presentan un comportamiento
mucho ms simple en comparacin con los precios observados en mercados liberalizados; vase por
ejemplo a Li y Flynn (2004) quienes analizan el comportamiento de los precios en el mercado Tailands,
y concluyen que la volatilidad tiene una mayor variabilidad en los mercados desrregulados.
As, los precios de la electricidad reflejan en su comportamiento la complejidad de las interacciones
entre la oferta, la demanda y la regulacin, recogiendo la influencia de sus determinantes fsicos,
organizacionales y regulatorios. Los resultados de los anlisis estadsticos reportados en la literatura
indican que, en general, los precios de la electricidad presentan un comportamiento complejo evidenciado
por la presencia de:
Pronunciados ciclos estacionales de periodicidad diaria, semanal, mensual y dems ciclos
estacionales (Deb, Albert, Hsue y Brown, 2000) que estn asociados con variaciones similares en
los determinantes de los precios. Chan y Gray (2006) sugiere que estos ciclos influencian tanto
la media de los precios como su volatilidad.
Volatilidad variable en el tiempo, y regiones de volatilidad similar (Knittel y Roberts, 2005)
Fuertes variaciones de ao a ao, y de estacin a estacin (Vehvilinen y Pyykknen, 2005)
Estructura dinmica de largo plazo (Vehvilinen y Pyykknen, 2005) debido a su inmadurez,
entre muchos otros factores.
Efectos de apalancamiento y respuesta asimtrica de la volatilidad a cambios positivos y
negativos en los precios; vase Knittel y Roberts (2005) y Mount, Ning y Cai (2006).
Valores extremos debido a la demanda instantnea insatisfecha (Knittel y Roberts, 2005).
Correlaciones de largo plazo, cambios estructurales, tendencias locales y reversin en la media
(Knittel y Roberts, 2005).
Diferentes determinantes parar los riesgos en el corto, mediano y largo plazo (Parkinson, 2004).
Tcnicas estadsticas y de anlisis de series de tiempo que permiten capturar las principales
caractersticas de las series de precios y analizar su comportamiento. En ellas prima el uso de
criterios estadsticos. En este grupo de tcnicas se incluyen los modelos de Box y Jenkins, las
redes neuronales artificiales, y tcnicas de descomposicin y filtrado, entre otros.
Anlisis econmico (o fundamental) de las fuerzas de la oferta y la demanda, que permite
analizar la formacin de los precios al considerar las condiciones de equilibrio del mercado y
los determinantes de los precios. Este anlisis puede ser cuantitativo o cualitativo. Este grupo
comprende los modelos de optimizacin y los modelos de equilibrio del mercado tales como
Cournot.
Mtodos hbridos que combinan las aproximaciones anteriores; los modelos de equilibrio son
usados para representar el mecanismo de formacin de los precios, y los modelos estadsticos de
series temporales son usados para representar el comportamiento de los factores determinantes
de los precios.
Angelus (2001), Deng (2000b), Deng (2000a), Ethier y Mount (1998), Ethier (1999), Knittel y Roberts
(2001), Silva, Teixeria y Gomes (2001), Davison, Anderson, Marcus y Anderson (2002) presentan
diferentes aproximaciones para la representacin de la dinmica de los precios en el mercado de
excedentes, las cuales parten fundamentalmente de la nocin de procesos de reversin de la media y
de Poisson, los cuales son aplicados principalmente a series de precios diarios. De otro lado, modelos
de redes neuronales han sido usados para el pronstico de precios de la electricidad en Colombia
(Velsquez y Dyner, 2001; Pulgarn, Smith y Poveda, 2001), Espaa (Conejo, Contreras, Espnosa y
Plazas, 2005), Inglaterra (Ramsay y Wang, 1998), Australia (Szkuta, Sanabria y Dillon, 1998), entre
otros. Adicionalmente, Souza (2002) usa modelos de inteligencia computacional para modelar el
precio spot en Brasil, mientras que Medeiros (2003) lo hace usando sistemas difusos. Hong y Hsiao
(2001) y Hong y Hsiao (2002) usan de redes neuronales recurrentes en el modelado de precios en
varios mercados desrregulados.
A continuacin se presenta una sntesis de las principales experiencias reportadas en la literatura.
1.4.1 Mtodos estadsticos
Existen dos grupos de tcnicas estadsticas:
Como procesos continuos: En estos modelos se considera que los precios pueden ser obtenidos
como la suma de diferentes componentes estocsticos diferenciales. En el caso ms simple, el
precio en el instante t es generado por un proceso estocstico xt , tal que:
pt = xt
Hay acuerdo entre los investigadores, en relacin a que los precios de la electricidad se comportan
siguiendo un proceso de reversin en la media, que corresponde, bsicamente, a un proceso
autorregresivo de orden uno; vase a Pilipovic (1998), Clewlow y Strickland (2000), y Lucia y
10
la estacionalidad es modelada a travs de una funcin sinusoidal acoplada con una tcnica de
promedios mviles para representar el ciclo semanal; y la reversin en la media es alcanzada a
travs de una ecuacin diferencial estocstica de este mismo tipo.
Mount et al. (2006) muestran que un modelo estocstico de cambio de rgimen con parmetros
cambiantes en el tiempo puede pronosticar el comportamiento de la volatilidad del mercado
PJM, donde el rgimen de precios altos corresponde a los picos en los precios observados que
ocurren durante los meses de verano.
Como procesos discretos: La estructura temporal de los precios es modelada como:
pt = f (t , Xt ) + g(t , Xt )t
donde el precio pt es una variable aleatoria con media f (t , Xt ) y varianza g(t , Xt ). Xt es
la informacin disponible en el instante t, usualmente los precios previos pt1 , . . . as como
tambin los valores pasados de las variables explicativas. t y t son los parmetros del modelo
dependientes del tiempo. Este modelo genrico es capaz de representar relaciones no lineales
entre Xt y pt , as como volatilidad variable y grupos de volatilidad, los cuales podran ser
explicados como una funcin de los factores determinantes de los precios. Especificando las
funciones f () y g(), muchos modelos pueden ser obtenidos, incluyendo modelos autoregresivos,
redes neuronales, modelos de regresin de transicin suave, entre otros. Bajo esta aproximacin,
muchas de las experiencias reportadas pueden ser clasificadas.
Crespo-Cuaresma, Hlouskova, Kossmeier y Obersteiner (2004) estudian las habilidades de
varios modelos univariados para la prediccin de precios de electricidad en mercados de corto
plazo, incluyendo modelos autorregresivos, modelos autorregresivos de promedios mviles,
y modelos de componentes no observables, usando datos horarios del mercado LPE (Leipzig
Power Exchange market). Los modelos seleccionados son obtenidos siguiendo una estrategia
de modelado hora-a-hora, donde cada hora del da es modelada separadamente en vez de
la especificacin del modelo para toda la serie. En adicin, la incorporacin de procesos
probabilsticos simples para simular los picos en los precios puede conducir a mejoras en la
habilidad de prediccin de los modelos univariados. Ellos sugieren que deben conducirse
investigaciones posteriores involucrando una mayor sofisticacin en los modelos estadsticos
al considerar la volatilidad cambiante en el tiempo y las no-linealidades en el proceso que
representa la media condicional de la serie.
Yamin, Shahidehpour y Li (2004) proponen un modelo compuesto de mdulos para la simulacin,
el pronstico y el anlisis del desempeo para la prediccin de precios horarios de electricidad.
Ellos muestran que los lmites en las lneas de transmisin, los patrones de carga, la salida
de operacin de las lneas y las plantas de generacin impactan los precios de la electricidad;
igualmente, ellos tambin proponen una nueva definicin del error absoluto porcentual medio
utilizando la mediana, la cual es menos sensitiva que el promedio a la presencia de valores
extremos tales como los picos, lo que permite superar algunas crticas a los mtodos tradicionales
para evaluar el desempeo de los pronsticos de precios de electricidad.
11
Hong y Lee (2005) presentan un mtodo para la prediccin de precios horarios en el mercado
PJM usando una red neuronal recurrente, donde parte de las entradas son el resultado de un
sistema de inferencia difuso usado para razonar sobre las contingencias descritas por medio de
trminos lingsticos. Los das de la semana son clasificados como das de trabajo, sbados y
domingos.
Lu et al. (2005) predicen los precios horarios normales usando un modelo basado en una red
neuronal artificial y un sistema de descomposicin, mientras que los picos en los precios, sus
niveles y los intervalos de confianza a ellos son pronosticados por medio de un modelo basado en
minera de datos, en donde se incluye informacin asociada con el precio, la hora de negociacin,
la demanda de electricidad, la oferta, y la reserva de energa.
Bystrm (2005) investiga los cambios en los precios horarios de electricidad en el mercado
noruego usando un modelo AR-GARCH combinado con la teora de valor extremo para representar
las colas de la distribucin de los datos. Se encontr que las caractersticas tpicas de los
precios son una volatilidad muy alta, un gran numero de cambios muy grandes en los precios,
estacionalidades, y una alta no-normalidad de la distribucin de probabilidades de los datos.
Ms an, modelando explcitamente la estacionalidad asociada al ao para la componente de
volatilidad del modelo, la precisin es incrementada
Conejo, Contreras, Espinosa y Plazas (2005) predicen los precios horarios un da adelante en
el mercado PJM considerando las siguientes aproximaciones: ARIMA, regresin dinmica y
funcin de transferencia, redes neuronales, y descomposicin espectral. Ellos concluyen que
los algoritmos de regresin dinmica y de funcin de transferencia son ms eficientes que
los modelos ARIMA, las redes neuronales, y la descomposicin espectral, y sealan que la
investigacin sobre la combinacin de la descomposicin espectral, y los algoritmos de regresin
dinmica y funcin de transferencia es promisoria.
Arciniegas y Marathe (2005) usan un algoritmo de aprendizaje basado en mquinas de vectores
de soporte para seleccionar las variables que explican los picos de los precios de electricidad
en tiempo real para el Mercado Independiente de Potencia en Ontario, encontrando que la
mayora de las dependencias son no lineales. En adicin, una comparacin de los resultados
con el mtodo tradicional muestra que las variables explicativas seleccionadas por el algoritmo
de aprendizaje propuesto son acordes con la teora, y permiten obtener mejores modelos de
prediccin.
Gareta, Romeo y Gil (2006) muestran que las redes neuronales artificiales son adecuadas para la
prediccin de precios horarios de electricidad para el siguiente da, y dos o tres das despus.
Chan y Gray (2006) proponen un modelo combinando autorregresin y estacionalidad semanal
en la especificacin de la media condicional y la varianza condicional de los retornos, as como
tambin los efectos de apalancamiento usando un modelo EGARCH, con el fin de pronosticar
los precios diarios de electricidad. En esta aproximacin, la teora de valor extremo es usada
para modelar explcitamente las colas de la distribucin de los retornos.
12
13
14
As, el entendimiento del mercado y el conocimiento experto son la fuente primaria de la informacin
necesaria para el modelado de los precios histricos, y para la prediccin de los precios futuros. Para
el modelado, la dinmica de los precios podra ser representada por medio de modelos matemticos
considerando el conocimiento subjetivo y los datos histricos, y as, las caractersticas particulares de
las series de precios, tales como los cambios estructurales, los cambios de volatilidad o las tendencias
locales, podran ser analizadas y explicadas. Para la prediccin, el conocimiento privilegiado sobre
eventos futuros que podran afectar el comportamiento de los precios, es una importante fuente de
informacin para intervenir los pronsticos y mejorar su precisin. Sin embargo, la intervencin del
pronstico es una tarea difcil ya que los ajustes a la prediccin deben ser cuantificados sobre la base de
apreciaciones e hiptesis sobre eventos futuros, situaciones similares en el pasado, el comportamiento
esperado de los factores determinantes de los precios y su influencia relativa.
Los avances metodolgicos y el desarrollo de mejores herramientas promoviendo la validacin del
conocimiento experto, y facilitando el anlisis de la informacin histrica con el fin de cuantificar los
efectos de los eventos futuros sobre los precios, son bien pagas en trminos de precisin, transparencia,
replicabilidad y aprendizaje, as como tambin en entendimiento del mercado. Entonces, existe
la necesidad de herramientas que permitan al pronosticador analizar la informacin histrica para
validar hiptesis sobre las condiciones del mercado, y para construir pronsticos usndolas. En
adicin, es necesario validar si los ajustes basados en la experticia son de valor para mejorar la
precisin de los pronsticos. As, estas herramientas son valiosas en el sentido que ellas promueven
el aprendizaje y la calidad del proceso de prediccin.
1.5.2 Polticas organizacionales
Es clara la importancia que tiene la prediccin en la toma de decisiones empresariales (Makridakis,
Wheelwright y McGee, 1983), de tal forma, que existe actualmente una presin creciente para obtener
pronsticos precisos en respuesta a la competitividad del mercado (Sanders, 2005); as, la capacidad de
prediccin es ms una tarea crtica que una ventaja competitiva (Armstrong, 2001; Fildes y Hastings,
1994).
De esta forma, las polticas empresariales (quin, cundo y cmo) juegan un papel crucial en
la precisin, calidad, coherencia y oportunidad de los pronsticos de los precios de la electricidad,
ya que impactan otros aspectos diferentes de la parte tcnica del proceso de prediccin. Por ende,
dichas polticas tambin afectan el desempeo de la empresa en el mercado. Algunas polticas que
pueden mejorar los pronsticos son las siguientes vase a Bunn y Wright (1991), Goodwin (2005),
Ross (2005), Armstrong (2005), Deschamps (2005), Sanders (2005), Blattberg y Hoch (1990), Oconnor,
Remus y Griggs (1993), Harvey (2005), Onkal y Gonul (2005):
1. Reconocimiento de la importancia del rol de la prediccin en la organizacin.
2. El desarrollo de modelos para fines especficos.
3. Abordar el desarrollo de modelos como proyectos dentro de la organizacin que no son aislados.
4. Complementar el uso de los modelos de prediccin con otras herramientas.
15
16
experto, y trata de construir modelos de pronstico partiendo del conocimiento oculto en los datos. La
segunda aproximacin est relacionada con los modelos estadsticos, las tcnicas economtricas y las
tcnicas de inteligencia computacional, donde los juicios son reemplazados por inferencia estadstica
y otras tcnicas de modelado numrico. Sin embargo, esta ltima aproximacin trata de eliminar
los juicios en relacin al mercado y a la evolucin de los precios, incorporando nuevas fuentes de
experticia relacionadas con el conocimiento del modelo y de sus propiedades, el cual es necesario
durante su proceso de construccin.
Las desviaciones y errores sistemticos degradan ostensiblemente la precisin y la cualidad de
los pronsticos basados en juicios. En este mismo sentido, las tcnicas de modelado matemtico
ofrecen a los pronosticadores, modelos sofisticados capaces de manejar cantidades considerables de
informacin; pero en esta aproximacin es notoriamente difcil incorporar el conocimiento subjetivo
usualmente disponible a los pronosticadores; as, las caractersticas complementarias de ambas
aproximaciones podran aumentar la calidad y la precisin de los pronsticos (Blattberg y Hoch, 1990).
Harvey (2005) ha encontrado evidencias de que el uso de pronsticos matemticos como entradas
para la prediccin basada en juicios reduce la calidad de los resultados finales; Goodwin (2005) anota
que el promedio aritmtico es una forma simple de obtener buenos pronsticos. En un contexto
organizacional, Sanders y Manrodt (1994) sugieren que el ajuste de los pronsticos matemticos
usando juicio experto es la prctica ms comn.
En concordancia con Sanders y Manrodt (1994), y debido a las caractersticas de los mercados de
electricidad y las necesidades de informacin para la toma de decisiones, el uso de herramientas para
el modelado matemtico como fuente primaria de los pronsticos combinada con el ajuste basado
en juicios para incorporar el conocimiento subjetivo parece ser la prctica ms adecuada. Aqu,
se analizan varios aspectos que podran permitir mejoramientos cualitativos cuando se incorporan
mecanismos objetivos en los protocolos de pronstico. As, los siguientes aspectos deberan ser tenidos
en cuenta cuando un protocolo de prediccin es diseado:
Cuando se observan precios inusualmente altos o bajos, el pronosticador debera estar en
la capacidad de decidir si las observaciones evidencian un cambio en la dinmica de los
precios, incrementando la incertidumbre de los pronsticos y haciendo necesaria una nueva
especificacin del modelo de pronstico; en caso contrario, los precios observados tienen una
baja probabilidad de ocurrencia pero el modelo continua siendo vlido, y consecuentemente
los pronsticos; en adicin, es necesario establecer cuantas observaciones son necesarias para
considerar la reformulacin del modelo.
El pronosticador debe estar en capacidad de detectar cambios sutiles en la dinmica de los
precios, los cuales son evidenciados por predicciones consistentemente por encima o por debajo
de los precios observados; as, se requieren mecanismos objetivos para recolectar y evaluar las
evidencias que indiquen la modificacin del proceso de formacin de los precios.
Parece que la incertidumbre es una funcin de las condiciones particulares del mercado; as, las
herramientas de prediccin deberan permitir que el pronosticador pueda representar diferentes
niveles de incertidumbre en el horizonte de prediccin como respuesta a cambios en las condiciones
17
del mercado.
Los pronsticos de mediano y largo plazo son construidos sobre la base de la evolucin esperada
de los determinantes de los precios y de las condiciones de mercado, por lo que se requieren
escenarios o predicciones sobre los valores futuros de estos determinantes como una entrada
al proceso de prediccin de los precios. Consecuentemente, el proceso de construccin de
escenarios What if? debera ser considerado en las metodologas de prediccin.
La evaluacin del pronstico es una de las fases ms importantes en el proceso de prediccin,
de tal forma, que cualquier aproximacin metodolgica debe proveer mtodos objetivos para
comparar los pronsticos y las observaciones.
La estructura temporal de mediano y largo plazo de los precios implica la necesidad de ponderar
los datos disponibles de acuerdo con su edad; as, la informacin ms vieja es de poco valor en
comparacin con hechos recientes. As, el protocolo de prediccin debe especificar mecanismos
de ponderacin para realizar la prediccin de precios.
1.5.4 Experiencias limitadas
La mayora de las experiencias reportadas estn relacionadas con la prediccin de precios horarios
o diarios; sin embargo, existe la necesidad del modelado y la prediccin de mediano y largo plazo
en escalas de semanas, meses e inclusive aos. El modelado es necesario para entender cmo fue
la dinmica de los precios; cul es la influencia de los factores determinantes en estas escalas; y
para evaluar si las decisiones pasadas fueron correctas. La prediccin es necesaria para la toma de
decisiones estratgicas, tal que los participantes tengan una visin de largo plazo del mercado. Esta
capacidad permite a los administradores y gerentes entender como los factores determinantes podran
cambiar, y como podra ser su impacto sobre el comportamiento de los precios. No obstante, hay pocas
experiencias relacionadas con la prediccin en el mediano y largo plazo.
Muchas de las propiedades de los precios diarios de la electricidad tienen una fuerte influencia
sobre las agregaciones de los datos, tales como precios promedios mensuales o semanales; sin embargo,
el examen de las series de precios en escalas de semanas, meses o aos podra revelar importantes
propiedades relacionadas con la influencia de largo plazo de algunos factores, como tambin, el efecto
de otros factores ocultos, tales como las innovaciones tecnolgicas, los cuales deben ser considerados
en el pronstico de largo plazo.
Estas propiedades son valiosas para caracterizar que clase de modelos podran ser ms adecuados
para predecir precios de electricidad; como una ilustracin, Knittel y Roberts (2005) concluyen que
modelos financieros actuales son de poco valor para modelar precios de electricidad; y que la presencia
de grandes diferencias en los momentos relativos a una distribucin Gaussiana hace que los modelos
basados en normalidad sean de uso limitado en la representacin de la dinmica de los precios de
electricidad.
Es necesario identificar cuales son las caractersticas ms importantes que deben ser representadas
por el modelo para capturar con precisin el comportamiento de largo plazo de la serie de precios.
18
Knittel y Roberts (2005) enfatizan los agrupamientos de volatilidad y las altas correlaciones como dos
de las ms importantes caractersticas de los precios; no obstante, estas conclusiones son nicamente
vlidas para series con caractersticas similares a los precios horarios del mercado de California. As,
la suposicin sobre la presencia o ausencia de tendencia o variaciones estacionales en el largo plazo
podra conducir a seleccionar diferentes clases de modelos.
1.5.5 Los modelos, sus supuestos y sus hiptesis
Sin duda, el uso de modelos de series temporales no lineales en macroeconoma y teora financiera
es motivado por la creencia de que los modelos lineales no son adecuados para capturar ciertos tipos
de comportamiento. Igual ha pasado en la prediccin de precios de la electricidad; sin embargo, los
modelos que han sido utilizados en los casos reportados en la literatura ms relevante no agotan la
lista de modelos posibles, la cual podra incluir vase por ejemplo, las recopilaciones hechas por
Tsay (2002) o Hamilton (1994):
Modelos ARIMA y funciones de transferencia (Box y Jenkins, 1976).
Modelos de espacio de estados (Harrison y Stevens, 1976).
Modelos de transicin brusca (Tong, 1978) o suave (Tersvirta, 1994; Terasvirta, Lin y Granger,
1993).
Modelos bilineales (Granger y Andersen, 1978).
Modelos ARIMA fraccionales (Granger y Joyeux, 1980)
Modelos de estado dependiente (Priestley, 1980).
Modelos de volatilidad condicional o estocstica (Engle, 1982; Bollerslev, 1986; Melino y Turnbull,
1990; Nelson, 1991; Harvey, Ruiz y Shephard, 1994).
Modelos autorregresivos con coeficientes aleatorios (Nicholls y Quinn, 1982).
Modelos aditivos generalizados (Hastie y Tibshirani, 1986).
Modelos markovianos de cambio de rgimen (Hamilton, 1989).
Modelos lineales dinmicos estructurales (Harvey, 1989).
Diferentes tipos de redes neuronales artificiales.
Sistemas adaptativos de inferencia neurodifusa (Jang, 1993).
MARS (Lewis y Stevens, 1991)
Modelos de espacios de estado no lineales (Carlin, Polson y Stoffer, 1992).
Modelos autorregresivos de coeficientes funcionales (Chen y Tsay, 1993a).
19
20
Las caractersticas particulares de las series de precios de la electricidad, relacionadas con sus
propiedades estadsticas (estructura de largo plazo cambiante, ciclos estacionales, etc.) y la complejidad
y el gran nmero de factores que los afectan, imponen ciertos requerimientos, que se suman a la
problemtica ya mencionada, para que un modelo pueda ser adecuado para construir pronsticos:
La representacin de relaciones no lineales.
La capacidad para manejar simultneamente una gran cantidad de variables explicativas.
La capacidad de ponderar la informacin disponible en el tiempo
Todos los modelos citados anteriormente fallan al cumplir simultneamente estos dos requerimientos.
Excepto por los modelos dinmicos lineales estructurales (Harvey, 1989), todos los dems modelos dan
igual peso a la informacin disponible durante el proceso de estimacin. Esto implica la hiptesis de
permanencia de las condiciones del mercado, ignorando la evolucin de las caractersticas de muchos
factores determinantes de los precios, as como los posibles cambios en su impacto. As, estos modelos
capturan el efecto promedio en el tiempo de cada factor determinante considerado, siendo difcil la
representacin de hechos puntuales en la serie. Igualmente, es difcil incluir cambios recientes en la
dinmica de los precios cuando se realizan las predicciones. La solucin a los problemas anteriores
slo es alcanzable a travs del conocimiento experto subjetivo sobre el mercado y la teora econmica.
La mayora de las experiencias reportadas estn relacionadas con series financieras cuyas caractersticas
son muy diferentes respecto a los precios de electricidad.
1.5.6 Horizonte de prediccin
El proceso de especificacin y estimacin de los modelos listados anteriormente se basa en la informacin
histrica disponible, por lo que los pronsticos son la extrapolacin de las relaciones histricas entre
los precios y sus determinantes. Este es un peligro que ya ha sido sealado por Harvey (1989, p. xi):
. . . it is always very difficult to predict the future on the basis of the past. Indeed it has been
likened to driving a car blindfolded while following directions given by a person looking
out of the back window . . .
haciendo imposible que se pueda anticipar un cambio en la dinmica de los precios que sea causado
por alguna variacin en las condiciones del mercado. As la incertidumbre en la prediccin est
relacionada con:
La incertidumbre de los valores futuros de las variables explicativas de los precios que fueron
consideradas en el modelo.
La consistencia entre los valores futuros que tomarn los factores determinantes de los precios.
Los hechos futuros que puedan afectar de una manera importante las condiciones del mercado.
La incertidumbre de los valores futuros de las variables explicativas que no fueron consideradas
en el modelado.
21
Estas falencias hacen que los pronsticos sean menos crebles, argumentables, defendibles y coherentes
con la realidad. Se hace as necesario, que se incorporen la informacin que se posea sobre eventos
futuros que afecten los precios (Harvey, 1989; Pole, West y Harrison, 1994). Pero su consideracin
implica la prediccin de los valores futuros de los factores explicativos y su efecto sobre los precios,
as como tambin, la construccin de conjeturas crebles y veraces sobre hechos atpicos que afectarn
al mercado.
La construccin tradicional de escenarios en prediccin ha sido realizada a partir de la consideracin
de supuestos sobre las variables explicativas consideradas, de tal forma que permite valorar el efecto
de un hecho concreto futuro (Lindgren y Bandhold, 2003).
En contraposicin, los escenarios estratgicos son una descripcin cualitativa de un futuro posible
pero incierto (Heijden, 1996; van der Heijden et al., 2002) que tienen como fin ilustrar los diferentes
riesgos en que se incurre de forma explcita; as, ellos no pueden ser valorados en trminos de su
precisin respecto a los hechos futuros, ya que por su propia definicin no son una herramienta de
pronstico sino de aprendizaje. Esta tcnica ha sido aplicada en diferentes industrias [Larsen (2000)
recapitula el uso de escenarios en el sector de energa]. Heijden (1996) sugiere su uso, cuando el nivel
de incertidumbre es tan algo que no es posible realizar pronsticos [vase la Figura 1.1].
Ambos enfoques sobre el concepto de escenarios son complementarios, y permitiran resolver
muchas falencias de la prediccin de mediano y largo plazo, sino fuera por las dificultades relacionadas
con:
Mantener la coherencia y consistencia de las relaciones entre los factores determinantes de los
precios.
Cuantificar la informacin contextual, cualitativa y subjetiva sobre hechos futuros en trminos
de su impacto sobre los precios.
Determinar los riesgos posibles, probables y realistas que podran darse en el futuro.
Quedan expuestas as dos limitantes fundamentales:
El corto horizonte en que las predicciones son vlidas.
La dificultad para construir pronsticos de mediano y largo plazo debido al gran nmero de
factores y los riesgos existentes en el mercado.
Al considerar las crticas anteriores, no es sorpresivo que muchos estudios reportados en la
literatura estn restringidos a la prediccin de precios horarios o diarios, donde es posible asumir
algunas de las hiptesis en que se basan los modelos.
1.6 Delimitacin del problema de investigacin
En la seccin anterior, se ha identificado la prediccin de precios de la electricidad como un problema
difcil, relevante y oportuno; no obstante, es imposible intentar dar respuesta a todos los interrogantes
planteados arriba en una nica tesis doctoral, por lo que se hace necesario delimitar la investigacin
de tal forma que sea alcanzable en los tiempos y la dedicacin estipulados.
22
23
Se evidencia, en primera instancia, la alta volatilidad propia de los precios en los mercados liberalizados.
Sin embargo, la distribucin de grupos de retornos con volatilidad similar, y los cambios en la
volatilidad presentan patrones diferentes en las tres series analizadas. Mientras que para los mercados
EEX y APX, se observa una especie de patrn cclico que es perturbado frecuentemente por cambios
puntuales que son superiores al 100%, los retornos en el mercado colombiano muestran grupos
de volatilidad similar que son, aparentemente, ms largos y estables que en los otros mercados
analizados. Esto puede ser un efecto particular de la alta componente hidrulica usada para la
24
25
(a)
(c)
1
200
0.5
150
0
100
0.5
50
1
500
1000
1500
20
40
(b)
60
80
(d)
0.2
2
0.15
0.1
0.05
500
1000
1500
0
3
(a)
(c)
1
600
500
0.5
400
0
300
200
0.5
100
1
500
1000
1500
20
(b)
40
60
80
(d)
0.4
3
2
0.3
1
0.2
0
1
0.1
2
500
1000
1500
0
4
26
(a)
(c)
1
200
0.5
150
0
100
0.5
50
1
500
1000
1500
2000
2500
3000
3500
4000
20
40
60
(b)
80
100
0.5
120
(d)
0.35
0.3
0.25
0.5
0.2
0
0.15
0.5
0.1
1
0.05
500
1000
1500
2000
2500
3000
3500
0
2
4000
1.5
0.5
1.5
Figura 1.4: Precios spot promedios diarios de la electricidad en el mercado Colombiano y evolucin
del embalse ofertable.
14000
1.5
12000
10000
0.5
8000
6000
-0.5
4000
-1
2000
-1.5
18 Jan 07
02 Jul 06
14 Dec 05
28 May 05
09 Nov 04
23 Apr 04
06 Oct 03
20 Mar 03
01 Sep 02
13 Feb 02
28 Jul 01
09 Jan 01
23 Jun 00
06 Dec 99
20 May 99
01 Nov 98
15 Apr 98
27 Sep 97
11 Mar 97
23 Aug 96
-2000
05 Feb 96
-2
Figura 1.5: Retornos de los precios spot promedios diarios en el mercado Colombiano.
GWh
Emb Ofertable
20 Jul 95
rt
r(t)
27
Precio
Emb Ofertable
250
14000
12000
200
10000
$/kWh
6000
100
GWh
8000
150
4000
2000
50
0
18 Jan 07
02 Jul 06
14 Dec 05
28 May 05
09 Nov 04
23 Apr 04
06 Oct 03
20 Mar 03
01 Sep 02
13 Feb 02
28 Jul 01
09 Jan 01
23 Jun 00
06 Dec 99
20 May 99
01 Nov 98
15 Apr 98
27 Sep 97
11 Mar 97
23 Aug 96
05 Feb 96
-2000
20 Jul 95
28
(a)
(c)
800
p
600
0.5
400
200
0.5
0
1/1996
1
1/1998
1/2000
1/2002
1/2004
1/2006
(b)
10
15
20
(d)
0.7
r
0.6
0.5
0.4
0
0.3
0.2
0.1
4
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
0
5
Figura 1.7: Precios spot promedios mensuales. Mercado Brasilero. Regin Sureste/Centro.
(a)
(c)
500
p
400
0.5
300
0
200
0.5
100
0
1/1996
1
1/1998
1/2000
1/2002
1/2004
1/2006
(b)
10
15
20
(d)
0.4
r
0.3
2
1
0.2
0
1
0.1
2
3
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
0
5
Figura 1.8: Precios spot promedios mensuales. Mercado Brasilero. Regin Sur.
29
(a)
(c)
700
p
600
0.5
500
400
0
300
200
0.5
100
0
1/1996
1
1/1998
1/2000
1/2002
1/2004
1/2006
10
(b)
15
20
(d)
0.7
0.6
0.5
0.4
1
0.3
2
0.2
0.1
4
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
0
6
Figura 1.9: Precios spot promedios mensuales. Mercado Brasilero. Regin Noreste.
(a)
(c)
700
p
600
0.5
500
400
0
300
200
0.5
100
0
1/1996
1
1/1998
1/2000
1/2002
1/2004
1/2006
10
(b)
15
20
(d)
0.8
0.6
0
0.4
2
0.2
4
r
6
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
0
6
Figura 1.10: Precios spot promedios mensuales. Mercado Brasilero. Regin Norte.
30
(a)
(b)
0
0.5
1
0
0.5
0
log(pt)
log(p )
(d)
Energia Almacenada (%)
(c)
1
0.8
0.6
0.4
0.2
8
7
6
5
4
3
2
1
0
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
6
log(p )
log(pt)
Figura 1.11: Precios spot promedios mensuales y energa almacenada (% del total). Mercado Brasilero.
rpidamente y con mucha frecuencia. Para los mercados Colombiano y Brasilero, dichos aumentos
son poco frecuentes pero duraderos.
En este punto se hace necesario examinar con mayor detenimiento las causas particulares del
comportamiento de los precios en Colombia y Brasil. A diferencia de los mercados de commodities,
la incapacidad de almacenamiento de la electricidad hace que su curva de oferta y demanda siga
un comportamiento peculiar cuando la generacin es basada principalmente en plantas hidrulicas.
En el caso de la demanda, ella puede considerarse inelstica en el corto plazo, de tal forma, que se
representa como una lnea vertical en el diagrama oferta-demanda (vase la Figura 1.12), e indica
que ella est dispuesta a pagar costos extremadamente altos por la electricidad requerida. En el caso
en que la oferta es conformada por plantas trmicas, la curva en el diagrama de oferta-demanda,
puede ser construida directamente ordenando por mrito econmico a los recursos de generacin de
acuerdo con los precios ofertados. En un mercado de competencia perfecta, este precio es igual al costo
marginal de operacin. El precio de corto plazo de la electricidad se obtiene por la interseccin de la
curva que representa la oferta, con la vertical que representa la demanda. Este proceso es realizado
para cada periodo de tiempo, y los precios obtenidos perodo a perodo son independientes entre s.
Sin embargo, en sistemas con una alta componente de generacin basada en plantas hidrulicas,
existe un comportamiento ms complejo de la curva de oferta, ya que existe un acoplamiento temporal
entre los distintos precios de corto plazo de cada etapa. Ello se debe a que ante la presencia de embalses,
el volumen de generacin actual tiene influencia en los volmenes generados en los prximos periodos.
De esta forma, si se decide generar en el periodo actual toda la energa posible con el agua almacenada
en los embalses, el precio spot de la electricidad ser bajo, ya que se minimiza la utilizacin de las
31
plantas trmicas; no obstante, el recurso hdrico usado para la generacin hoy no estar disponible
durante los periodos siguientes, aumentndose de esta manera el precio futuro de generacin, y por
ende el valor presente de los costos de generacin del sistema. En el otro extremo, se puede almacenar
hoy todo el recurso hdrico de los embalses, y atender la demanda con base en generacin trmica
y las plantas filo de agua, para usar el agua embalsada en periodos futuros. En este ltimo caso,
la electricidad se encarece hoy pero se espera que disminuya en los prximos perodos; no obstante
y por la abundancia de agua, puede presentarse vertimientos haciendo que el sistema no opere
ptimamente y que aumente finalmente el precio de la electricidad. Es as como pueden expresarse
el costo de operacin actual del sistema as como su costo de operacin futura, en funcin de energa
almacenada en el embalse equivalente. El punto ptimo de composicin de la oferta se obtiene como
el mnimo del costo total de operacin.
Las series de precios de los mercados de Brasil y Colombia renen un conjunto de complejidades
en sus caractersticas, tal como su dependencia de variables fsicas como las afluencias hidrolgicas y
los volmenes de agua almacenada en los embalses. As, aunque series de precios con caractersticas
similares a las de los mercados APX y EEX ya han sido estudiadas en la literatura, los modelos
obtenidos no son directamente extrapolables a mercados como el Colombiano o el Brasileo, debido a
las diferencias fundamentales en su comportamiento. Consecuentemente, se hace necesario indagar
en profundidad sobre la naturaleza de las relaciones entre:
El precio y las variables causales, especialmente, con el recurso hdrico.
La volatilidad de los precios y las variables causales, especialmente, con el recurso hdrico.
1.7 Objetivo general y especficos
En la seccin anterior, se han desarrollado los aspectos fundamentales que deberan tenerse en cuenta
para que se den avances metodolgicos, tericos y prcticos en la prediccin de precios de electricidad.
A partir de ellos, se establecen los objetivo de investigacin que se presentan a continuacin.
1.7.1 Objetivo general
Desarrollar una aproximacin metodolgica para la prediccin condicional de los precios de la
electricidad en el mediano plazo que incorpore las relaciones entre el precio y sus factores determinantes.
La aproximacin debe permitir el anlisis y modelado del tipo de relacin (lineal o no lineal, dinmica
o esttica en el tiempo) ms apropiada para el caso particular analizado.
1.7.2 Objetivos especficos
Los objetivos especficos son los siguiente:
1. Formular un marco conceptual para la aplicacin de modelos adaptativos de inferencia difusa a
la prediccin de precios de electricidad.
32
33
2. Formular un marco conceptual para la aplicacin de los modelos de redes neuronales artificiales
a la prediccin de precios de la electricidad.
3. Formular un marco conceptual para la especificacin de modelos no lineales adaptativos basados
en los dos objetivos anteriores.
4. Desarrollar un protocolo para la prediccin de precios de electricidad que incluya el proceso
formal de comparacin y seleccin entre diferentes modelos alternativos y la construccin de
escenarios para la prediccin de precios de electricidad.
5. Validar los desarrollos planteados en los objetivos anteriores aplicndolos a la prediccin de los
precios en los mercados de Brasil y Colombia.
1.8 Aportes y contribuciones
En las secciones anteriores han emergido un importante nmero de temas posibles de investigacin
que abarcan:
Las falencias generales de la prediccin de series temporales no lineales usando tcnicas basadas
en econometra e inteligencia artificial.
Los vacos metodolgicos, conceptuales y prcticos de la prediccin de precios en mercados
elctricos liberalizados.
Un subconjunto de estos temas se han usado para construir la propuesta de investigacin presentada
en la seccin anterior.
En esta tesis, se realizarn contribuciones tericas, metodolgicas y conceptuales en los temas
anteriormente enunciados, los cuales se resumen a continuacin:
En el campo de la inteligencia computacional, ya que se avanzar en las metodologas de
formulacin de modelos basados en criterios estadsticos para la prediccin de precios de la
electricidad usando sistemas de inferencia difusa y redes neuronales artificiales.
En el campo de la econometra, ya que se integrarn dentro de esta rea modelos propios de la
inteligencia computacional.
En la economa energtica, ya que los modelos que se desarrollen para analizar los casos de
aplicacin permitirn una comprensin ms clara de la dinmica de los precios, y de la influencia
que tienen sobre ellos los determinantes en la demanda, la oferta y la regulacin.
Igualmente, es de esperarse que se presenten otros impactos colaterales de los desarrollos realizados,
ya que las metodologas podran ser aplicadas por los agentes para modelar sus problemas particulares
de prediccin de precios.
34
Congreso
Velsquez J.D., Dyner R. y Souza R.C. 2004. Modelamiento de Series de Precios Spot de
Electricidad usando ANFIS. Congreso Internacional de Investigacin de Operaciones. Cartagena
- Colombia.
Velsquez J.D., Dyner R. y Souza R.C. 2004. Nonlinear Dynamic Modelos for predicting
electricity spot prices. 25th International Symposium on Forecasting. Sydney - Australia.
Velsquez J.D., Dyner R. y Souza R.C. 2004. Statistical Modelling of the Brazilian Electricity Spot
Price using ANFIS. 25th International Symposium on Forecasting. Sydney - Australia.
Velsquez J.D., Dyner R. y Souza R.C. 2005. Un modelo no lineal de los precios spot medios
mensuales en el Mercado Colombiano. VII Seminario Internacional sobre Anlisis y Mercados
Energticos & I Seminario CERES. Octubre 5 al 7. Santafe de Bogota.
Velsquez J.D., Dyner R. y Souza R.C. 2005. Dinmica de los Aportes Totales al Sistema
Hidroelctrico Interconectado Nacional Colombiano. VII Seminario Internacional sobre Anlisis
y Mercados Energticos & I Seminario CERES. Octubre 5 al 7. Santafe de Bogota.
Velsquez J.D., Dyner R. y Souza R.C. 2005. Prediccin Condicional del Precio Mensual de Bolsa
basada en Escenarios de Eventos Hidrolgicos Extremos. VII Seminario Internacional sobre
Anlisis y Mercados Energticos & I Seminario CERES. Octubre 5 al 7. Santafe de Bogota.
Publicaciones
Velsquez J.D., Dyner R. y Souza R.C. 2004. Modelacin de Series de Tiempo usando ANFIS.
Revista Iberoamericana de Inteligencia Artificial.
35
Velsquez J.D., Dyner R. y Souza R.C. 2005. Dinmica de los Aportes Totales al Sistema
Hidroelctrico Interconectado Nacional Colombiano. Avances en Recursos Hidrulicos.
Velsquez J.D., Dyner R. y Souza R.C. 2006. Polticas para la integracin del juicio experto y los
pronsticos en el marco organizacional. Estudios Gerenciales. No. 99, pp 131150
Velsquez J.D., Dyner R. y Souza R.C. 2007. Prediccin del precio de la electricidad en Brasil
usando una red neuronal autorregresiva. Revista Chilena de Ingeniera. (por aparecer).
1.11 Material de referencia
Para resolver las preguntas de investigacin propuestas se han tomado elementos de diferentes tcnicas
estadsticas de pronstico, as como elementos de Judgemental Forecasting, las cuales las han resuelto
de forma parcial o total por fuera del marco de modelos no paramtricos no lineales de pronstico. El
anlisis presentado presupone la familiaridad del lector con dichas tcnicas, por lo que no se hace una
descripcin detallada de su fundamentacin terica. Sin embargo, se recomienda al lector interesado
los siguientes artculos y libros, as como las referencias citadas a lo largo de esta tesis:
Judegmental Forecasting : Los trabajos de Hogarth (1994) y Goodwin y Wright (1994).
Modelos Dinmicos Lineales y Aprendizaje Bayesiano : Pole et al. (1994) y Harvey (1989)
Modelos Economtricos : Hamilton (1994).
Redes Neuronales Artificiales : Anders y Korn (1999), Doffner (1996), Hansen y Nelson. (1997),
Kaastra y Boyd (1996)
Escenarios : Heijden (1996), van der Heijden et al. (2002), Schwartz (1996).
36
En el captulo anterior han emergido tres requerimientos que limitan la aplicabilidad de los modelos
tradicionales de prediccin cuando son aplicados a los precios de la electricidad:
La posible existencia de relaciones no lineales entre los precios y sus determinantes.
La presencia de volatilidad cambiante en el tiempo y grupos de volatilidad similar en las series
de precios.
La posible presencia de observaciones atpicas y cambios estructurales, los cuales pueden ser
debidos a hechos puntuales o cambios permanentes en los determinantes de los precios.
Cambios permanentes o puntuales en la dinmica de formacin de los precios.
De los modelos disponibles, aquellos provenientes de la inteligencia computacional tales como las
redes neuronales artificiales y los sistemas de inferencia difusa presentan el atractivo de poder
aproximar funciones no lineales desconocidas que estn bien definidas en dominios compactos
vase a Jang (1993) para los modelos adaptativos de inferencia neurodifusa, y a Hornik, Stinchcombe
y White (1989), Cybenko (1989), y Funahashi (1989) en el caso de las redes neuronales, cumpliendo
as nicamente con el primero de los requerimientos. Sin embargo, la concepcin de estos modelos
est basada en el problema general de regresin, por lo que se ignoran las particularidades propias
del problema de prediccin de series temporales en general, y de precios de electricidad en particular.
El objetivo de este captulo es desarrollar un marco metodolgico que permita superar las tres
primeras limitaciones cuando se usan sistemas de inferencia difusa y redes neuronales artificiales para
la prediccin de precios de electricidad. Con los desarrollos presentados en este captulo se formular,
posteriormente, un marco metodolgico para representar cambios continuos en la dinmica de los
precios.
2.1 Limitantes de los modelos
En esta seccin se discuten en detalle, las principales limitantes que presentan los sistemas adaptativos
de inferencia neurodifusa y los modelos de redes neuronales para la prediccin de precios de la
electricidad.
37
38
(2.1)
if x A2 y B1 z = p3 x + q3 y + r3
if x A2 y B2 z = p4 x + q4 y + r4
donde el dominio de x est cubierto por los conjuntos borrosos A1 y A2 , y el dominio de y por B1 y B2 .
La funcin de pertenencia para dichos conjuntos borrosos se define, comnmente, como la funcin de
campana generalizada:
(x; , , ) =
1
|2|
u
1 +
(2.2)
wj
PN
i=1
wi
Ntese que en (2.1) las variables que conforman los antecedentes de las reglas son las mismas que
conforman sus consecuentes; y que el dominio de cada variable est cubierto por al menos dos
conjuntos borrosos, de acuerdo con la definicin de reglas de TakagiSugeno. Usualmente, la funcin
especificada para el consecuente de las reglas es la combinacin lineal de las entradas, pero en el caso
general es posible usar funciones ms complejas. La ecuacin de la campana generalizada (2.2) es
una eleccin comn para modelar las funciones de pertenencia con que se especifican los conjuntos
borrosos.
El sistema formado por (2.1) puede incluir tanto informacin proveniente del experto en la forma
de reglas difusas, como reglas aprendidas a partir de informacin histrica de la serie temporal que se
est modelando. Esto se logra a travs del afinamiento de la cantidad y las funciones de pertenencia
asociadas a cada una de las variables explicativas.
Un problema fundamental en la aplicacin de la metodologa es la seleccin de las variables que
conformarn las reglas difusas, y el nmero de conjuntos borrosos asignados a cada variable. Jang
(1994) propone el uso del algoritmo CART desarrollado por Breiman, Friedman, Olshen y Stone (1984)
para determinar la estructura inicial de ANFIS, y posteriormente afinar los parmetros del modelo
usando un algoritmo de optimizacin.
Las limitantes de ANFIS para pronosticar series temporales estn relacionadas a dos aspectos:
39
xy
A1
x
A2
xy
B1
B2
B2
B1
1
A1
A2
Figura 2.1: Arquitectura tpica para ANFIS con reglas de TakagiSugeno, y particin inducida sobre
el espacio de entrada
40
H
X
h=1
h g(,h +
I
X
(i)
i,h xt ) + t
(2.3)
i=1
41
Figura 2.2: Perceptron multicapa con una capa oculta, tres neuronas de entrada, dos neuronas ocultas
y una capa de salida.
El modelo puede estar mal condicionado, lo cual es sntoma de que las diferencias entre las
magnitudes de los pesos son muy grandes; ello puede causar que las neuronas en la capa
oculta estn en su nivel de saturacin (diferentes entradas netas producen la misma salida),
y consecuentemente que el gradiente de la funcin de costo sea cercano a cero, por lo que la
optimizacin numrica se hace ineficiente.
El modelo no es estadsticamente identificable (Anders y Korn, 1999):
Diversos modelos equivalentes con la misma magnitud de la funcin de error pueden
obtenerse permutando las neuronas de la capa oculta.
Para funciones de activacin que cumplen con g(u) = sgn(u)|u|, es posible obtener el mismo
valor de salida cambiando de signo los pesos de las conexiones que entran y salen de la
misma neurona oculta.
El modelo no es globalmente identificable si la salida de una neurona oculta es cero, ya
que no es posible determinar el peso de la conexin que va de ella hacia la neurona de
salida; igualmente, los pesos de las conexiones que llegan a una neurona oculta no son
identificables, si el peso de la conexin que sale de ella es cero, ya que ellos pueden tomar
cualquier valor
Se ha encontrado [vase a Tang y Fishwick (1993), Masters (1993), Masters (1995), Kaastra y Boyd
(1996) entre otros] que la correcta especificacin del modelo determinacin de los regresores, el
nmero de neuronas en la capa oculta, y los valores ptimos de los parmetros est basada en
una secuencia de recomendaciones heursticas cuyos resultados son crticos, y que dependen de
los juicios basados en la experiencia del pronosticador y del procedimiento particular utilizado
vase a Masters (1995) para una revisin extensa de la problemtica, y a Kasabov (1998) para
otras heursticas ms recientes.
42
No existe un acuerdo sobre cul es la estrategia ms adecuada para realizar la seleccin del
modelo (Reed, 1993).
Y, en relacin a los requerimientos para la prediccin de precios de la electricidad:
Son homocedsticos, y, por tanto, no permiten representar directamente volatilidad cambiante
en el tiempo y grupos de volatilidad similar.
Sus parmetros son constantes, de tal forma, que se supone que las relaciones entre los regresores
y el precio permanecen en el tiempo, y la permanencia de dinmica de la serie.
2.2 Propuesta de aproximacin metodolgica para ANFIS
Para construir una aproximacin metodolgica que permita la prediccin de series temporales usando
ANFIS, es necesario vincular dicho modelo con otras tcnicas propias del anlisis economtrico,
as como tambin, establecer un proceso para obtener su especificacin cuando se analiza un caso
particular.
As, los objetivos de esta seccin son: demostrar que ANFIS puede ser obtenido como una
generalizacin de los modelos STR (Tersvirta, 1994); extender la especificacin obtenida para considerar
cambios en la volatilidad; incorporar mecanismos para tratar con observaciones atpicas y cambios
estructurales; y, finalmente, modificar la estrategia de especificacin de los modelos STR para adaptarla
al caso de ANFIS con volatilidad variable.
2.2.1 ANFIS para el modelado y prediccin de series temporales
Modelos SETAR
Sean las secuencias estacionarias {yt }, {zt } y {xt }, y una funcin F(). La secuencia {yt } sigue un proceso
SETAR (Self Exciting Threshold Autoregressive) de K regiones cuando:
(k)
if F(zt ) Rk yt = a0 +
U
X
j=1
(j)
(k)
a j xt
(2.4)
para k = 1, . . . , K (Tong, 1978). La determinacin de la cantidad de regiones K, sus lmites, y los valores
de los parmetros se hace a partir de los datos {xt , yt }T1 . El modelo definido en (2.4) puede ser reescrito
como un modelo paramtrico lineal:
yt = t +
K
X
k=1
h
i
Ik (zt ) gk (xt |{a(k)
}U )
j 0
(2.5)
1
Ik (z) =
Si z Rk
(2.6)
43
Modelos STR
Sean las secuencias {yt }, {zt } y {xt }, y una funcin F() cuyo rango est restringido al intervalo [0, 1]. La
secuencia {yt } sigue un proceso STR (Smooth Transition Regression) (Baccon y Watts, 1971; Maddala,
1977) cuando:
P2
P1
X
(2) (j)
(1) (j)
+ t
a(2) +
(2.7)
a
x
+
F(z
)
+
a
x
yt = [1 F(zt )] a(1)
0
t
t
j
j
0
j=1
j=1
La funcin F() permite definir dos regmenes de comportamiento asociados a F() = 0 y F() = 1, y una
regin de transicin entre ellos. Cuando F() es especificada como la funcin logstica:
S(u; , c) =
1
1+
e(uc)
(2.8)
el modelo se conoce como LSTR (logistic smooth transition regression); varios ejemplos de la funcin
sigmoidea para diferentes valores de son presentados en la Figura 2.3. Cuando tiende a infinito, la
funcin de transicin converge a la funcin indicadora (2.6), tal que el modelo se reduce a un SETAR
donde el parmetro c es el lmite entre las dos regiones en que se divide el dominio de la variable de
44
(2.9)
el modelo resultante es llamado ESTR (exponential smooth transition regression). Varios ejemplos de
la funcin (2.9) para diferentes valores de con c = 0 son presentados en la Figura 2.4. Un problema
de esta funcin es que converge a un valor constante cuando tiende a cero; cuando tiende a infinito
se reduce a un modelo SETAR.
Algunas de las propiedades de los modelos STR son discutidas por Tong (1990, sec. 3.3.3); su
proceso de especificacin es presentado por Granger y Tersvirta (1993, sec. 4.2), Tersvirta (1994) y
Eitrheim y Tersvirta (1996), y se basa en los siguientes pasos:
1. Se especifica un modelo autoregresivo de orden p
2. Se contrasta la hiptesis nula de linealidad versus la hiptesis alternativa de que la dinmica de
la serie puede ser descrita por un modelo STR
3. Si la hiptesis de linealidad es rechazada, se selecciona el tipo de funcin de transicin F()
(logstica o exponencial) y la variable de transicin, a partir de dos pruebas estadsticas que
permiten determinar cual de los dos modelos presenta la mejor aproximacin.
4. Se realiza la estimacin de los parmetros del modelo final, minimizando la sumatoria de los
errores al cuadrado.
5. Como paso final se procede a realizar las pruebas de diagnstico de modelo: se verifica que
no existan autocorrelaciones y que no se presenten relaciones no lineales remanentes entre los
S()
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
g=0.5
g=1
g=1.5
g=2
g=4
-4.0
-2.0
0.0
zt
2.0
4.0
6.0
F()
45
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
g=0.5
g=1
g=1.5
g=2
g=4
-4.0
-2.0
0.0
zt
2.0
4.0
6.0
) + t
if zt A1 yt = g(xt |{a j }U
0
(2)
if zt A2 yt = g(xt |{a j }U
) + t
0
(2.10)
46
antecedentes de (2.10) pueden contener ms de una variable de transicin, e inducen una particin
compleja del dominio de la serie temporal; diversos esquemas han sido presentados en la literatura
con el fin de lograr particiones ms eficientes del espacio de regresores, en los cuales a cada una de
ellos se les asignan dos o ms conjuntos borrosos, que pueden ser simtricos o asimtricos, induciendo
as diferentes esquemas de particin.
La formulacin presentada en (2.10) difiere de la formulacin tradicional de ANFIS en que se
incluye en el consecuente de cada regla a t , el cual es el mismo trmino para todas reglas; igualmente
(2.10) permite generalizar la formulacin de ANFIS, al caso en que los conjuntos de variables que
conforman los antecedentes y los consecuentes pueden ser diferentes. El proceso de clculo de yt
en (2.10), permite que dicho sistema sea transformado a una ecuacin paramtrica lineal, tal que los
coeficientes {a j }U
son calculados como:
0
(1)
a j = j (zt ) =
(2)
m(zt ; 1 , 1 , 1 ) a j
m(zt ; 1 , 1 , 1 ) + m(zt ; 2 , 2 , 2 )
m(zt ; 2 , 2 , 2 ) a j
m(zt ; 1 , 1 , 1 ) + m(zt ; 2 , 2 , 2 )
(2.11)
P
X
j=1
(j)
j (zt ) xt
(2.12)
cuyo comportamiento depende de la variable de transicin zt , y para el cual, los coeficientes {ak }K0 son
(2.13)
1
1 + exp[(u c)]
(2.14)
Z(zt ; 1 , c1 )
(1)
(1) (j)
a j xt +
yt =
a0 +
Z(zt ; 1 , c1 ) + S(zt ; 2 , c2 )
j=1
S(zt ; 2 , c2 )
(2)
(2) (j)
a j xt + t
a0 +
Z(zt ; 1 , c1 ) + S(zt ; 2 , c2 )
j=1
(2.15)
47
(2.16)
P
P
(2)
(1)
(2) (j)
(1) (j)
a j xt + t
yt = [1 S(zt ; , c)] a0 +
a j xt + S(zt ; , c) a0 +
(2.17)
j=1
j=1
la cual corresponde al modelo LSTAR definido en (2.7). Si se hace cero, la funcin de transicin se
hace igual a 0.5 de tal forma que (2.17) converge al modelo lineal:
P
yt =
1 (1)
1 X (1)
(2)
(2) (j)
[a0 + a0 ] +
[a j + a j ]xt + t
2
2
(2.18)
j=1
yt =
(2.19)
En la Figura 2.7 puede observarse como el modelo (2.19) puede generar patrones de comportamiento
muy complejo variando slo el trmino constante en el consecuente de las reglas. Las cuatro series
sintticas presentadas son generadas usando como punto inicial y0 = 0 y la misma secuencia de
valores aleatorios. La inspeccin de los diagramas de dispersin presentados en la Figura 2.8, para
estas mismas series permite corroborar la diferencia de comportamiento entre los modelos. En dicha
Figura, la lnea continua representa el pronstico determinstico de (2.19), que se obtiene al hacer
t = 0, y que corresponde al valor esperado de yt cuando es conocido yt1 .
Los cuatro modelos presentados presentan diferentes puntos de equilibrio o puntos fijos para los
cuales y = G(y ; ), donde G() representa la parte determinstica de (2.19). Ellos aparecen en la Figura
2.8 como las intersecciones entre el pronstico determinstico y la lnea punteada que representa los
= 0.5, presentado en
= 0.5 y a(2)
puntos para los cuales yt = yt1 . Para el modelo (2.19) con a(1)
0
0
las Figuras 2.7a y 2.8a, existe un nico punto de equilibrio en y = 0.2857; este es global, ya que
para cualquier valor inicial y0 el pronstico determinstico converge a este valor; adicionalmente es
estable ya que y = G(y ; ). Una situacin similar ocurre para el modelo presentado en las Figuras
2.7c y 2.8c: hay un punto de equilibrio global estable en y = 0.1786. A diferencia de los dos modelos
(1)
(2)
anteriores, el modelo (2.19) con a0 = 1.5 y a0 = 1.5, presentado en las Figuras 2.7b y 2.8b, tiene los
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
F()
u()
48
-4.0
-2.0
0.0
2.0
4.0
6.0
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
-4.0
-2.0
zt
0.0
2.0
4.0
6.0
2.0
4.0
6.0
2.0
4.0
6.0
zt
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
F()
u()
-4.0
-2.0
0.0
2.0
4.0
6.0
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
-4.0
-2.0
0.0
zt
zt
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
F()
u()
-4.0
-2.0
0.0
2.0
4.0
6.0
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
-4.0
-2.0
0.0
zt
zt
Figura 2.5: Conjuntos difusos modelados con las funciones S() y Z() y funciones de transicin
equivalentes
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
F()
u()
49
-4.0
-2.0
0.0
2.0
4.0
6.0
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
-4.0
-2.0
zt
0.0
2.0
4.0
6.0
2.0
4.0
6.0
2.0
4.0
6.0
zt
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
F()
u()
-4.0
-2.0
0.0
2.0
4.0
6.0
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
-4.0
-2.0
0.0
zt
zt
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
F()
u()
-4.0
-2.0
0.0
2.0
4.0
6.0
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
-6.0
-4.0
-2.0
0.0
zt
zt
Figura 2.6: Conjuntos difusos modelados con la funcin B() y funciones de transicin equivalentes
50
siguientes tres puntos fijos: 0.9712, 0.8146 y 2.9680; el primero y el ltimo son atractores a los cuales
converge el pronstico determnistico cuando yt1 < 0.8146 o yt1 > 0.8146 respectivamente, mientras
que el segundo corresponde a la divisin de la regin de atraccin entre ellos. Finalmente para el
(1)
(2)
modelo a0 = 1.5 y a0 = 1.5, existe un punto fijo en y = 0.3281, con equilibrio inestable, ya que
el pronstico determinstico oscilar en el largo plazo entre los puntos 1.6416 y 0.6192, puesto que
G(1.6416; ) = 0.6192 y G(0.6192; ) = 1.6416, oscilando entre un rgimen y otro. Esta caracterstica
es conocida como ciclo lmite, e indica la existencia de una dinmica endgena que hace que el modelo
fluctue entre diferentes valores repetitivos aunque el trmino aleatorio sea cero.
6.0
5.0
4.0
3.0
2.0
1.0
0.0
6.0
5.0
4.0
3.0
2.0
1.0
0.0
-1.0
-2.0
-3.0
-4.0
-1.0
-2.0
-3.0
-4.0
50
( a )
a0
100
(1)
= -0.5,
150
(2)
a0
200
= 0.5
50
( b )
6.0
5.0
4.0
3.0
100
a0
(1)
= -1.5, a 0
150
(2)
200
= 1.5
6.0
5.0
4.0
3.0
2.0
1.0
0.0
-1.0
-2.0
-3.0
-4.0
2.0
1.0
0.0
-1.0
-2.0
-3.0
-4.0
0
50
( c )
100
150
200
50
( d )
100
150
200
(1)
Figura 2.7: Ejemplos de series temporales generadas con el modelo (2.19) con parmetros a1 = 0.5,
(2)
a1 = 0.5, 1 = 2 = 2, c1 = 0, c2 = 1 y t siguiendo una distribucin normal estandar
Un anlisis similar puede ser realizado para diferentes valores de . En este caso, los parmetros
(1)
(1)
(2)
(2)
de los consecuentes son a0 = 1.5, a1 = 0.5, a0 = 1.5 y a1 = 0.5. Los diagramas de dispersin para
este modelo con diferentes valores de 1 = 2 son presentados en la Figura 2.9
2.3 Propuesta de aproximacin metodolgica para redes neuronales
2.3.1 Arquitectura del modelo
Son muchas las limitantes que han sido sealadas al considerar la prediccin de series de precios de
la electricidad usando perceptrones multicapa. No obstante, al realizar algunas consideraciones sobre
su arquitectura, e interpretarlo desde un punto de vista estadstico es posible salvar algunos de los
obstculos encontrados.
51
( a )
-2.0
0.0
2.0
y[t-1]
4.0
6.0
( c )
6.0
5.0
4.0
3.0
2.0
1.0
0.0
-1.0
-2.0
-3.0
-4.0
-4.0
( b )
-2.0
0.0
2.0
y[t-1]
4.0
6.0
6.0
5.0
y[t]
y[t]
6.0
5.0
4.0
3.0
2.0
1.0
0.0
-1.0
-2.0
-3.0
-4.0
-4.0
y[t]
y[t]
6.0
5.0
4.0
3.0
2.0
1.0
0.0
-1.0
-2.0
-3.0
-4.0
-4.0
-2.0
0.0
2.0
y[t-1]
4.0
6.0
4.0
3.0
2.0
1.0
0.0
-1.0
-2.0
-3.0
-4.0
-4.0
( d )
-2.0
0.0
2.0
y[t-1]
4.0
6.0
Figura 2.8: Diagramas de dispersin de yt1 vs yt para las series presentadas en la Figura 2.7
6.0
6.0
5.0
5.0
4.0
4.0
3.0
3.0
2.0
2.0
y[t]
y[t]
52
1.0
1.0
0.0
0.0
-1.0
-1.0
-2.0
-2.0
-3.0
-3.0
-4.0
-4.0
-2.0
0.0
2.0
y[t-1]
4.0
-4.0
-4.0
6.0
6.0
6.0
5.0
5.0
4.0
4.0
3.0
3.0
2.0
2.0
1.0
0.0
0.0
-1.0
-2.0
-2.0
-3.0
-3.0
-2.0
0.0
2.0
y[t-1]
( c )
= 5.0
4.0
6.0
4.0
6.0
4.0
6.0
= 2.0
1.0
-1.0
-4.0
-4.0
0.0
2.0
y[t-1]
( b )
y[t]
y[t]
( a ) = 0.5
-2.0
-4.0
-4.0
-2.0
0.0
2.0
y[t-1]
( d ) =
(1)
Figura 2.9: Diagramas de dispersin de yt1 vs yt para el modelo (2.19) con parmetros a0 = 1.5,
(2)
(2)
(1)
a1 = 0.5, a0 = 1.5, a1 = 0.5, c1 = 0 y c2 = 1, y diferentes valores de 1 = 2 =
53
1 exp(u)
+ u
1 + exp(u)
(2.20)
cuya grfica para distintos valores de es presentada en la Figura 2.10. En esta tesis, se us
= 0.05 en todos los casos analizados.
Existen dos mecanismos que pueden reducir la cantidad de configuraciones equivalentes del modelo:
Imponiendo restricciones sobre los parmetros que representan los pesos que van de la capa
oculta a la capa de salida:
Para un conjunto cualquiera de parmetros , los pesos de la capa oculta a la capa de
salida, h para h = 1, . . . , H definidos en (2.3), pueden restringirse a ser positivos, ya que
el producto de la salida de la neurona oculta por el correspondiente peso h (u; ), no
cambia de signo, si todos los pesos de las conexiones que entran y salen de dicha neurona
cambian de signo; esto se debe a que la funcin (u; ) es simtrica alrededor del origen,
por lo que (u; ) = (u; ).
Tal como ya se indic, diferentes configuraciones del modelo pueden ser obtenidas permutando
las neuronas de la capa oculta. Esta multiplicidad puede evitarse al imponer una segunda
restriccin en la que los pesos estn siempre ordenados de forma creciente: 0 < 1 2
H X
h
I
X
X
(i)
yt = +
x
;
+ t
,h
i,h t
h=1
i=1
(2.21)
i=1
54
Los modelos propuestos pueden generar comportamientos bastante complejos. As, por ejemplo,
en la Figura 2.11, la primera fila corresponde a una realizacin del modelo:
yt = (yt1 1.0) + (yt1 + 1.0) + t
mientras que la segunda corresponde a:
yt = 0.5(yt1 ) + 1.5(4.5yt1 + 1.0) + t
Ambas series fueron generadas usando la misma secuencia de aleatorios con = 1 y t N[0, 1], as
como el mismo valor inicial yt = 1.0. Ambas series tienen una longitud de 400 observaciones.
2
1.5
0.5
0.5
1.5
2
8
Figura 2.10: Grfica de la funcin de activacin (u; ) definida en (2.20) para =0.01, 0.05, 0.10
(2.22)
55
5
0
5
50
100
150
200
250
300
50
100
150
200
250
300
50
100
150
200
250
300
50
100
150
200
250
300
5
0
5
10
5
0
5
10
0
10
20
56
(2.23)
Esta consideracin permite especificar modelos no lineales en varianza. Diversas propuestas han sido
realizadas para especificar la funcin K():
ARCH de Engle (1982).
Generalized ARCH (GARCH) de (Bollerslev, 1986).
Asimetric GARCH (AGARCH) de Engle y Ng (1993).
Exponential GARCH (EGARCH) de Nelson (1991).
Absolute value GARCH (ABGARCH)
GJR-GARCH
Threshold GARCH
Quadratic GARCH
RiskMetrics
Volatilidad estocstica (Melino y Turnbull, 1990).
Varianza estocstica multivariada (Harvey et al., 1994).
y otros.
As, por ejemplo, si se supone que los errores siguen un proceso ARCH (Engle, 1982), entonces:
2t = 2 + 21 2t1 + + t
(2.24)
cuyos parmetros se estiman de forma simultnea con los parmetros del sistema conexionista
utilizado, maximizando el logaritmo de la funcin de verosimilitud de los residuales:
log L =
T
T
T
1X
1 X 2t
log(2)
log 2t
2
2
2
2t
t=1
(2.25)
t=1
57
B
X
b (b)
t + t
b=1
58
Todas las estrategias se basan en un algoritmo constructivo donde se parte de un modelo simple
cuya complejidad va aumentando. Ello evita a que se consideren modelos con parmetros
irrelevantes.
El contraste parte de considerar un modelo libre y un modelo restringido que se obtiene
al imponer algunas restricciones sobre los parmetros del modelo libre, los cuales deben ser
estimados antes de realizar la prueba. Por lo tanto, no se parte de una aproximacin a uno de
los modelos, tal como ocurre en el contraste de Wald o el Multiplicador de Lagrange.
2.6.2 ANFIS
La estrategia de especificacin de ANFIS para el caso univariado es la siguiente:
1. Se obtiene el orden ptimo P de un modelo AR, usando un criterio de informacin como el de
Akaike (1973), Hannan y Quinn (1979) o Schwarz (1978).
2. Se realiza una prueba de contraste para determinar si un modelo STR (Tersvirta, 1994) puede
representar mejor la dinmica de la serie versus el modelo lineal obtenido en el paso anterior. Si
se acepta la hiptesis nula favoreciendo la alternativa lineal se detiene el proceso, de lo contrario
se continua con el prximo paso. Aqu se realiza una prueba formal para demostrar la no
linealidad de la serie de precios analizada.
3. Se determina el tipo de funcin de transicin (logstica o exponencial), y la variable de decisin
tal como es descrito por Tersvirta (1994). Se procede a estimar el modelo especificado.
4. A partir del modelo STR obtenido en el paso anterior, se estima un modelo ANFIS homocedstico.
5. Se determina si ANFIS (modelo libre) tiene un ajuste estadsticamente significativo a la serie en
comparacin con el modelo STR (restringido) usando el contraste del radio de verosimilitud. Si
se acepta la hiptesis nula, ambos modelos no son significativamente diferentes, por lo que se
selecciona el modelo STR; en caso contrario, se selecciona ANFIS.
6. Se realizan las pruebas de bondad del ajuste para determinar si los residuales normalizados del
modelo seleccionado en el paso anterior son normales, incorrelacionados y homocedsticos. La
presencia de ARCH es determinada usando el contraste de Engle (1982).
7. Si se comprueba la presencia de ARCH se continua con el paso 8; en caso contrario se va al paso
9.
8. Se especifica un proceso ARCH para representar la estructura en la dinmica de los residuales,
y se estima nuevamente el modelo obtenido. Se retorna al paso 6.
9. Se verifica la existencia de observaciones atpicas y cambios estructurales en los residuales
normalizados del modelo. Si estos existen se procede a su modelado segn se indic anteriormente;
en caso contrario, el modelo est completamente especificado.
59
60
Varios importantes aportes conceptuales y metodolgicos de esta tesis han emergido en el captulo
anterior. Ellos estn relacionados con la vinculacin y extensin de los sistemas conexionistas propios
de la inteligencia computacional con las tcnicas propias de la econometra, y el establecimiento de
un procedimiento basado en criterios estadsticos para su especificacin.
Sin embargo, la aproximacin metodolgica propuesta en el captulo anterior no permite representar
cambios en la dinmica de las series de precios. En este sentido se indic, en el primer captulo de
esta tesis, que los sistemas dinmicos lineales permiten modelar la dinmica cambiante de las series
temporales, pero que su debilidad estaba relacionada con su incapacidad para manejar relaciones no
lineales entre la variable dependiente y sus regresores.
A partir de las dos consideraciones anteriores, emerge la posibilidad de buscar un mecanismo que
permite combinar los sistemas conexionistas desarrollados en el captulo anterior con los modelos
dinmicos lineales, de tal forma que la falencia no superada pueda ser salvada. Este es el objetivo de
este captulo.
62
t N[0, 2 ]
t N[0, 2]
t N[0, 2 ]
E[t ] = 0 y V[t ] = Q
(3.1)
(3.2)
donde zt representa el vector de regresores; t es el vector de estados del modelo; dt es valor numrico
variable en el tiempo que representa todos los efectos determinsticos en yt ; t es una perturbacin
aleatoria que sigue una distribucin normal con media cero y varianza ht , que resume el efecto de
todas las variables causales no incluidas en el modelo; T es una matriz invariante en el tiempo que
controla la evolucin de los parmetros; ct es un vector que agrupa los efectos determinsticos sobre el
vector de estados del modelo; y t es un vector de perturbaciones aleatorias con media cero y matriz
de covarianzas Q.
La especificacin del modelo queda definida al asumir que: E[1|0 ] = a1|0 y V[1|0 ] = P1|0 . Ya que
no existe informacin a priori sobre algunos elementos de 1|0 , algunos de sus elementos tendrn una
distribucin prior difusa. Bajo este supuesto, la matriz de covarianzas puede ser escrita como:
P1|0 = P + P
(3.3)
donde P es la matriz diagonal; si el i-simo elemento de la diagonal es igual a la unidad, indica que
este posee una distribucin prior difusa, de tal forma que la i-sima fila y la i-sima columna de P son
63
ignoradas. es una constante cercana a infinito. Igualmente se asume que a1|0 es un vector de ceros.
3.1.3 Componentes
A continuacin se describen las distintas componentes no observables consideradas y su representacin
matemtica en la forma de espacio de estados. A menos que se indique lo contrario, la matriz P es
la identidad, y P es una matriz cuadrada de ceros.
1. Tendencia: En su modelado, se considera que la serie tiene en el periodo actual un nivel
no observable t , que se obtiene a partir del nivel anterior t1 ms un incremento t1 (que
corresponde a la pendiente). En su forma ms general, el modelo puede especificarse como:
h
zt = 1
i
0
t
=
0
t
2
Q =
0
t1 t
+ ,
t1 t
(3.4)
con t N[0, 2] y t N[0, 2]. Aqu, , y son constantes cuyos valores permiten definir
los siguientes modelos:
Paseo aleatorio: = 1, = = 0 con 2 = 0.
Paseo aleatorio suavizado: 0 < < 1, = = 1 con 2 = 0
Paseo aleatorio integrado o paseo aleatorio de segundo orden: = = = 1 con 2 = 0.
Paseo aleatorio con deriva: = = = 1 con 2 = 0.
Tendencia local lineal: = = = 1
Nivel local lineal: = 1, = = 0 con 2 = 0
Tendencia suavizada: = = 1, 0 < < 1
Convergencia: 0 < , < 1, = 1
2. Estacionalidad: Se define como una componente peridica repetitiva con media cero. Puede
ser representada usando variables ficticias t , t1 , . . . , tP+1 , cuyo valor en el periodo t es
perturbado con un ruido aleatorio t . En la forma de espacio de estados, esta componente
(para un periodo P = 4) es representada como:
h
zt = 1
i
0 0 ,
t 1 1 1 t1 t
= 1
0
0 t2 + 0 ,
t1
t2
0
1
0 t3
0
Q = 0
0 0
0 0
0 0
(3.5)
3. Ciclos estocsticos de largo plazo: Los comportamientos cclicos de largo plazo pueden modelarse
a travs de una combinacin de funciones seno y coseno, tal que:
h
zt = 1 0 ,
cos c sin c t1 t
t
+ ,
=
sin c cos c t1 t
t
2
Q =
0
(3.6)
64
donde t , t N[0, 2], con 0 < c < y 0 < 1. Para este caso particular, P = Diag[2 , 2 ], y
P = Diag[0, 0] con:
2nu
2 =
(1 )2
4. Autorregresin: En algunas situaciones, una componente autorregresiva no observable puede
capturar la dinmica de corto plazo de la serie. Ella se representa como:
zt = 1,
t = t1 + t ,
Q = 2
(3.7)
G
X
(g)
(g) xt
(3.8)
g=1
Este efecto puede hacerse estocstico, al considerar que los coeficientes (g) siguen un paseo
aleatorio, de tal forma que esta componente puede representarse como:
h
zt = x(1)
t
i
,
. . . x(G)
t
(1)
t
.
.. = IG
(G)
t
(1) (1)
t1 t
. .
.. + .. ,
(G) (G)
t1
t
Q = Diag[2(1) , . . . , 2(G) ]
(3.9)
3.1.4 Filtrado
La distribucin de probabilidades del vector de estados est condicionada al principio del periodo
t, a la informacin disponible en el instante t 1, tal que:
t|t1 N[at , Pt ]
(3.10)
(3.11)
65
El filtro de Kalman permite evaluar recursivamente 3.10 a partir de las siguientes ecuaciones:
ft = zt at
(3.12)
v t = y t zt at
(3.13)
zt Pt z0t
+ ht
(3.14)
Kt = T Pt z0t F1
t
(3.15)
Lt = T Kt zt
(3.16)
Ft =
at+1 = T at + Kt vt
(3.17)
Pt+1 = T Pt Lt + Q
(3.18)
3.1.5 Estimacin
La estimacin de los parmetros del modelo definido por (3.1) y (3.2) se basa en el principio de mxima
verosimilitud. En el caso de los modelos de series temporales, la funcin de densidad de probabilidad
de las observaciones es condicional a la informacin disponible en t 1, Dt1 , tal que la verosimilitud
est dada por:
L({yt }Tt=1 ; )
T
Y
t=1
p(yt |Dt1 )
(3.19)
Ya que la distribucin de p(yt |Dt1 ) es normal, (3.19) sigue una distribucin normal. Es fcilmente
demostrable que:
L({yt }Tt=1 ; ) =
T
1 X v2t
1X
log Ft
log 2
2
2
2
Ft
T
t=1
t=1
(3.20)
donde es el vector de hiperparmetros del modelo conformado por ht , los elementos de Qt , y otros
parmetros necesarios para definir (??) y (??) completamente.
El vector de estados del modelo, t contiene el valor de los parmetros estimado con base en
la informacin disponible hasta el instante t. No obstante, es posible recalcular su valor con base
en toda la muestra de datos, proceso conocido como suavizamiento; a partir de dicha informacin,
el desempeo general del modelo puede ser analizado. En este trabajo de utiliza el suavizador de
perturbaciones de Harvey y Koopman (1992).
3.1.6 Suavizado
En esta Tesis se utiliza el suavizador de momentos. Su objetivo es estimar el valor de t|T teniendo
en cuenta toda la informacin disponible. Las ecuaciones del suavizador de momentos utilizado es el
66
siguiente:
0
et = vt F1
t Kt rt
0
Dt = F1
t + Kt Nt Kt
F1
t
(3.22)
L0t r0t
(3.23)
(3.24)
at = at + Pt rt1
(3.25)
rt1 =
z0t
(3.21)
vt +
67
H
X
h=1
(i)
+ t
,h +
i,h xt ;
h
i=1
con la funcin de activacin sigmoidea en la capa oculta, y funcin de transferencia lineal en la salida.
Este modelo puede ser escrito en un sistema de dos ecuaciones:
yt = +
H
X
wh kh + t
(3.26)
I
X
(3.27)
h=1
kh = (,h +
(i)
i,h xt )
i=1
, con
1 0
0 1
1
. = . .
..
.. ..
H t
0 0
. . . 0
. . . 0 1
.
. . . 0 ..
. . . 1 H t1
, con
0
1
. = .
..
..
H t
0
0
1
..
.
0
. . . 0
0
. . . 0 1
1
. + .
.
.
.
. . . 0 .
. . . 1 H t1
H
Este sistema puede ser interpretado como un perceptrn multicapa, en el cual los pesos de las
conexiones de la capa de entrada a la capa oculta permanecen fijos, mientras que los pesos de la capa
oculta a la capa de salida se actualizan dinmicamente. Ya que este modelo ha sido reducido a un
modelo dinmico lineal, toda la metodologa desarrollada para la aproximacin tradicional puede ser
usada en este caso.
El vector de hiperparmetros est conformado por los valores de los pesos de las conexiones de
la capa de entrada a la capa oculta, y los trminos h y {2i }H
.
0
Otras configuraciones pueden ser obtenidas siguiendo esta misma idea. Por ejemplo, la componente
68
de combinacin lineal de variables explicativas previamente definida en (3.8) y (3.9), puede ser
combinada con un modelo de nivel local lineal, el cual representa el intercepto de un modelo
de regresin tradicional; la configuracin descrita es equivalente a un modelo de regresin cuyos
coeficientes varan en el tiempo; se asume en este caso que la componente irregular en la representacin
de espacio de estados ha sido eliminada. Si se hace que la varianza de los coeficientes de las variables
explicativas sean estticos conservando el modelo de nivel local lineal, se obtiene un modelo de
regresin lineal cuyo intercepto vara en el tiempo siguiendo un paseo aleatorio. Esta idea puede ser
fcilmente extrapolada al perceptrn multicapa definido en el Captulo 3, haciendo que la conexin
de la neurona adaptativa a la neurona de salida, , cambie siguiendo un paseo aleatorio. Otras
configuraciones de redes neuronales de propagacin hacia delante pueden ser modificadas de igual
manera siguiendo este mismo procedimiento, por ejemplo, los modelos ARX-MLP o cascadacorrelacin.
SI xt A1
SI
(i)
xt
A2
ENTONCES
ENTONCES
(1)
y t = a0 +
yt =
(2)
a0
U
X
j=1
(1) (j)
j=1 a j xt
PP (2) (j)
j=1 a j xt
PP
+ t
+ t
(j)
a j xt
m(x(i)
t ; 1 , 1 , 1 )
(i)
m(xt ; 1 , 1 , 1 )
(i)
m(xt ; 2 , 2 , 2 )
(1)
aj
m(x(i)
t ; 2 , 2 , 2 )
(i)
m(xt ; 1 , 1 , 1 )
(2)
aj
(i)
m(xt ; 2 , 2 , 2 )
el cual puede ser formulado en la forma de espacio de estados La versin dinmica aqu propuesta
se basa en permitir que los coeficientes de los consecuentes sean dinmicos de tal forma que (2.10) se
transforma a:
P
(i)
(1)
(1) (j)
SI xt A1 ENTONCES yt = a0,t + Pj=1 a j,t xt + t
(3.28)
P
(i)
(2)
(2) (j)
SI xt A2 ENTONCES yt = a0,t + Pj=1 a j,t xt + t
con:
(i)
(i)
(i, j)
a j,t = a j,t1 + t
(3.29)
mientras que las regiones de influencia permanecen fijas. Este modelo puede ser llevado directamente
a la forma de espacio de estados, en una forma similar al modelo autorregresivo dinmico de la seccin
69
(1) (P)
(2) (2)
(2) (P)
(i)
m(xt ; z , z , z )
(z)
m j,t =
(3.30)
(i)
(i)
m(xt ; 1 , 1 , 1 ) + m(xt ; 2 , 2 , 2 )
(3.31)
El vector t est conformado por los parmetros de las reglas de (3.28) y G es la matriz identidad. El
vector de hiperparmetros contiene los parmetros que definen la forma de los conjuntos borrosos
(2.2), y las varianzas de la ecuacin de observaciones y los coeficientes de las reglas del sistema
neurodifuso.
A pesar de que el modelo es no lineal, el sistema dinmico formado es lineal, por lo que la
metodologa para estimar el valor de los hiperparmetros ya presentada para el caso lineal puede ser
usada.
3.2.3 Formulacin Generalizada
En esta aproximacin metodolgica, la incorporacin de relaciones no lineales entre los regresores, se
realiza reemplazando:
Yt =
P
X
(p) (p)
t xt + t
p=1
por una combinacin lineal de funciones de los regresores, {g j (xt )}1J , cuyos coeficientes varan en el
tiempo:
Yt =
J
X
(j) g j (xt ) + t
(3.32)
j=1
El sistema puede hacerse dinmico al permitir que los coeficientes (i) varen en el tiempo:
Yt =
J
X
j=1
(j)
t g j (xt ) + t ,
(1)
1 0
(2)
0 1
con . = . .
..
.. ..
(P)
t t
0 0
0 (1)
1
0 (2)
2
.. .. + ..
.
. .
(P)
1 t1
P
(3.33)
P
La formulacin presentada en (3.32), solo es til en la medida que la especificacin de g j (xt ) pueda
capturar aspectos importantes de f () a travs de los datos {xt , yt }T1 }. Este es principalmente el objetivo
de los modelos no paramtricos de regresin, en especial Projection Pursuit, ANFIS entendido como
una forma de particionamiento y PMC.
M
X
m=1
fm (
n
X
i=1
(i)
im xt )
(3.34)
70
(i)
(i)
En los dos captulos anteriores, se ha formulado un mtodo formal basado en criterios estadsticos
y economtricos para el modelado de los precios de la electricidad usando varios tipos de sistemas
conexionistas, y se han introducido mecanismos de aprendizaje que permiten la adaptacin de los
modelos considerados a las condiciones particulares del mercado. En este sentido, los modelos
propuestos pueden recoger el efecto no lineal y cambiante en el tiempo de los distintos factores fsicos,
regulatorios y econmicos que afectan los precios. Ms an, presentan una ventaja sobre las tcnicas
economtricas tradicionales ya que permiten inferir las relaciones existentes a partir de los datos
mismos sin la necesidad de postular leyes econmicas a priori.
No obstante, la aproximacin presentada hasta este punto para la especificacin de modelos
conexionistas est profundamente basada en los principios fundamentales de la estadstica y la
econometra por lo que hereda tambin sus debilidades, a saber:
Estn limitados a la informacin disponible sobre el mercado de electricidad considerado.
No pueden anticipar hechos futuros que modifiquen la dinmica de los precios.
Su validez est basada en y limitada por conceptos estadsticos.
No pueden incorporar variables no medidas o imposibles de medir, tales como: deseos, objetivos
o percepciones.
Estas limitantes hace que las predicciones obtenidas slo sean validas para horizontes de muy corto
plazo, en donde el efecto de los diferentes factores que afectan los precios puede ser considerado
constante; no resulta sorprendente entonces, que la gran mayora de casos de aplicacin reportados
en la literatura se pronostiquen precios horarios o diarios. Como un resultado de sus limitaciones,
los modelos economtricos, en general, slo pueden presentar una pintura parcial e incompleta que
intenta explicar el comportamiento del mercado. Sin embargo, las metodologas consideradas en los
captulos anteriores de esta tesis se basan en mtodos formales de anlisis y modelado que permite
aprovechar la abundante informacin existente, la cual podra ser usada como un insumo por otras
aproximaciones, ms adecuadas, para la construccin de los escenarios y polticas relacionados con la
evolucin de los precios de mercado de la electricidad.
71
72
73
74
Normalidad.
Homocedasticidad.
4. Metadiagnstico.
Ajuste del modelo a los datos.
Seleccin del modelo final entre varios alternativos.
5. Uso del modelo.
Prediccin simple o condicional.
Ajuste subjetivo del pronstico.
El objetivo de la estrategia estadstica esbozada es eliminar en su mayor parte la componente subjetiva
reemplazndola por pruebas de hiptesis. Sin embargo, es imposible eliminar completamente la
incorporacin de elementos de juicio provenientes del modelador tal como se presenta en el diagrama
propuesto en la Figura 4.1.
Asimismo, existen varias debilidades y limitantes cuando dicha estrategia es aplicada a la prediccin
de precios en mercados energticos. Desde el punto de vista economtrico, el mecanismo de formacin
de los precios es representado por una o ms ecuaciones. Los modelos obtenidos no son anticipativos,
ya que estn basados en la experiencia histrica, y por tanto no pueden incorporar informacin
contextual, cualitativa y subjetiva sobre la evolucin futura del mercado. Las ecuaciones representan
leyes universales que no cambian con el tiempo. La validacin del modelo est limitada al concepto
estadstico, de tal forma que la necesidad de informacin numrica es un imperativo de la metodologa.
No obstante, la econometra (y por ende la estadstica) presenta grandes ventajas para la manipulacin
de grandes volmenes de informacin numrica; particularmente, la econometra emprica juega un
rol fundamental en el modelado de relaciones desconocidas de orden no lineal.
4.1.3 Simulacin
En trminos generales, la simulacin permite construir modelos que mimifiquen el comportamiento
del sistema real simulado a partir de la representacin explcita de su estructura. En relacin a
la optimizacin y los modelos estadsticos y economtricos, la simulacin posee claras ventajas
ya que permite representar relaciones no lineales, realimentaciones y dinmicas. Su proceso de
validacin incorpora elementos que van ms all de las pruebas de hiptesis, y centra ms en
aspectos relacionados con la validez estructural de los modelos. Desde esta perspectiva, la simulacin
juega un papel fundamental dentro de una aproximacin metodolgica que busque ir ms all de
las metodologas existentes para la construccin de pronsticos condicionales de los precios de la
electricidad.
4.2 Aproximacin metodolgica propuesta
En la Seccin anterior se examinaron, rpidamente, las ventajas y debilidades de las tres aproximaciones
existentes para la construccin de escenarios, y se concluy que la simulacin es, por mucho,
75
No
Si
Validacion y Pruebas
No
Son adecuados
los resultados?
Si
No
Son adecuados
los resultados?
Si
76
77
78
79
causas que pudieron determinar los comportamientos de los precios. La comparacin visual entre los
precios y las variables de mercado permite validar intuitivamente las teoras sobre la formacin de los
precios que fueron recopiladas previamente; no obstante, este paso puede ser peligroso debido a las
desviaciones y sesgos propios del ser humano.
4.3.5 Anlisis de las relaciones de causalidad
La recopilacin de hiptesis sobre el mercado permite construir una base de informacin sobre la
formacin de los precios de la electricidad. Sin embargo, esta informacin no esta organizada,
jerarquizada ni estructurada. La informacin obtenida tampoco es explcita sobre la forma funcional
de las relaciones entre las distintas variables de mercado y los precios. Finalmente, aunque se conozca
a priori la influencia de una variable de mercado sobre los precios, se desconoce cuantos rezagos
deberan ser considerados, al menos tentativamente, en los modelos preliminares.
As, el objetivo de este paso es sortear las falencias enunciadas en el prrafo anterior introduciendo
un proceso iterativo de anlisis basado en dos pasos:
1. La construccin iterativa de diagramas causales y de influencia que hagan explcitas las relaciones
planteadas en la recopilacin de hiptesis. Esta tcnica permite realizar un anlisis ordenado de
las relaciones de causalidad entre las diferentes variables de mercado consideradas, e identificar
y valorar las fuentes de incertidumbre.
2. La prueba estadstica de las relaciones de causalidad a partir de medidas no lineales de relacin,
las cuales permiten aprovechar la informacin disponible sobre el mercado.
Los dos pasos propuestos promueven la documentacin del proceso de anlisis y de los supuestos
empleados, la cual es requerida durante las fases posteriores. El resultado final de este paso no es
definitivo, y las variables de mercado consideradas son validadas posteriormente al especificar el
modelo final de prediccin de los precios.
Construccin del diagrama causal y de influencia
Tal como ya se ha discutido, la seleccin de las variables causales contiene un alto componente de
juicio experto, el cual puede ser viciado por las desviaciones y errores sistemticos derivados de no
realizar un proceso formal de razonamiento. Ya se ha indicado que los mtodos usualmente utilizados
para su seleccin estn normalmente basados en apreciaciones subjetivas, teoras econmicas y otros
elementos que no permiten una adecuada documentacin del proceso, ni una defensa de la seleccin.
La seleccin de las variables de mercado es un proceso crtico previo a la construccin de cada
modelo, ya que el resultado del proceso influye directamente sobre las fases posteriores, y cuando no
se presentan resultados aceptables en ellas, es necesario volver a esta fase para revisar los resultados
obtenidos. Su revisin se hace necesaria, ya sea por errores en la seleccin de las variables de mercado,
los cuales se ven evidenciados por modelos de bajo desempeo o por cambios en la dinmica de
formacin de los precios, que hacen necesaria la inclusin de nuevas variables o la eliminacin de
variables previamente seleccionadas, o la modificacin de los modelos.
80
La emisin de juicios, la toma de decisiones y el pensamiento sistmico son reas que estn
ntimamente ligadas, por lo que es posible aprovechar muchos de sus metodologas como una
forma de estructurar, organiza y jerarquizar conocimiento; la inclusin de tcnicas propias del
pensamiento sistmico permite obtener una visin ms holstica del mercado, y ayuda a lograr una
mayor comprensin de su funcionamiento.
El objetivo de este paso es la seleccin de las variables de mercado que sern incluidas dentro
del sistema de construccin de pronsticos condicionales de los precios de la electricidad. La
propuesta aqu desarrollada se basa en estructurar un proceso dinmico de seleccin de variables
que maximice y explicite completamente el conocimiento que se tiene sobre el mercado, cumpliendo
con dos caractersticas fundamentales:
1. La construccin de un soporte racional sobre la justificacin de la seleccin de las variables de
mercado consideradas a partir de conclusiones cualitativas que son extradas de la informacin
recopilada. Esta parte corresponde a un proceso argumentado de razonamiento para emitir
juicios sobre la inclusin de variables, que elimina los juicios aparentemente intuitivos, y denota
una clara aproximacin sistemtica a la seleccin de las variables consideradas.
2. La construccin de un soporte basado en evidencias que pueden ser corroborado de forma
objetiva mediante tcnicas estadsticas. La esencia de esta parte es el establecer un proceso
objetivo de validacin de los juicios emitidos en la primera parte, y construir a partir de sus
resultados, las evidencias que corroboraran que estos fueron correctos.
Un problema fundamental en el pronstico de los precios de la electricidad, es la necesidad de
construir previamente pronsticos de otras variables del mercado. Esto se debe a que muchas de dichas
variables estn interrelacionadas, y no puede pensarse que evolucionan independientemente, tal como
sera el caso, por ejemplo, del embalse agregado equivalente del sistema y los aportes hidrolgicos;
ello implica que dicha relacin debe ser tenida en cuenta durante el proceso de prediccin, para
garantizar la coherencia de los resultados. El proceso metodolgico de anlisis de las variables
de mercado debe permitir la deteccin de este tipo de situaciones y dar soporte a un proceso de
argumentacin y recoleccin de evidencias. Los diagramas de influencia (Howard y Matheson, 1986)
son construcciones tericas (McNamee y Celona, 1990) que permiten representar de forma compacta
problemas complejos, introduciendo de forma natural relaciones de dependencia; son ampliamente
utilizados en el anlisis de decisiones como un paso previo a la construccin de rboles de decisin.
Sus caractersticas los hacen una herramienta adecuada para analizar dichas relaciones, y el tipo de
incertidumbres entre las variables de mercado y los precios. Por otra parte, los diagramas causales
ilustran claramente la realimentacin (causalidad) entre las variables de mercado, y muestran los
ciclos de informacin importantes; al igual que en los diagramas de influencia, las flechas denotan
relacin, pero, adicionalmente indican el tipo de relacin; este aspecto es ampliamente ilustrado por
Sterman (2000).
Dentro de esta aproximacin metodolgica, se parte de la aplicacin de los diagramas de influencia
y de los diagramas causales como un mtodo analtico para el anlisis de problemas complejos de
prediccin condicional, especficamente en el proceso de seleccin de las variables de mercado que
81
sern consideras, de tal forma que se provea un marco racional para la decisin de su inclusin en el
sistema de construccin de escenarios.
Medidas de relacin no lineal
En el paso anterior, el diagrama construido permite elicitar el conocimiento recopilado sobre el
mercado de electricidad analizado, y plantear la estructura del sistema de prediccin condicional. En
l se han plasmado las interrelaciones entre las distintas variables de mercado incluyendo los precios.
Su proceso de construccin permite explicitar los razonamientos y evidencias histricas, as como los
juicios subjetivos sobre la formacin de los precios en el mercado. Sin embargo, esta es una vista
subjetiva, y por tanto, es necesario demostrar la existencia de las interrelaciones planteadas a partir de
mtodos ms formales. Usualmente, esto es realizado mediante las funciones de correlacin cruzada
simple y parcial; sin embargo, ya ha sido ampliamente demostrado en la literatura lo inconveniente de
esta prctica, sobre todo si existe la posibilidad de que las relaciones sean no lineales. Las limitantes
asociadas al uso de la correlacin para probar causalidad estn asociadas a:
Indicar relaciones inexistentes entre series cuando las series no han sido filtradas previamente.
En la parte superior de la Figura 4.2 se presentan las trazas de dos paseos aleatorios, xt y yt ,
generados independientemente como:
xt = xt1 + 0.1 t ,
yt = yt1 + 0.1 t ,
t N(0, 1)
t N(0, 1)
(4.1)
(4.2)
La correlacin entre xt y yt es de 0.708 indicando que existe una relacin entre ellas; pero es
claro, que no existe tal causalidad,y que la correlacin obtenida es debida a tendencias espurias
similares entre las dos series. En la parte inferior de la Figura 4.2 se presenta el histograma de
la correlacin para 1000 pares de series generadas aleatoriamente; puede deducirse claramente
que hay valores altos de correlacin con una frecuencia bastante alta, indicando falsamente la
existencia de una relacin entre las variables xt y yt .
La correlacin (y la autocorrelacin) puede indicar que no existen relaciones de causalidad
aunque dichas s existan. En la Figura 4.3a se presenta una realizacin de 200 datos para la
parbola logstica:
xt = 4.0 xt1 (1 xt1 )
(4.3)
con x1 = 0.2; vase a Granger y Lin (1994). Aunque claramente existe una relacin no lineal entre
xt y xt1 , el autocorrelograma presentado en la Figura 4.3b sugiere la inexistencia de tal relacin.
Ambos ejemplos muestran como el uso de las medidas de dependencia ya mencionadas es de utilidad
dudosa cuando las relaciones existentes entre las variable de mercado presentan una relacin de orden
no lineal. Granger y Tersvirta (1993) recopilan otras medidas que podran ser usadas para probar
la existencia de relaciones no lineales, pero presentan mltiples inconvenientes en cuanto a su uso y
especificacin.
82
Una aproximacin diferente es presentada por Nielsen y Madsen (2001); en dicho trabajo se
parte de la similitud entre las funciones de autocorrelacin y correlacin cruzada con el coeficiente
de correlacin. Si Y es, por ejemplo, el precio histrico de la electricidad, y X1 , . . . , Xk representan
variables del mercado, el coeficiente de correlacin puede calcularse como:
k =
V[Y] V[Y|X1 , . . . , Xk ]
V[Y]
(4.4)
donde la varianza condicional de Y respecto a las variables de mercado puede ser estimada usando
un modelo no lineal. El modelo anterior puede ser fcilmente extendido para estimar la correlacin
cruzada no lineal:
k =
(4.5)
(4.6)
donde a y b son los valores mximo y mnimo sobre el conjunto de observaciones. f () es un modelo
de regresin no lineal. Esta definicin pueden ser usada para formular las siguientes medidas de
relacin:
Autocorrelacin simple no lineal.
Autocorrelacin parcial no lineal.
Correlacin cruzada simple no lineal.
Correlacin cruzada parcial no lineal.
En esta tesis, se propone la estimacin de las funciones de relacin no lineal definidas anteriormente
a partir de los modelos de redes neuronales artificiales propuestos en el Captulo 2 de esta tesis. Esta
propuesta se basa en dos puntos clave:
La estimacin eficiente (en trminos computacionales) de los modelos 1 , 2 , . . .. Para ello, se
fija previamente la cantidad de neuronas en la capa oculta; para la estimacin de los parmetros
del modelo k se toma como punto de arranque el modelo obtenido para k1 agregando las
conexiones para la nueva entrada considerada con sus valores iniciales iguales a cero.
La determinacin del significado estadstico de la nueva variable considerada. Para ello, la
importancia de la nueva entrada es determinada formalmente a partir de la prueba del radio de
verosimilitud.
Ejemplos ilustrativos son desarrollados en los casos de aplicacin presentados en los captulos
posteriores.
83
Correlacion = 0.708
4
2
0
100
200
300
400
500
600
700
800
900
1000
0.06
0.04
0.02
0
1.5
0.5
0.5
1.5
(a)
1
0.8
0.6
0.4
0.2
0
20
40
60
80
100
120
140
160
180
200
(b)
1
0.5
0
0.5
1
0
10
15
20
25
84
El clculo de estas dos propiedades requiere que la funcin de densidad sea aproximada
numricamente a partir de los datos. Su anlisis permite determinar si hay indicios de no
linealidad en la media o en la varianza.
5. Igualmente, algunos comportamientos caticos pueden ser determinados a partir de los diagramas
de dispersin entre yt y yt+k . Dichos diagramas se construyen uniendo los puntos (yt , yt j ) y
(yt+1 , yt+1 j ) mediante lneas.
6. Los espectros de energa (simple y bivariado) pueden dar informacin importante sobre la
presencia de ciclos de largo plazo y componentes estacionales [vese a Hamilton (1994)].
7. Finalmente, y siguiendo la recomendacin de Tong (1990), las pruebas formales de linealidad
pueden ser un complemento apropiado a los mtodos anteriores. En el caso general se considera
como hiptesis nula que los precios {yt }Tt=1 puede ser representados como una combinacin lineal
(1)
(2)
(p)
H0 : yt = 0 + xt + et
donde los errores {et }Tt=1 son independientes e idnticamente distribuidos. Se considera como
hiptesis alternativa, que existe una relacin no lineal remanente en los residuales que permite
una mejor explicacin del comportamiento de yt , la cual puede ser detectada adicionando alguna
funcin no lineal al modelo de regresin en H0 ; en el caso de que exista realmente una relacin
de orden lineal, el modelo aumentado ser incapaz de explicar el comportamiento ms all del
modelo lineal.
4.3.7 Definicin de requisitos
La definicin de los requisitos finales del sistema est relacionada directamente al uso que se le den a
los pronsticos de los precios en la solucin del problema decisorio abordado. Ella es el producto de
85
todos los anlisis anteriores. Para que dicha definicin sea completa debe contemplar los siguientes
aspectos:
1. La definicin de los lmites del sistema en trminos de cules variables de mercado sern
consideradas como internas, y por ende modeladas explcitamente; y cules sern considerados
como externos, por lo que su efecto ya estar descontado en las componentes aleatorias de las
variables de mercado internas.
2. La definicin de las interrelaciones entre las diferentes variables de mercado y su estructura de
causalidad con los precios de la electricidad.
3. La priorizacin de las caractersticas de los precios y de las variables de mercado internas que
sern consideradas en el modelado, y que posteriormente sern usadas como criterios para la
seleccin de los modelos finales con que se implementar el sistema de simulacin.
4. El establecimiento del protocolo para la definicin de escenarios de prediccin condicional, el
cual debe combinar su descripcin cualitativa con los valores numricos requeridos para realizar
la prediccin de los precios.
4.4 Paso 2: Creacin de una lista de modelos posibles
Las caractersticas de la serie en estudio (el precio o una variable de mercado) que fueron determinadas
en el paso anterior son la base para establecer una lista de modelos alternativos que podran reproducir
dichas caractersticas; as por ejemplo, Pilipovic (1998) indica que autocorrelaciones negativas son una
seal fuerte en favor de un modelo de reversin en la media. En esta tesis se sugiere que la lista de
modelos alternativos para representar la dinmica de los precios este conformada, al menos, por:
1. Modelo ARX homocedstico (tradicional).
2. Modelo ARX-GARCH (tradicional).
3. Modelo estructural de componentes no observables (tradicional).
4. Modelo ARX-MLP homocedastico (propuesto en el captulo 2).
5. Modelo ARX-MLP heterocedstico (propuesto en el captulo 2).
6. Modelo ARX-MLP dinmico (propuesto en el captulo 3).
7. Modelo STR (tradicional).
8. Modelo ANFIS homocedstico (propuesto en el captulo 2).
9. Modelo ANFIS heterocedstico (propuesto en el captulo 2).
10. Modelo ANFIS dinmico (propuesto en el captulo 3).
86
La eliminacin de algunos modelos considerados en la lista anterior puede ser realizada con base en las
propiedades estadsticas de los datos ya analizadas en un paso anterior. Dentro de la documentacin
del desarrollo del sistema de pronstico, los modeladores deben presentar en una forma clara y
simple las principales hiptesis, falencias y debilidades de los modelos formulados para representar
la dinmica de las series temporales estudiadas.
4.5 Paso 3: Estimacin de parmetros
La estimacin de los parmetros para cada uno de los modelos alternativos considerados es realizada
segn las especificaciones presentadas en los Captulos 2 y 3 de esta tesis.
4.6 Paso 4: Diagnstico de los residuales
El anlisis de los errores de la prediccin un paso adelante, se realiza sobre los residuales normalizados
t = et / t . Sus objetivos son: (i) determinar si la muestra {t }Tt=1 sigue una distribucin normal; (ii)
87
Coherencia con los datos: El modelo debe proveer un buen ajuste a los datos, y los residuos
obtenidos deberan ser relativamente pequeos y aproximadamente aleatorios.
Consistencia con conocimiento previo: los parmetros estimados deben estar en concordancia
con el conocimiento sobre el proceso.
Admisibilidad de los datos: El modelo no debera poder predecir valores que violan restricciones
impuestas por la definicin de los datos, tales como valores negativos.
Estabilidad Estructural: El modelo debe proveer un buen ajuste para los datos por fuera de la
muestra de calibracin.
Encompasamiento: El modelo debe estar en capacidad de explicar los resultados dados por
posibles modelos alternativos.
La seleccin final del modelo se basa en su grado de ajuste a las caractersticas ms relevantes de
los precios, el cual puede ser determinado usando diferentes medidas de la precisin de la prediccin,
y por la similitud entre la distribucin de Y t y la distribucin real de los precios.
Para cumplir con los requisitos anteriores, es necesario que se realicen la verificacin de los
siguientes requisitos cuyo incumplimiento implica la reformulacin del modelo considerado:
Verificacin del significado estadstico de los parmetros. Las variaciones alternativas de un
modelo son obtenidas ya sea agregando regresores que no son considerados actualmente;
o eliminando algunos de los regresores requeridos para representar la dinmica de la serie
temporal. En la verificacin debe demostrarse que los regresores adicionales no tienen una
contribucin significativa en el desempeo del modelo, por lo que deben ser eliminados; o que
la eliminacin de algunos de los regresores actuales, degrada de forma importante el desempeo
del modelo, por lo que deben ser incluidos.
Si el modelo analizado es no paramtrico, las variaciones alternativas pueden ser obtenidas
aumentando o disminuyendo su complejidad (por ejemplo, eliminando o agregando neuronas
en la capa oculta de una red neuronal artificial); en ambos casos, debe demostrarse que el nuevo
modelo obtenido tiene un desempeo inferior respecto al original. En ambos casos, el desempeo
puede ser determinado usando medidas como los criterios de informacin de (Akaike, 1973),
Bayes o Schwartz.
Verificacin de la estabilidad de los parmetros. La estabilidad de los parmetros en el tiempo
puede ser establecida a travs de su estimacin recursiva; particularmente para el caso de
modelos no lineales, tales como las redes neuronales artificiales, existen muchos puntos de
mnima de la superficie de error, por lo que la estimacin recursiva de los parmetros debe
realizarse a partir sus valores ptimos calculados sobre la muestra de calibracin; de esta forma, la
estimacin se realiza para la muestra menos la ltima observacin, luego para la muestra menos
las dos ltimas y as sucesivamente. La deteccin de los cambios de los parmetros en el tiempo,
puede ser realizada indirectamente por el monitoreo de las variaciones en la distribucin de los
residuales estimados recursivamente, mediante las pruebas CUSUM (Page, 1954) y CUSUMQ
88
(Brown, Durbin y Evans, 1975). Igualmente, ambas pruebas permiten detectar cambios en la
estructura de la serie temporal.
Propiedades del modelo.
Propiedades estadsticas. En este punto, se determinan las propiedades estadsticas de
Y t , las cuales estn resumidas en su distribucin de probabilidades. Para ello se estiman
la esperanza y la varianza condicionales de Y t , E[Y t |Y tk ] y V[Y t |Y tk ] respectivamente.
En este trabajo, ellas son calculadas mediante una aproximacin no paramtrica de la
funcin de densidad de probabilidad de Y t , a partir de los datos sintticos obtenidos
xt )
;
g(
las propiedades de largo plazo pueden ser obtenidas estimando el valor esperado de Y t en
el largo plazo; para ello, se realiza la solucin numrica de la siguiente ecuacin, en donde
todas las ocurrencias de Y t j son reemplazadas por su valor esperado E[Y t j ] = y :
xt )
E[Y t ] = f(;
Para ello, se asumen diferentes valores iniciales de y muestreados en el dominio de Y t , y se
realiza un proceso de recursin en donde el trmino aleatorio ha sido fijado en cero; dicho
proceso puede converger a un nico punto de equilibrio estable independientemente del
valor inicial; puede presentar un ciclo lmite, en donde una secuencia de valores se repite de
forma infinita; puede presentar un comportamiento catico, en el que pequeas variaciones
en las condiciones iniciales pueden causar comportamientos ligeramente diferentes, aunque
la realizacin como tal no diverge a un valor infinito. Finalmente, se puede presentar la
divergencia del proceso a un valor infinito, siendo esta ltima situacin una causal suficiente
para descartar el modelo obtenido. Igualmente pueden presentarse combinaciones de los
anteriores, donde por ejemplo, ciertos valores iniciales generan la convergencia a un punto
de equilibrio estable, mientras otros causan un ciclo lmite.
En el caso multivariado, Granger y Tersvirta (1993) suguieren que el anlisis puede ser
realizado si se fijan las variables exgeneas al modelo en sus valores histricos medios,
eliminando la perturbacin que ellas inducen sobre la variable pronsticada; al igual que
89
Estabilidad Local. La estabilidad local del modelo est determinada por el efecto que
produce en el tiempo una perturbacin aleatoria ocurrida en el instnte t, y para su anlisis
se utiliza la Funcin Generalizada de Respuesta al Impulso (Koop, Pesaran y Potter, 1996),
la cual mide el cambio que se produce en el pronstico determinstico para el periodo t + k,
cuando se aplica una perturbacin ut conocida en el instante t al pronstico de Y t con la
informacin conocida en t 1, Xt1 ; dicha funcin es definida como:
GIR(k, xt1 , ut ) = E[Y t+k |Xt = xt , ut ] E[Y t+k |Xt = xt , ut = 0]
y se considera que el modelo obtenido es inestable cuando la perturbacin aleatoria se
amplifica en el tiempo. En el caso no lineal, Koop et al. (1996) han mostrado como que la
respuesta producida es dependiente del valor actual de la serie temporal, la magnitud de
la perturbacin (a la que se responde de forma no lineal), y a su signo; consecuentemente,
el resultado de evaluar la funcin GIR es una cantidad aleatoria, por lo que para su
representacin se utilizan grficos de caja.
A continuacin se describen los principales criterios que han sido utilizados en la literatura para
realizar la seleccin del modelo final entre un grupo de modelos alternativos.
4.7.1 Precisin de la prediccin
Los criterios de seleccin del modelo final basados en la precisin de la prediccin, implican la
separacin de la informacin disponible en dos muestras de datos, de las cuales la primera es usada
para la estimacin de los parmetros y la determinacin del ajuste de la prediccin a los datos histricos
(in-sample), mientras que la segunda muestra es usada para establecer la capacidad de prediccin del
modelo por fuera de la muestra de calibracin (out-of-sample), y particularmente para los modelos
no lineales, diagnosticar si se ha presentado la memorizacin de la informacin.
En la literatura de series temporales, se han propuesto diferentes medidas de la precisin de la
prediccin in-sample. Para su clculo se sigue la siguiente notacin: yt denota la observacin en el
periodo t; y t corresponde al valor esperado de la prediccin para el periodo t, E[Yt ]; se define el error
de la prediccin como et = yt y t , y el error porcentual como pt = 100et /yt . Cuando se usa un mtodo
alternativo cuyo error es et , se puede estimar el error relativo rt = et /et . I{u} = 1 si u es verdadero,
y cero en caso contrario. A continuacin se presenta una recopilacin de las principales medidas de
error usadas en la literatura.
Sumatoria de errores al cuadrado: SSE =
2
t=1 et
PT
SSE
T .
90
MSE.
PT
t=1
PT
t=1 (yt
2 donde y es la media de
y)
|et |
SAE
T
1
T
PT
t=1
|pt |
1
T
2|yt y t |
t=1 yt + y t
PT
1
T
PT
t=1
2|yt y t | T
yt + y t }t=1 )
|rt |
e2t
t=1 y2
t
PT
N1
TN (1
R2 )
e2
PT
1
t1
PT
91
PT
t=1 et
ESS ==
T+k
X
e2t
t=T+1
ESAV ==
T+k
X
t=T+1
|et |
j = 1, . . . , k
j=1
j=1
sigue asintticamente una distribucin normal estndar.
Otra medida para realizar la comparacin es la media geomtrica del error absoluto relativo
(RGRMSE 1 ):
2k1
kj=1 (yT+ j y T+ j|T+ j1,M1 )2
RGRMSE =
2k1
kj=1 (yT+ j y T+ j|T+ j1,M2 )2
Para finalizar la comparacin entre modelos, se debe realizar una prueba de encompasamiento
que tiene por objetivo determinar si la prediccin de un modelo contiene informacin til que est
1 Relative
92
93
forma que se justifique claramente las razones para pensar que son realmente posibles. Igualmente
su desarrollo est relacionado con determinar bajo que condiciones futuras durante el horizonte
de anlisis, las predicciones seran equivocadas; debe notarse, sin embargo, que existen hechos que
pueden considerarse como ya tenidos en cuenta dentro de la incertidumbre asociada a las predicciones
realizadas. La prediccin condicional es el insumo bsico para los procesos estructurados de toma de
decisiones, de tal forma, que los escenarios pueden ser construidos a partir de las relaciones planteadas
en rboles de decisin y diagramas de influencia.
La prediccin consiste en estimar los valores futuros de los precios, {Yt }T+l
, para un horizonte de
T
prediccin de l periodos de tiempo, usando el modelo de prediccin seleccionado. La estimacin
numrica de YT+1 se realiza de forma directa a partir del modelo definido por f () y g() obtenindose:
E[YT+1 ] = f (, xT+1 ),
y V[YT+1 ] = g(, xt )
(4.7)
94
Para la estimacin de los intervalos de confianza cuando el modelo es homocedstico, puede ser
realizada por uno de los siguientes mtodos:
Asumir que la distribucin de YT+l es normal, y calcular los intervalos de confianza de la forma
tradicional.
Calcular directamente los cuartiles correspondientes a la confianza deseada a partir de una
muestra de YT+l
Mediante la estimacin de la regin de densidad superior (Hyndman, 1995; Hyndman, 1996)
Un punto que debe notarse, es la situacin cuando los regresores del modelo de precios estn
conformados por variables del mercado; en este caso, sus valores deben ser conocidos durante el
horizonte de prediccin, de tal forma que los resultados obtenidos son condicionales a su ocurrencia.
Dentro del proceso de construccin de los pronsticos, el modelador puede tener informacin
cualitativa que puede influir significativamente en la evolucin de los precios, tal como la creacin de
nuevos impuestos, o el efecto de variables de mercado no consideradas; el proceso de intervencin del
pronstico, consiste en valorar tales efectos e incorporarlos al pronstico de los precios obtenido con
el modelo. El proceso requiere que la informacin cualitativa sea transformada en valores numricos;
ya el efecto mismo es una cantidad incierta, es usualmente representado como una distribucin de
probabilidades. El tratamiento matemtico es similar al manejo de observaciones atpicas y cambios
estructurales, que ya fue discutido previamente.
La prediccin, en si misma, es basada en la formulacin de modelos y estimacin de sus parmetros
a partir de la informacin histrica disponible, por lo que no puede reflejar ms que comportamientos
pasados. No obstante, puede ser requerido que el pronosticador incorpore dentro de la prediccin
el conocimiento subjetivo (informacin contextual y cualitativa) que posee sobre los cambios que
pueden afectar el mercado. Uno de los mayores inconvenientes es que usualmente esta informacin
contextual o subjetiva es un conocimiento cualitativo, el cual debe ser reducido a cantidades numricas
para poder ser incorporado en el modelo, agregando una nueva fuente de error dentro del pronstico,
ya sea por la sobrevaloracin o subvaloracin de los efectos de las variables consideradas.
En este caso, la intervencin del pronstico debe realizarse como un ajuste a las predicciones
entregadas por el modelo; el experto debe indicar, cuanto espera que sea la variacin en la variable
dada la ocurrencia del evento considerado, y no cuanto espera que sea la magnitud del precio. Esta
variacin puede ser expresada como una distribucin de probabilidades. Si se presentan varios efectos
simultneamente, deber estimar cada ajuste de forma individual y posteriormente agregarlos.
Igualmente, debe realizarse un registro del proceso de como se determin la magnitud del ajuste,
para realizar posteriormente un anlisis de su precisin y la efectividad de la correccin considerada.
Cuando es un grupo de expertos el que valora los ajustes que deben introducirse en los pronsticos,
debe realizarse un proceso estructurado que permita hallar consenso entre los miembros, de tal forma,
que las presiones grupales no interfieran en las apreciaciones individuales de cada uno de ellos.
95
96
En el Captulo 1 se demostr que existen fuertes barreras que dificultan la prediccin de los precios de la
electricidad en mercados liberalizados, y emergieron un nmero importante de temas de investigacin
relacionados con las falencias generales de los mtodos disponibles para la prediccin de series
temporales no lineales usando tcnicas basadas en econometra e inteligencia artificial; y con los
vacos metodolgicos, conceptuales y prcticos cuando se aborda el problema de la prediccin de los
precios de la electricidad.
Los Captulos 2, 3, y 4 desarrollan un marco metodolgico novedoso y original conformado por
un grupo de modelos posibles y un conjunto de estrategias para su especificacin, los cuales sientan
las bases para la preparacin de predicciones condicionales sobre la evolucin de los precios de la
electricidad. Dicho marco metodolgico supera muchas de las limitantes encontradas en el Captulo
1, y presenta aportes tanto conceptuales como metodolgicos.
Sin embargo, hasta aqu no se ha ejemplificado la metodologa para un mercado real, ni se han
demostrado, en la prctica, sus bondades.
As, el objetivo central de este captulo, y su principal aporte, es demostrar la aplicacin de la
aproximacin metodolgica propuesta para la construccin de predicciones condicionales del costo
marginal de operacin de las cuatro regiones del mercado Brasilero cuyas grficas se presentan en la
Figura 5.1. Adicionalmente, se logran otros aportes descritos a continuacin:
Se avanza en la comprensin de la dinmica de los costos marginales en el mediano y largo
plazo, al desarrollar un modelo que permite explicar su dinmica subyacente, y su relacin con
diferentes variables de mercado.
Se analizar la influencia de las diferentes variables que intervienen en la formacin del costo
marginal de operacin.
Se construyen pronsticos condicionales a la evolucin de las diferentes variables que describen
la evolucin temporal del mercado, los cuales permiten contrastar la evolucin de los costos
marginales ante diferentes situaciones.
El resto de este captulo est organizado como sigue: de la Seccin 1 a la 8 se desarrollan los ocho
pasos del marco metodolgico desarrollado en el captulo anterior. En la Seccin 9 se concluye.
97
98
Regin SE/CO
8
log(pt)
6
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
1/2007
Regin S
log(pt)
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
1/2007
Regin NE
8
log(pt)
6
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
1/2007
Regin N
log(pt)
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
1/2007
99
100
SE
NE
Importaciones
Total
38.6
78.8
2.0
11.1
2.0
0.0
11.1
1.9
0.0
7.4
0.9
0.0
7.4
1.9
0.0
74.2
14.6
2.0
Sureste/Centro-Oeste (SE/CO).
Sur (S).
Noreste (NE).
Norte (N).
A diciembre de 2005, la capacidad instalada del sistema interconectado nacional es de unos 100.000
MW, cuya distribucin de acuerdo con el tipo de fuente es presentada en la Tabla 5.1.
El CMO es fijado semanalmente, y se calcula para cada uno de los cuatro submercados; corresponde
al costo marginal de demanda resultante de la optimizacin de la operacin mensual usando un
modelo de planificacin centralizada, y posteriormente, un modelo determinstico de planificacin
que desagrega los CMO mensuales a nivel semanal. No obstante, el CMO puede ser intervenido si se
considera que no refleja adecuadamente las condiciones del sistema de generacin en el corto plazo.
Formulacin matemtica
La formulacin matemtica general del modelo de planificacin de la operacin es presentada por
Pereira (1997), y las caractersticas detalladas de la metodologa de solucin y representacin del
sistema son presentadas por Maceira (1993), Maceira, Mercio, Gorenstin, Cunha, Suanno, Sacramento
y Kligerman (1998) y de Medeiros (2004). La solucin del modelo matemtico es realizada mediante
el algoritmo de Programacin Dinmica Estocstica Dual [vase a Pereira (1985) y Pereira y Pinto
(1995)].
En la primera fase de clculo, se realiza un planeamiento centralizado de la operacin a travs
del programa NEWAVE [Resolucin ANEEL No. 334, del 29 de agosto de 2000] que es un modelo
de optimizacin de la operacin en el mediano plazo (hasta 5 aos) con discretizacin mensual y
representacin del sistema equivalente. Est altamente influenciado por las condiciones hidrolgicas
y climticas existentes en el momento del clculo del precio de electricidad. Esto se debe a que el 85%
de la electricidad es generada por plantas hidrulicas. Para esto, todos los agentes generadores del
sistema deben reportar toda la informacin concerniente a la entrada y salida de proyectos, planes de
mantenimiento, hidrologas y otra informacin operativa, as como los costos variables de operacin
que bsicamente cubren los costos variables de combustible en el caso de las plantas trmicas y el valor
101
del agua en las plantas hidrulicas. Con esta informacin, el modelo es ejecutado, y se obtiene un
planeamiento ptimo centralizado de la operacin del sistema hidrotrmico de generacin, en donde
se minimiza el valor presente de los costos de operacin del sistema, que corresponden a los costos de
generacin de las plantas trmicas ms los costos asociados al razonamiento de energa durante los
perodos en que no se alcanza a cubrir la demanda de electricidad.
Posteriormente es ejecutado el modelo NEWDESP, que con base en la cantidad de energa almacenada
al principio de un mes y la energa afluente proyectada obtiene el despacho ptimo para el perodo
en estudio que corresponde al total de la energa despachada por las plantas hidrulicas y por cada
una de las plantas trmicas en cada uno de los subsistemas.
Finalmente se ejecuta el modelo DECOMP, que realiza una optimizacin determinstica del despacho
en el corto plazo a nivel semanal, y entrega como resultado la generacin de cada una de las plantas
hidrulicas y trmicas de cada uno de los subsistemas, y los correspondientes costos marginales de
operacin a nivel semanal que corresponden al precio de la electricidad con que se liquidarn los
costos de operacin del sistema.
En trminos generales, el planeamiento centralizado de la operacin de un sistema de generacin
de electricidad en el cual se basa la metodologa para la fijacin del precio de electricidad, puede
plantearse como un modelo de programacin lineal, en donde se desea minimizar el valor presente de
los costos de operacin del sistema, conformados por los costos de generacin de las plantas trmicas
ms los costos de dficit por la no atencin de la demanda. Esta puede expresarse como:
{{ j }L1 , { t }T1 }} = arg min
T
X
1
(1 + t )t
t
t
l,t
l,t
(5.1)
l=1
L
X
l=1
l,t +
H
X
h=1
h h,t + t = t
t = 1...T
(5.2)
donde: H es el nmero de plantas hidrulicas de generacin, h,t es el caudal turbinado por la planta
hidrulica h en el instante t, h es el factor de conversin de caudal a energa de la planta h, t
es el dficit de electricidad en el instante t, y t es la demanda de electricidad en el instante t. Para
garantizar la continuidad fsica de los volmenes de los embalses, es necesario plantear una restriccin
por cada embalse en cada perodo de tiempo, la cual relaciona el volumen efectivo almacenado entre
102
(5.3)
donde h,t es el volumen almacenado en la planta h en el perodo t, h,t son los aportes hidrolgicos,
y son los aportes provenientes de todas las plantas aguas arriba de la planta h
Igualmente deben plantearse, restricciones adicionales que reflejen el volumen mximo de los
embalses y capacidad mxima de generacin de las plantas tanto trmicas como hidrulicas.
En el caso del Mercado Brasilero, el costo de electricidad corresponde al costo marginal de operacin
o precio sombra de (5.2), el cual representa el costo adicional de atender una unidad adicional de
demanda.
Problemtica de la planificacin
Para realizar la planificacin de la operacin del sistema hidrotrmico de generacin se requiere
especificar la siguiente informacin presentada en la Tabla 5.2. En la prctica, el Newave es un modelo
de planificacin de la operacin del sistema interconectado que tiene como objetivo determinar la
poltica ptima de operacin de los embalses considerando el carcter estocstico de la hidrologa.
La informacin requerida es bastante detallada, y los valores futuros de muchas variables deben ser
conocidos de antemano, tales como proyecciones de la demanda de electricidad, salidas programadas
de unidades de generacin, entradas programadas de nuevos proyectos de generacin, capacidad
instalada de las unidades de generacin, etc.
Un problema relacionado con el modelado del sistema, es la cantidad de simplificaciones necesarias
para la formulacin del modelo; as por ejemplo, el caudal entrante durante un perodo de tiempo a
un embalse, h,t , puede estar distribuido en varias lluvias intensas, para las cuales slo una porcin
del caudal entrante pueda ser utilizado realmente para la generacin, mientras que en el modelo
planteado, se asume que todo el caudal puede ser usado efectivamente para la generacin; as,
es usual encontrar plantas hidrulicas con generaciones proyectadas muy superiores a sus valores
mximos histricos, hecho que se refleja en costos marginales ms bajos de los que pueden obtenerse
en la realidad. Otro problema inherente a h,t es que en la realidad es un grupo de series de datos
sintticas obtenidas a travs del modelado de la serie real de afluencias, las cuales son requeridas para
representar la variabilidad hidrolgica y la incertidumbre inherente a ella.
El modelado de otras relaciones por fuera de las planteadas, puede hacer muy difcil la formulacin
del modelo. Ellas incluyen: la introduccin de mnimos operativos, restricciones en los precios
mximos, complementaridad hidrolgica en el plano espacio-tiempo, etc.
Para la generacin de escenarios de pronstico, se requiere hacer supuestos muy detallados sobre
todas las variables del modelo, haciendo de esta una tarea tediosa y propensa a errores.
Puede concluirse, en general, que los modelos de planificacin son inadecuados para la construccin
de pronsticos del costo marginal de operacin, debido a todos los cuestionamiento planteados. As,
el problema puede ser considerado como un problema de pronstico de series temporales, en donde
se pretende construir un modelo causal del CMO en el instante t + 1, con base en sus valores pasados
103
Tabla 5.2: Informacin mnima requerida por los modelos de planificacin de la operacin
Factores Considerados
Variables asociadas
h,t , h,t
L y H y todas las variables asociadas a ellas
L y H y todas las variables asociadas a ellas
Capacidad Mxima de Generacin L , H
t
l,t
t
104
combustibles en (5.1), ya que no hay un costo asociado al agua. As, la incertidumbre del precio
esta asociada directamente a la demanda, la generacin (hidrulica, trmica y nuclear), y al costo
de los combustibles. Ya que el modelo matemtico tiene como objetivo minimizar el valor esperado
de los costos totales de generacin y racionamiento, la generacin hidrulica es una consecuencia
de la evolucin de los costos de los combustibles en el tiempo; si se considera que en alguno de
los periodos de planificacin hay un aumento en los costos de combustible, el modelo tratar de
maximizar el uso de los recursos hdricos exactamente en el periodo de cambio de precio y los
siguientes. Consecuentemente aumentar la generacin trmica antes del cambio de precio y la
disminuir en los periodos siguientes. Las flechas de causalidad entre el precio de los combustibles
hacia la generacin hidrulica y la generacin trmica reflejan el anlisis realizado. Tanto la cantidad
de generacin trmica como el precio asociado de los combustibles tienen un efecto directo sobre el
CMO: a mayor precio, mayor CMO; y a mayor generacin trmica, mayor CMO. Sin embargo, la
generacin hidrulica tiene un efecto inverso, ya que desplaza los recursos trmicos ms costosos,
disminuyendo el CMO; finalmente, el aumento en la demanda aumentar el precio spot.
La generacin trmica esta limitada por la disponibilidad de los combustibles, y por la capacidad
efectiva de generacin, ya que esta establece la generacin trmica mxima. Igualmente habilita el
modelo para establecer los efectos de la entrada o salida de unidades de generacin, o los efectos de
la entrada de nueva tecnologa.
El conjunto de restricciones (5.3) establecen la continuidad del volumen de los embalses, los cuales
limitan la generacin hidrulica mxima perodo a perodo; este conjunto de restricciones establecen
que el volumen del prximo perodo de planificacin, es igual al volumen actual ms los aportes
hidrolgicos menos el caudal vertido y el usado en la generacin de electricidad.
Posteriormente, se presentarn los resultados estadsticos del anlisis cualitativo realizado.
5.1.3 Evolucin histrica de los precios
En la Figura 5.1 se presentan los precios histricos para cada una de las cuatro regiones del sistema
interconectado brasilero. La primera impresin que salta a la vista es la similitud entre el patrn que
siguen los CMO para las regiones SE y S, y NE y N. En la Figura 5.3 se presentan los diagramas de
dispersin para las series obtenidas al aplicar la funcin logaritmo natural a los precios de cada regin;
a dicha Figura se agreg una lnea de referencia a 45 grados, la cual indica los puntos para los cuales
los CMO de cada regin fueron similares; esta Figura corrobora el primer resultado de la inspeccin
visual.
La inspeccin visual revela varias caractersticas bastante interesantes sobre los precios:
Durante 1996, 1997 y 1998, los precios tienden a tomar valores bajos, alcanzndose en algunos
casos el precio mnimo por reglamentacin de 4$R/kWh; esto es particularmente importante
para la regin N.
Los aos 1999, 2000 y 2001 muestran un aumento bruco del nivel medio de precios hasta alcanzar
sus niveles ms altos durante el ao 2001.
El ao 2002 est caracterizado por una cada fuerte del CMO para las cuatro regiones.
Regin N
Regin S
105
4
3
4
3
4
Regin SE
4
Regin NE
106
(a)
4
1
TC
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
1/2007
(b)
3
2.5
2
IPC/100
1.5
1
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
1/2007
5.6d, 5.7d y 5.8d se presenta el valor esperado condicional de los CMO como funcin de la TC; el valor
esperado es obtenido a partir de la estimacin no paramtrica de su distribucin de probabilidades;
dicha grfica indica que la relacin existente es de orden no lineal.
La influencia del IPC cuya evolucin histrica es presentada en la Figura 5.4b es explicada por la
dependencia que existe entre los costos variables de operacin del parque generador y el desempeo
general de economa. El IPC se caracteriza por una tasa de crecimiento positiva, la cual tiende a
permanecer constante por largos perodos de tiempo. La inspeccin visual revela tres perodos de
comportamiento que coinciden con los perodos observados para la TC. Los resultados del anlisis
son resumidos en las Figuras 5.9 a la 5.12. Ellos indican que:
Existe una correlacin negativa entre el IPC y el CMO para la regin SE, contrario a lo esperado;
para las dems regiones, dicha relacin es positiva. Vase las Figuras Figuras 5.9b, 5.10b, 5.11b,
y 5.12b.
Para todas las regiones, la relacin es de orden no lineal, tal como se muestra en las Figuras 5.9d,
5.10d, 5.11d, y 5.12d.
El CMO para cada regin es influenciado por el IPC del mismo mes, y algunos valores retardados
del IPC. No existe una justificacin que relacione el IPC de meses anteriores con el CMO del mes
actual, por lo que dichos valores retardados no sern tenidos en cuenta durante el modelado.
TC
log(p )
t
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006 1/2007
(b)
(c)
(d)
1
6
0.2
0.5
0.15
t
log(p )
Figura 5.5: Relacin entre la TC y el logaritmo del costo marginal de operacin. Regin SE.
(a)
8
0.1
0.05
0.5
4
1
5
10
3
2
log(pt)
3
2
2
TC
1
1
3
TC
107
108
TC
log(pt)
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006 1/2007
(c)
(b)
(d)
6
0.2
0.5
0.15
log(p )
Figura 5.6: Relacin entre la TC y el logaritmo del costo marginal de operacin. Regin S.
(a)
8
0.1
0.05
0.5
6
4
1
0
10
log(p )
t
2
1
2
TC
1
1
3
TC
TC
log(pt)
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006 1/2007
(b)
(c)
(d)
1
6
0.15
0.5
0.1
log(p )
Figura 5.7: Relacin entre la TC y el logaritmo del costo marginal de operacin. Regin NE.
(a)
8
0
0.05
0.5
4
1
5
10
3
2
log(pt)
3
2
2
TC
1
1
3
TC
109
110
TC
log(pt)
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006 1/2007
(c)
(b)
(d)
1
6
0.2
0.5
0.15
log(pt)
Figura 5.8: Relacin entre la TC y el logaritmo del costo marginal de operacin. Regin N.
(a)
8
0.1
0.05
4
3
0.5
2
6
4
1
0
10
log(pt)
3
2
2
TC
1
1
3
TC
IPC/100
log(p )
t
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
(b)
1/2002
1/2003
1/2004
(c)
1/2005
1/2006
1/2007
(d)
1
6
0.5
0.3
0.2
log(pt)
Figura 5.9: Relacin entre el IPC y el logaritmo del costo marginal de operacin. Regin SE.
(a)
8
0
0.1
0.5
6
4
1
0
10
log(p )
t
2.5
2
1.5 IPC/100
1
1.5
2
2.5
IPC/100
111
112
IPC/100
log(pt)
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
(b)
1/2002
1/2003
1/2004
(c)
1/2005
1/2006
(d)
6
5
0.5
0.3
0.2
log(pt)
Figura 5.10: Relacin entre el IPC y el logaritmo del costo marginal de operacin. Regin S.
(a)
8
0
0.1
0.5
4
1
5
10
3
2
log(pt)
2.5
2
1.5 IPC/100
1
1.5
2
2.5
IPC/100
1/2007
IPC/100
log(p )
t
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
(b)
1/2002
1/2003
1/2004
(c)
1/2005
1/2006
1/2007
(d)
1
6
0.5
0.3
0.2
log(p )
Figura 5.11: Relacin entre el IPC y el logaritmo del costo marginal de operacin. Regin NE.
(a)
8
0
0.1
0.5
4
1
5
10
3
2
log(pt)
2.5
2
1.5 IPC/100
1
1.5
2
2.5
IPC/100
113
114
IPC/100
log(p )
t
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
(c)
(b)
1/2005
1/2006
(d)
1
6
0.3
0.5
0.2
log(pt)
Figura 5.12: Relacin entre el IPC y el logaritmo del costo marginal de operacin. Regin N.
(a)
8
0
0.1
4
3
0.5
2
6
4
1
0
10
log(pt)
2.5
2
1.5 IPC/100
1
1.5
2
2.5
IPC/100
1/2007
115
116
embalse[TWh]
log(pt)
100
50
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
(b)
1/2002
1/2003
1/2004
1/2005
(c)
1/2006
1/2007
(d)
x 10
6
5
4
3
2
1
0.5
5
log(pt)
Figura 5.13: Relacin entre la EA y el logaritmo del costo marginal de operacin. Regin SE.
(a)
150
0.5
4
1
5
10
3
2
log(pt)
100
50
embalse
1
40
60 80
embalse
100 120
embalse[TWh]
log(p )
t
10
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
(b)
1/2002
1/2003
1/2004
1/2005
(c)
1/2006
1/2007
(d)
6
5
0.5
0.06
log(pt)
Figura 5.14: Relacin entre la EA y el logaritmo del costo marginal de operacin. Regin S.
(a)
15
0.04
0.02
0.5
4
1
5
10
3
2
log(pt)
10
2
embalse
1
4
6
8
embalse
10
117
118
embalse[TWh]
log(p )
t
30
20
10
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
(c)
(b)
1/2006
1/2007
(d)
x 10
6
10
8
6
4
2
5
t
0.5
log(p )
Figura 5.15: Relacin entre la EA y el logaritmo del costo marginal de operacin. Regin NE.
(a)
40
0.5
4
1
5
10
3
2
log(pt)
10
20
30
embalse
1
10
20
embalse
30
embalse[TWh]
log(p )
t
10
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
(c)
(b)
1/2006
1/2007
(d)
1
6
0.04
0.5
0.03
t
log(p )
Figura 5.16: Relacin entre la EA y el logaritmo del costo marginal de operacin. Regin N.
(a)
15
0.02
0.01
4
3
0.5
2
6
4
1
0
10
log(p )
t
12
8 10
6
2 4 embalse
1
2
6
8 10 12
embalse
119
120
aportes[TWh]
log(pt)
60
40
20
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
(b)
1/2002
1/2003
1/2004
1/2005
(c)
1/2006
1/2007
(d)
x 10
6
12
10
8
6
4
2
0.5
5
log(pt)
Figura 5.17: Relacin entre la ENA y el logaritmo del costo marginal de operacin. Regin SE.
(a)
80
0.5
60
4
1
5
10
3
2
log(p )
t
40
20
aportes
1
20
40
aportes
60
aportes[TWh]
log(pt)
15
10
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
(b)
1/2002
1/2003
1/2004
1/2005
(c)
1/2006
1/2007
(d)
6
0.05
0.5
0.04
0.03
log(pt)
Figura 5.18: Relacin entre la ENA y el logaritmo del costo marginal de operacin. Regin S.
(a)
20
0.02
4
3
0.01
0.5
6
4
1
0
10
log(pt)
10
15
aportes
1
5
10
aportes
15
121
122
aportes[TWh]
log(p )
t
15
10
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
(c)
(b)
1/2006
1/2007
(d)
1
6
0.04
0.5
0.03
log(p )
Figura 5.19: Relacin entre la ENA y el logaritmo del costo marginal de operacin. Regin NE.
(a)
20
0.02
0.01
0.5
15
4
1
5
10
3
2
log(p )
t
10
5
aportes
1
5
10
aportes
15
aportes[TWh]
log(p )
t
15
10
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
(c)
(b)
1/2006
1/2007
(d)
1
6
0.03
0.5
0.02
log(p )
Figura 5.20: Relacin entre la ENA y el logaritmo del costo marginal de operacin. Regin N.
(a)
20
0
0.01
4
3
0.5
6
15
4
1
0
10
log(p )
t
10
2
aportes
2
1
5
10
aportes
15
123
124
A excepcin de la regin Sur, las dems regiones presentan una relacin negativa entre la
demanda y el CMO, lo cual es contrario al comportamiento esperado. Esto podra ser explicado
por el cambio estructural en la serie de demanda.
Dicha relacin podra ser de orden no lineal, pero el problema en el sentido de la relacin dificulta
cualquier otra conclusin.
los rezagos k = 1, . . . , 4 [vase la Figura 5.27] muestran una relacin de orden lineal. No obstante, esta
relacin no se conserva cuando los precios toman valores cercanos a su mnimo histrico; ms an,
el valor esperado tiende a ser constante para diferentes valores de ytk . Los puntos donde el precio
toma su valor mnimo aparecen como valores alejados de la regin donde se concentra la muestra
de datos, situacin que es especialmente notoria para las regiones SE y S. Igualmente se evidencia
que los valores mximos de los precios corresponden a unos pocos puntos aislados en los diagramas
de dispersin. A medida que el rezago k aumenta, la dispersin de los grficos se hace ms grande,
evidenciando la dependencia de los primeros rezagos. Finalmente es importante resaltar la similitud
entre los diagramas para las cuatro regiones cuando k = 1, indicando, que al menos en trminos
del valor esperado, el comportamiento de los precios es similar. El estimado no paramtrico de la
varianza, V[yt |ytk ], [presentado en la Figura 5.28] es bastante esclarecedor sobre el comportamiento
de los precios; para las regiones SE y S, la varianza presenta una tendencia decreciente, lo cual se
corrobora al analizar la evolucin de los precios en el tiempo. En las regiones de precios bajos, el
precio tiende a oscilar ms que en las regiones de precios altos, ya que el valor de la electricidad tiende
a permanecer constante, tal como puede observarse en la Figura 5.1.
20
15
demanda[TWh]
log(pt)
10
5
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006 1/2007
(c)
(b)
(d)
1
6
0.06
0.5
log(pt)
0.04
0.02
0.5
4
1
5
10
3
2
log(pt)
20
15
demanda
1
16
18 20 22
demanda
24
125
Figura 5.21: Relacin entre la demanda y el logaritmo del costo marginal de operacin. Regin SE.
(a)
25
126
demanda[TWh]
log(pt)
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006 1/2007
(c)
(b)
(d)
6
5
0.2
0.5
0.15
log(pt)
Figura 5.22: Relacin entre la demanda y el logaritmo del costo marginal de operacin. Regin S.
(a)
8
0.1
0.05
0.5
4
1
5
10
3
2
log(p )
t
6
5
demanda
1
4
5
demanda
demanda[TWh]
log(pt)
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006 1/2007
(c)
(b)
(d)
1
6
0.2
0.5
5
log(pt)
0.15
0.1
0.05
0.5
4
1
5
10
3
2
log(pt)
5
4.5
5.5
3.5 demanda
1
3.5
4 4.5 5
demanda
5.5
127
Figura 5.23: Relacin entre la demanda y el logaritmo del costo marginal de operacin. Regin NE.
(a)
8
128
demanda[TWh]
log(p )
t
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006 1/2007
(c)
(b)
(d)
1
6
0.5
0.4
0.3
0.2
0.1
5
t
0.5
log(p )
Figura 5.24: Relacin entre la demanda y el logaritmo del costo marginal de operacin. Regin N.
(a)
8
4
3
0.5
2
2.5
4
1
0
10
log(pt)
1.5
2
demanda
1
1.5
2
demanda
2.5
129
Region SE/CO
(a)
(b)
1
0.5
0.5
1.5
0.5
0.5
0.5
Region S
10
15
0.5
0.5
0.5
0.5
10
15
0.3
10
15
0.1
0
0
0.5
1.5
0.3
1
0.2
0.5
1
0
Region NE
(d)
0.2
10
15
0.5
0.5
1.5
0.5
0.5
0.5
0.1
0
0
0.5
0.3
0.2
0.1
1
0
Region N
(c)
10
15
10
15
0.5
0.5
1.5
0.5
0.5
0.5
1
0
10
15
10
15
0
0
0.5
0.2
0.1
0
0
0.5
130
Regin SE
Regin S
5
yt
5
yt
yt3
0
5
yt
5
y
10
yt1
0
5
yt
5
y
10
10
5
yt
10
5
yt
10
5
y
10
10
5
yt
10
10
5
yt
10
10
10
10
10
10
10
5
yt
10
10
yt4
yt4
5
yt
yt4
yt3
yt3
0
10
10
10
10
10
10
yt2
5
yt
10
yt2
yt2
10
yt2
10
yt3
5
yt
10
yt4
Regin N
10
yt1
Regin NE
10
yt1
yt1
10
5
y
10
131
Regin SE
Regin NE
Regin S
Regin N
4
3
E[yt|yt1]
E[yt|yt1]
E[yt|yt1]
E[yt|yt1]
5
5
4
3
2
4
3.5
3
4
3
2
yt2
yt3
3
2
3.5
4
yt3
3.5
4
yt4
5
]
4
3
t t4
E[yt|yt4]
E[yt|yt4]
4
yt3
4.5
]
4
yt3
5
E[yt|yt4]
t t3
3.5
E[y |y
4
yt2
5
E[y |y
E[yt|yt3]
E[yt|yt3]
E[yt|yt3]
2.5
2
yt2
5
4.5
4
yt1
2
2
yt2
5
E[yt|yt2]
yt1
4.5
2
2
yt1
E[yt|yt2]
E[yt|yt2]
yt1
E[yt|yt2]
4
3
2
2
4
yt4
4
yt4
4
yt4
132
Regin S
0.6
0.4
6
V[yt|yt2]
0.5
4
yt2
0.8
4
yt1
4
yt2
4
yt3
1.2
4
yt4
1.4
1.2
1
0.8
1.8
1.4
1.2
1
yt4
0.8
1.6
1.6
yt3
1.5
1.2
1.4
V[yt|yt4]
V[yt|yt4]
yt4
4
yt2
0.5
4
0.6
yt3
1.8
1.6
1.4
1.2
1
0.8
2
1.6
1.2
1.2
yt3
V[yt|yt4]
4
yt2
V[yt|yt3]
V[yt|yt3]
2
4
yt1
0.8
0.6
0.5
0.6
0.4
1.4
0.8
1.4
1.5
0.6
1.4
1.2
1
0.8
0.6
0.4
0.8
V[yt|yt4]
4
yt1
V[yt|yt2]
4
yt1
1.5
V[yt|yt2]
0.6
0.4
V[yt|yt3]
0.8
V[yt|yt1]
0.8
V[yt|yt2]
Regin N
V[yt|yt3]
Regin NE
V[yt|yt1]
1.2
V[yt|yt1]
V[yt|yt1]
Regin SE
1.2
1.6
1.4
1.2
1
yt4
133
Regin SE
Regin S
Regin NE
Regin N
3.5788
3.4388
1.2541
0.1963
2.8316
0.6313
6.5280
3.3769
3.2877
1.1328
-0.2090
2.5170
0.6313
6.0297
3.0933
2.9226
1.4762
0.6299
2.8242
0.6627
6.5280
3.0558
2.9226
1.4249
0.5039
2.4901
0.9002
6.5280
Media
Mediana
Desv. estndar
Coeficiente de asimetra
Curtosis
Valor mnimo
Valor mximo
134
Regin N: generacin trmica, energa almacenada, energa natural afluente, IPC, tasa de cambio,
y CMO de la regin NE. Al igual que para la regin S, la ltima variable permite relacionar los
CMO entre las regiones NE y N.
Como un complemento al anlisis de las propiedades estadsticas del CMO, se realizaron diferentes
contrastes de no linealidad. En la Tabla 5.4 se presentan los resultados de aplicar los contrastes de no
linealidad de Keenan (1985), Ramsey (1969), Tsay (1986) y White (1981) a los modelos ARX obtenidos
segn las variables explicativas usadas para cada regin. Para todos los rezagos considerados, al
menos uno de los contrastes indica que la serie es no lineal. Adicionalmente, la especificacin
seleccionada para un modelo STR para cada una de las regiones es presentada en la Tabla 5.5; segn
este ltimo contraste, hay fuertes evidencias de no linealidad para todas las regiones.
5.3 Paso 3: Estimacin de los parmetros
Para cada regin se estimaron todos los modelos listados anteriormente. Cada modelo fue estimado
considerando nicamente las variables explicativas analizadas. A partir del autocorrelograma de
los residuales normalizados se seleccionaron los residuales de los CMO que se incorporaron dentro
del modelo. Los primeros 123 datos fueron usados para la estimacin del modelo, mientras que los
ltimos 12 se reservaron para la prediccin extrapolativa.
En la prediccin extrapolativa se supuso que los valores de las variables explicativas eran conocidos;
con cada modelo se realiz la prediccin multiperiodo para los siguientes 12 meses; esto es, las
predicciones para meses anteriores fueron usadas como entradas para la prediccin del mes actual.
5.4 Paso 4: Diagnstico de los residuales
Para los residuales de cada modelo estimado se diagnostic:
El cumplimiento de las hiptesis de normalidad, incorrelacin y homocedasticidad.
La presencia de observaciones atpicas y de cambios temporales o permanentes en su nivel. Se
consideraron los siguientes tipos:
Observacin atpica aditiva.
Observacin atpica innovacional.
Cambio aditivo permanente de nivel.
Cambio aditivo temporal de nivel.
Cambio innovacional permanente de nivel.
Cambio innovacional temporal de nivel.
Ya que la incorporacin de variables ficticias para considerar cambios estructurales dentro de la serie
de precios puede ocasionar que el modelo se sobreajuste a los datos, se seleccion aquel modelo que
presentar el menor error extrapolativo.
135
En la Tabla 5.6 se presentan los errores calculados para las muestras de calibracin y validacin para
todos los modelos considerados. El mejor ajuste a la muestra de calibracin para todas las regiones es
realizado por el modelo ANFIS propuesto en esta tesis. Sin embargo, para todos los modelos ajustados
a todas las regiones el anlisis de los residuales revela la presencia de observaciones atpicas y cambios
estructurales, lo que obliga a la intervencin de los modelos tal como ya se indic.
En la Tabla 5.7 se presentan los errores calculados para las muestras de calibracin y validacin
para todos los modelos considerados teniendo en cuenta la presencia de observaciones atpicas y
cambios estructurales. En todos los casos, la incorporacin de variables ficticias permiti mejorar
drsticamente el ajuste de modelo a la muestra de calibracin. Igualmente, se mejoraron, en muchos
de los casos, los estadsticos de ajuste a la muestra de validacin.
5.5 Paso 5: Seleccin del modelo final
Los mejores modelos obtenidos fueron los siguientes:
Regin SE: modelo de componentes no observables considerando la influencia lineal de las
variables explicativas.
Regin S: modelo autorregresivo con variables explicativas.
Regin NE: modelo de componentes no observables considerando la influencia lineal de las
variables explicativas.
Regin N: Modelo de transicin logstica suave.
En las Figuras 5.29 a la 5.32 se presenta la prediccin un mes adelante para cada uno de los modelos
(parte superior). Los puntos negros representan los valores histricos; la lnea continua corresponde
a la prediccin; y finalmente, la regin gris corresponde a los intervalos de confianza de la prediccin
para un 95%. La lnea vertical en 2006:3 corresponde al ltimo dato de la muestra de calibracin;
los valores a la derecha de dicha lnea son los pronsticos extrapolativos. La grfica del centro
corresponde a los residuales estandarizados; las lneas horizontales indican la regin correspondiente
a 3.5 desviaciones estndar; puntos por fuera de esta regin se consideran como observaciones atpicas.
El autocorrelograma serial es presentado en la parte inferior izquierda de dichas figuras. El grfico
en el centro de la parte inferior corresponde a la distribucin de probabilidades de los residuales
normalizados; igualmente se presenta la distribucin normal con la misma varianza. Finalmente, un
grfico cuartil-cuartil es presentado en la parte inferior derecha.
De los grficos anteriores y las pruebas estadsticas realizadas se concluye que todos los modelos
se encuentran correctamente especificados, ya que:
No existen correlaciones seriales residuales significativamente diferentes de cero.
La prueba de Engle (1982) permite concluir que los residuales son homocedsticos.
El contraste estadstico de Jarque y Bera (1987) seala que las distribuciones de los residuales no
son normales; pero esto puede ser debido a la presencia de algunas observaciones atpicas en
los residuales.
136
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
1/2007
1/2003
1/2004
1/2005
1/2006
1/2007
Residuals plot
5
5
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
QQ plot
5
1
0.4
0.5
0.3
0.2
0.5
0.1
1
0
10
20
30
5
5
137
138
6
4
2
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006 1/2007
Residuals plot
5
0
5
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006 1/2007
Series autocorrelation
Density
QQ plot
5
1
0.5
0.4
0
0.2
0.5
0
1
0
10
20
30
5
5
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
1/2007
1/2003
1/2004
1/2005
1/2006
1/2007
Residuals plot
4
2
0
2
4
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
QQ plot
4
0.5
0.4
0.5
0.3
0.2
0.5
0.1
0
0
10
20
30
4
4
139
140
6
4
2
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
1/2007
1/2003
1/2004
1/2005
1/2006
1/2007
Residuals plot
5
5
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
Series autocorrelation
1/2002
Density
QQ plot
4
1
0.4
0.5
0.3
0.2
0.5
0.1
1
0
10
20
30
0
4
4
4
141
3.5
IPC
TC
2.5
1.5
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
142
4
3
3
ENASE
PC(1)
ENAS
PC(2)
1
0
0
1
2
3
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
4
3
3
1/1996
1/2000
1/2002
1/2004
1/2006
1/2002
1/2004
1/2006
4
ENANE
PC(1)
2
1/1998
1/2000
ENAN
PC(1)
3
1/1996
1/1998
1/2002
1/2004
1/2006
3
1/1996
1/1998
1/2000
143
144
Regin SE
40
Histrico
Referencia
Alto
Bajo
35
30
25
20
15
10
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
Regin S
1/2008
1/2010
1/2012
1/2014
1/2008
1/2010
1/2012
1/2014
1/2008
1/2010
1/2012
1/2014
1/2008
1/2010
1/2012
1/2014
10
Histrico
Referencia
Alto
Bajo
9
8
7
6
5
4
3
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
Regin NE
9
Histrico
Referencia
Alto
Bajo
8
7
6
5
4
3
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
Regin N
5
Histrico
Referencia
Alto
Bajo
4.5
4
3.5
3
2.5
2
1.5
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
145
Regin SE
7
6
logpt
forecast
5
4
3
2
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
1/2008
1/2010
1/2012
1/2014
1/2008
1/2010
1/2012
1/2014
1/2008
1/2010
1/2012
1/2014
Regin S
7
6
logpt
forecast
5
4
3
2
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
Regin NE
7
6
logpt
forecast
5
4
3
2
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
Regin N
7
6
logpt
forecast
5
4
3
2
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
146
Regin SE
7
6
logpt
forecast
5
4
3
2
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
1/2008
1/2010
1/2012
1/2014
1/2008
1/2010
1/2012
1/2014
1/2008
1/2010
1/2012
1/2014
Regin S
7
6
logpt
forecast
5
4
3
2
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
Regin NE
7
6
logpt
forecast
5
4
3
2
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
Regin N
7
6
logpt
forecast
5
4
3
2
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
147
Regin SE
7
6
logpt
forecast
5
4
3
2
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
1/2008
1/2010
1/2012
1/2014
1/2008
1/2010
1/2012
1/2014
1/2008
1/2010
1/2012
1/2014
Regin S
7
6
logpt
forecast
5
4
3
2
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
Regin NE
7
6
logpt
forecast
5
4
3
2
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
Regin N
7
6
logpt
forecast
5
4
3
2
1
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
148
Figura 5.39: Escenario de demanda alta e hidrologa extrema baja. Regin SE.
Regin SE
10
5
logpt
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
150
EA
ENA
100
50
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
40
30
20
ghidro
gtermo
nuclear
10
0
1/1996
1/1998
1/2000
149
150
Regin S
10
5
logpt
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
20
EA
ENA
15
10
5
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
6
ghidro
gtermo
4
2
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
Regin NE
10
5
logpt
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
40
EA
ENA
30
20
10
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
10
ghidro
gtermo
5
0
1/1996
1/1998
1/2000
1/2002
151
152
Regin N
10
5
logpt
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
20
EA
ENA
15
10
5
0
1/1996
1/1998
1/2000
1/2002
6
ghidro
gtermo
4
2
0
1/1996
1/1998
1/2000
1/2002
Figura 5.43: Escenario de demanda baja e hidrologa extrema alta. Regin SE.
Regin SE
8
6
4
2
logpt
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
150
EA
ENA
100
50
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
40
30
20
ghidro
gtermo
nuclear
10
0
1/1996
1/1998
153
154
Regin S
8
6
4
2
logpt
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
20
15
EA
ENA
10
5
0
1/1996
1/1998
6
4
ghidro
gtermo
2
0
1/1996
1/1998
Figura 5.45: Escenario de demanda baja e hidrologa extrema alta. Regin NE.
Regin NE
8
6
logpt
4
2
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
60
EA
ENA
40
20
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
8
6
ghidro
gtermo
4
2
0
1/1996
1/1998
155
156
Regin N
8
6
4
2
logpt
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
20
EA
ENA
15
10
5
0
1/1996
1/1998
1/2000
1/2002
6
ghidro
gtermo
4
2
0
1/1996
1/1998
1/2000
1/2002
157
Rezago
Kennan
ChiSq Pr>ChiSq
RESET
ChiSq Pr>ChiSq
Tsay
Pr>ChiSq
ChiSq
White
Pr>ChiSq
3.38
3.61
2.53
3.32
3.02
<.0001
<.0001
0.0002
<.0001
<.0001
22.85
15.27
16.22
23.57
22.57
0.0011
0.0482
0.0300
0.0008
0.0013
6.33
5.17
6.08
7.47
7.72
<.0001
<.0001
<.0001
<.0001
<.0001
17.47
38.49
21.47
22.40
16.99
0.0161
<.0001
0.0022
0.0014
0.0205
2.00
2.36
2.18
2.89
2.77
0.0067
0.0006
0.0013
<.0001
<.0001
16.07
14.86
10.02
16.65
0.00
0.0324
0.0592
0.6655
0.0243
0.9983
1.51
1.64
1.63
2.12
1.94
0.0704
0.0316
0.0295
0.0018
0.0067
-0.00
16.99
0.01
0.10
14.93
1.0000
0.0204
0.9953
0.9514
0.0574
ChiSq
Regin SE/CO
1
2
3
4
5
20.41
11.95
10.47
10.28
10.29
<.0001
0.0008
0.0016
0.0018
0.0018
15.45
9.75
9.81
9.55
9.47
<.0001
0.0001
0.0001
0.0001
0.0002
Regin S
1
2
3
4
5
0.35
0.23
0.28
0.04
0.02
0.5547
0.6313
0.5960
0.8450
0.8868
1.45
1.13
1.15
0.36
0.21
0.2378
0.3250
0.3186
0.6960
0.8088
Regin NE
1
2
3
4
5
2.75
2.83
2.79
2.57
2.22
0.0998
0.0951
0.0979
0.1117
0.1392
7.68
7.47
7.39
6.90
6.82
0.0007
0.0009
0.0009
0.0015
0.0016
Regin N
1
2
3
4
5
0.38
0.42
0.43
0.40
0.30
0.5407
0.5192
0.5151
0.5259
0.5869
1.49
0.79
0.78
0.78
1.18
0.2305
0.4558
0.4601
0.4624
0.3123
158
zt
SE
S
NE
N
IPC
log(CMO SE)
log(CMO NE(t-1))
log(CMO NE)
H0
H1
H2
H3
5.54 (0.000)
14.10 (0.000)
3.59 (0.000)
4.79 (0.000)
2.10 (0.049)
6.38 (0.000)
3.16 (0.005)
4.80 (0.000)
8.51 (0.000)
8.03 (0.000)
4.00 (0.001)
3.47 (0.002)
3.52 (0.002)
13.33 (0.000)
2.31 (0.030)
3.72 (0.001)
Modelo
Calibracin
MSE
MAE
Validacin
MSE
MAE
SE
ARX
MLP
ARX-MLP
STR
ANFIS
UCM-ARX
UCM-ARNN
0.57332
0.50168
0.39210
0.32181
0.29302
0.55551
0.55178
0.52203
0.49664
0.43691
0.39243
0.37416
0.48676
0.48428
0.49065
0.70027
6.07762
6.32319
2.18006
0.27574
0.32112
0.62953
0.72300
2.12464
2.04849
1.25591
0.45667
0.49002
ARX
MLP
ARX-MLP
STR
ANFIS
UCM-ARX
UCM-MLP
0.43314
1.31689
0.16403
0.11615
0.11253
0.31949
0.18790
0.42423
0.92373
0.24202
0.21688
0.21645
0.30286
0.26444
0.23306
0.84484
0.31515
0.08890
0.08677
0.01527
0.03525
0.41990
0.80346
0.51544
0.26291
0.25653
0.11031
0.17078
NE
ARX
MLP
ARX-MLP
STR
ANFIS
UCM-ARX
UCM-MLP
0.28282
2.34948
0.24651
0.21685
0.21420
0.32662
0.32658
0.35344
1.20551
0.32538
0.30298
0.29723
0.35561
0.35560
0.17806
0.24697
0.15298
31.00935
78.97784
0.12591
0.12830
0.32440
0.35774
0.34587
5.20781
8.85576
0.30991
0.31460
ARX
MLP
ARX-MLP
STR
ANFIS
UCM-ARX
UCM-MLP
0.38709
0.38704
0.24829
0.20404
0.20271
0.41838
0.38641
0.37448
0.37443
0.32835
0.26593
0.26453
0.36070
0.38535
0.44844
0.57387
0.29035
0.27821
0.28852
0.38811
0.36577
0.56078
0.67378
0.47113
0.44230
0.45439
0.51442
0.49817
Tipo
E
L
E
L
159
Modelo
Calibracin
MSE
MAE
Validacin
MSE
MAE
SE
ARX
MLP
ARX-MLP
STR
ANFIS
UCM-ARX
UCM-ARNN
0.42804
0.44753
0.17408
0.10904
0.14690
0.25195
0.25148
0.45764
0.45889
0.30376
0.24730
0.28090
0.34637
0.34598
0.45583
0.55915
2.81767
4.90740
2.12511
0.25670
0.27173
0.61255
0.60243
1.40236
1.88469
1.24617
0.39965
0.40975
ARX
MLP
ARX-MLP
STR
ANFIS
UCM-ARX
UCM-MLP
0.00640
0.28798
0.03587
0.00851
0.02135
0.31949
0.10354
0.04906
0.31652
0.13381
0.05305
0.08745
0.30286
0.22211
0.00244
0.34943
0.06541
0.00343
0.00489
0.01527
0.03429
0.02575
0.48868
0.22197
0.04323
0.05928
0.11031
0.15003
NE
ARX
MLP
ARX-MLP
STR
ANFIS
UCM-ARX
UCM-MLP
0.28282
2.34948
0.24651
0.21685
0.13557
0.23168
0.22737
0.35344
1.20551
0.32538
0.30298
0.26307
0.33491
0.33198
0.17806
0.24697
0.15298
31.00935
48.23198
0.11037
0.10355
0.32440
0.35774
0.34587
5.20781
6.89930
0.30818
0.29868
ARX
MLP
ARX-MLP
STR
ANFIS
UCM-ARX
UCM-MLP
0.13700
0.38704
0.23077
0.03671
0.20271
0.41838
0.38641
0.24569
0.37443
0.31630
0.14362
0.26453
0.36070
0.38535
0.41803
0.57387
0.28239
0.24142
0.28852
0.38811
0.36577
0.52549
0.67378
0.45639
0.41822
0.45439
0.51442
0.49817
160
Exgenas
Excluidas
Costo combustibles
Costo del racionamiento
Regin SE
Regin S
Regin NE
Regin N
Escenario de referencia
2007-2010
2010-2015
0.048
0.045
0.046
0.044
0.049
0.047
0.054
0.081
0.052
0.060
0.055
0.095
0.038
0.036
0.049
0.075
Escenario alto
2007-2010
2010-2015
0.051
0.054
0.049
0.056
Escenario bajo
2007-2010
2010-2015
0.038
0.035
0.036
0.034
162
inspeccin visual revela una marcada tendencia de crecimiento en el largo plazo, as como cambios
bruscos de nivel asociados a la escasez del recurso hdrico. La serie de precios diarios presenta cambios
muy bruscos que dan lugar a la presencia de grupos de volatilidad similar y volatilidad cambiante en
el tiempo; este efecto es suavizado al tomar el promedio mensual de los precios.
El primer pico en los precios promedio mensuales se presenta en dic/95; este se da por una fuerte
expectativa en la ocurrencia del fenmeno de El Nio para 1996, y un nivel inusitadamente bajo de
los aportes. Durante este periodo, el precio promedio diario alcanzo los 137 $/kWh.
Entre sep/96 y ago/97 se dio un crecimiento paulatino de los precios, que culmin con la escalada
observada en sep/97 donde los precios pasaron de los 37,97 $/kWh el 30 de agosto de 1997 a 231,00
$/kWh el 20 de septiembre. Este periodo de alta volatilidad y alto nivel se prolong hasta mediados
de febrero de 1998, en donde los precios retornaron a niveles normales
El fenmeno de La Nia ocurrido entre jul/98 y Jun/00 caus una diminucin muy importante de la
volatilidad debido a la abundancia de agua; no obstante, los precios presentaron una clara tendencia
de crecimiento, y se reflej en ellos la componente cclica asociada al ciclo invierno-verano.
El siguiente cambio mayor en la dinmica de los precios est asociado al paso de una oferta horaria
a una oferta diaria; el cambio en la forma de oferta tuvo el efecto de disminuir tanto la volatilidad de
los precios mensuales como su pendiente de crecimiento. El comportamiento de los precios a tenido
desde entonces una dinmica similar.
163
136
3.6951
0.8521
6.4064
0.5306
Suma:
Mediana:
Asimetra:
Exceso de curtosis:
Mximo:
502.5323
3.9076
-1.6880
3.4064
5.0137
164
El nivel mnimo inferior de un embalse es el lmite por debajo del cual el precio de oferta de las
plantas asociadas debe ser mayor que el primer rengln de racionamiento definido por la UPME
para el SIN.
CREG 215/1997: Define el mecanismo de intervencin del precio de oferta de los embalses cuyo
nivel sea igual o inferior al MOS.
CREG 018/1998: Fija el procedimiento de clculo del costo incremental operativo de racionamiento
de energa. En condiciones de racionamiento de potencia a nivel nacional corresponde al costo
de racionamiento asociado al primer segmento de la funcin de costo de racionamiento; en
racionamiento de energa, tambin a nivel nacional, es el valor correspondiente en la funcin de
costo de racionamiento de acuerdo con el racionamiento declarado. Bajo este esquema, el precio
se calcula como una interpolacin lineal entre el primer nivel del costo de racionamiento (CR1)
para un racionamiento de la demanda del 0% y el cuarto nivel del costo de racionamiento (CR4)
para un racionamiento del 90% de la demanda del sistema.
CREG 000/2001: Cambia el esquema de oferta horaria a oferta diaria.
CREG 043/2006 y relacionadas (071, 078, 079, 086, 087, 094 y 095). Se elimina el Cargo por
Capacidad y se establece el Cargo por Confiabilidad. En este nuevo esquema, el administrador
del mercado compra opciones de generacin que puede ejercer si as lo considera necesario. El
esquema regulatorio indica que las opciones sern exigidas si el precio de la Bolsa supera el
precio de escasez definido como la suma de:
Precio de ejercicio - parte combustible en USD/MWh. Actualizado con el New York Harbor
Residual Fuel Oil 1% Sulfur LP Spot price, segn la serie publicada por el Departamento
de Energa de Estados Unidos; y calculado a la tasa de cambio representativa del mercado.
OCV (Otros costos variables): Impuesto FAZNI, Ley 99 y servicio de AGC. Actualizado
con el IPC.
COM (parte variable de costo de operacin y mantenimiento) en $/MWh el cual es actualizado
mensualmente con el IPC.
El conjunto de resoluciones que establecen el cargo por confiabilidad fijan as, un techo para el
precio mximo de Bolsa; igualmente, fija un precio mnimo que corresponde al valor del cargo
que debe ser pagado por la demanda. El valor pagado es fijado por medio de un mecanismo de
subasta donde se compran las opciones de generacin; este valor fue fijado durante el periodo
de transicin en 13.045 USD/MWh.
En la Figura 6.2 se ilustra la evolucin histrica de los precios, el CERE (valor mensual del Cargo por
Capacidad), y el costo del primer regln de racionamiento. Ante condiciones normales de operacin
del sistema de generacin, el precio de Bolsa debe oscilar entre el CERE y el costo de racionamiento,
tal como ya se indic.
165
7
log(p )
t
log(CERE)
log(CR1)
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
se consideran como evidencia de la Nia. Los eventos macroclimticos desde 1950 se encuentran
reportados en la Tabla 6.2. Se aprecia en dicha tabla como El Nio 97-98, fuera de ser uno de los ms
largos, presenta la anomala media ms alta durante la ocurrencia del fenmeno, as como la mayor
1 Serie
166
5
4.5
3.5
2.5
demanda
gen hidro
gen termo
1.5
0.5
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
TW
TWhmes
2
cap hidro
cap termo
1
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
1/2006
167
anomala mensual. Pero la Nia 98-2000 no es la ms fuerte que ha ocurrido en la historia reciente;
ella es superada por los eventos 1954-57 y del 1973-76 con duraciones respectivas de 34 y 37 meses.
Como se puede observar de la Figura 6.5, el efecto de la Nia (mayo/1998-jun/2000) es aumentar
el volumen de los aportes en los meses de la estacin de verano2 , sin que haya un aumento sustancial
de los aportes mximos durante el invierno. Por su parte, el fenmeno de El Nio est asociado a una
reduccin sustancial de los aportes durante el invierno, aunque tambin reduce en alguna medida los
aportes en la estacin de verano.
Durante los fenmenos extremos secos, la reduccin en los aportes hace que las plantas filo de agua
disminuyan su generacin debido a los bajos caudales de los ros; igualmente, los embalses no pueden
almacenar suficiente agua para desembalsar en el verano siguiente. Esto hace que la energa faltante
deba ser generada por plantas trmicas aumentando as los precios de Bolsa. En la parte inferior de
la Figura 6.5 se presentan las funciones de correlacin cruzada no lineal (simple y parcial) entre el
logaritmo de los precios en Bolsa (variable dependiente) y los aportes al sistema interconectado. El
correlograma cruzado parcial muestra que el precio medio mensual se ve afectado directamente por
los aportes ocurridos durante el mismo mes, y que los aportes en los meses anteriores no tienen una
influencia significativa (al menos desde el punto de vista estadstico) sobre el precio actual. Ello es
perfectamente explicado por el esquema de subasta horaria y diaria que ha sufrido la Bolsa,y por el
efecto de disminucin de precios que tiene el aumento de la disponibilidad hdrica. Igualmente el
signo de la relacin es negativa indicando que el aumento en la disponibilidad del recurso hdrico
disminuye el costo de generacin debido a que se necesitan menos plantas trmicas para cubrir la
demanda. La influencia que se indica para los rezagos de 11 y 12 meses se descarta, ya que no es
posible explicarla desde el funcionamiento de la Bolsa.
La evolucin del embalse agregado equivalente del sistema tambin tiene una influencia directa
sobre el precio de la electricidad. En la Figura 6.6 se presenta la evolucin histrica de su nivel, su
capacidad total, y su mnimo operativo superior (MOS). La resolucin CREG-025/1995 establece la
metodologa de clculo y la reparticin de los niveles mnimos de operacin entre los embalses del
sistema; dicho nivel fija la cantidad de agua almacenada que slo ser utilizada para generacin cuando
todas las unidades trmicas hayan sido despachadas. Su nivel mximo se alcanza en noviembre
de cada ao, justo antes del inicio de la estacin de verano, y va disminuyendo paulatinamente
hasta marzo; posteriormente, dicho nivel aumenta durante la estacin de invierno para almacenar
el agua que sera eventualmente utilizada en el siguiente verano. El MOS es fijado de acuerdo con
las expectativas que tenga el regulador sobre la ocurrencia de un fenmeno extremo; por ejemplo, su
nivel entre 1995 y 1996 fue colocado extremadamente alto ante la alarma de un posible Nio para 1996;
correspondientemente, el nivel fue bajado durante los fenmenos hmedos entre jul/98 y feb/2000;
finalmente, el MOS fue ligeramente incrementado ante las condiciones normales de la hidrologa
y los fenmenos de El Nio que se dieron posteriormente. Las variaciones que se han dado en la
capacidad mxima del embalse estn relacionadas con la entrada de nuevos proyectos de generacin
con capacidad de regulacin, y por los cambios en las metodologas para calcular dicha capacidad.
Segn la reglamentacin vigente hasta dic/2006, el agente dueo de cada embalse era libre para
2 La
CREG define la estacin de verano como el periodo entre los meses de diciembre y abril, y como invierno el periodo
mayo-noviembre
168
Inicio
Final
Nias
Ene-50
Abr-54
Sep-61
Abr-64
Oct-67
Jul-70
May-73
Sep-83
Oct-84
May-88
Sep-95
Jul-98
Oct-00
Mar-51
Ene-57
Abr-62
Feb-65
Abr-68
Ene-72
May-76
Ene-84
Jun-95
May-89
Mar-96
Jun-00
Feb-01
15
34
8
11
7
19
37
5
9
13
7
24
5
-1.1
-1.0
-0.5
-0.8
-0.7
-0.9
-1.1
-0.7
-0.8
-1.3
-0.7
-1.1
-0.6
-1.8
-2.1
-0.6
-1.1
-0.9
-1.4
-2.0
-0.9
-1.1
-1.9
-0.8
-1.6
-0.7
Dic-51
Jun-58
Ene-64
Abr-66
May-69
Ene-70
Mar-73
Feb-77
Ene-78
Jun-83
Feb-88
Jun-92
Jul-93
Mar-95
Abr-98
Mar-03
Feb-05
Ene-07
5
15
7
11
7
5
11
6
5
14
19
14
5
12
12
11
8
5
0.6
0.9
0.8
1.1
0.8
0.6
1.3
0.7
0.7
1.4
1.1
1.2
0.7
0.8
1.9
1.0
0.8
0.9
0.7
1.9
1.0
1.6
1.0
0.7
2.1
0.8
0.8
2.3
1.6
1.8
0.8
1.3
2.5
1.5
0.9
1.1
Nios
Ago-51
Abr-57
Jul-63
Jun-65
Nov-68
Sep-69
May-72
Sep-76
Sep-77
May-82
Ago-86
Mar-91
Mar-93
Abr-94
May-97
May-02
Jul-04
Sep-06
(a)
7
aportes[TWh]
SSTA
log(pt)
6
5
4
2
1
0
1
2
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
(c)
(b)
1/2005
1/2006
(d)
5
1
0.15
0.5
0.1
0
log(p )
0.05
0.5
4
1
0
10
2
log(pt)
4
aportes
3
2
1
2
4
aportes
169
170
18
16
14
12
10
nivel[TWh]
cap. embalse[TWh]
Min Oper [TWh]
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
(a)
12
10
8
4
2
eofer[TWh]
aportes[TWh]
log(p )
1/1996
1/1997
1/1998
1/1999
1/2000
(b)
1/2001
1/2002
1/2003
1/2004
(c)
1/2005
1/2006
(d)
5
1
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
0.5
4
t
0.5
log(p )
1
0
10
2
log(pt)
5
eofer
10
3
2
1
0
5
eofer
10
171
172
La influencia de la TC est dada a travs del cargo por capacidad del sistema, ya que la remuneracin
a los generadores que dan energa firme al sistema bajo condiciones extremas est fijada en 5.25
USD/kW, y debe liquidarse mensualmente a la TC del mes correspondiente. El valor a recaudar en
pesos y la demanda son la base para el clculo del CERE que fija el precio mnimo de oferta en la Bolsa
de Energa. Un efecto indirecto de la TC est dado por las nuevas inversiones en capacidad realizadas
por los agentes privados; usualmente los crditos de los equipos son pactados y pagados en dlares,
mientras que los ingresos son recolectados en pesos. Finalmente, existe una porcin de los costos
variables de operacin y mantenimiento, y de combustibles que debe ser pagada en dlares, la cual es
considerada explcitamente dentro del precio de oferta de los agentes. La evolucin en el tiempo de la
TC y los precios de bolsa es presentada en la Figura 6.8; los correlogramas cruzados parciales fueron
calculados descontando el efecto de los aportes y el embalse ofertable. Los resultados proporcionan
evidencias estadsticas de la influencia entre la TC actual y el correspondiente precio de la electricidad.
Igualmente, existe una influencia directa de la inflacin sobre los precios, relacionada con los costos
fijos y variables de operacin y mantenimiento, costos de administracin y dems gastos operacionales
de los agentes. En la Figura 6.9 se presenta la evolucin en el tiempo del IPC y los precios de Bolsa.
Los correlogramas no lineales muestran la relacin entre el IPC y los precios de la Bolsa, descontando
el efecto de la TC, el embalse ofertable y los aportes.
6.1.5 Demanda de electricidad
El crecimiento de la demanda domstica del pas est relacionada directamente con el crecimiento
econmico, de tal forma que existe una profunda relacin con el PIB. La demanda domstica posee
una componente cclica asociada al efecto calendario anual; en la Figura 6.10 se puede observar la
componente cclica una vez se ha extrado la componente de largo plazo3. Dicha variacin esta asociada
principalmente a la cantidad de das del mes, la presencia de das festivos, sbados y domingos, as
como tambin a periodos de vacaciones tales como la semana santa. As, hay una clara explicacin
para que el mes de febrero presente usualmente la menor demanda mensual del ao vase la Figura
6.10.
En la Figura 6.11 se presenta la relacin en el tiempo entre la demanda y el precio de la electricidad
en la Bolsa de la energa. Los correlogramas parciales no lineales indican una relacin directa entre el
precio y la demanda, tal como es de esperarse.
Igualmente, se ha venido dando el intercambio de electricidad con Per y Ecuador como producto
de las interconexiones internacionales entre los pases de la regin Andina. Dichas exportaciones se
han mantenido por debajo del 5% de la demanda mensual domstica.
6.2 Paso 2: Especificacin de los modelos de precios
En la seccin anterior se han analizado las principales variables, tanto fsicas como econmicas, que
explican el comportamiento de los precios de la electricidad. Sin embargo, el anlisis planteado es
insuficiente para probar dicha relacin, y se hace necesaria la especificacin formal de los modelos
3 La
tendencia fue extrada de la serie original usando el filtro de Hodrick-Prescott con = 1200.
(a)
5.5
5
4
3.5
3
2.5
2
1.5
TC[Miles de $/USD]
log(pt)
1
0.5
1/1996
1/1997
1/1998
1/1999
1/2000
(b)
1/2001
1/2002
1/2003
1/2004
1/2005
(c)
1/2006
(d)
5
1
0.6
0.5
0.4
0
log(p )
4.5
0.2
0.5
4
1
0
10
2
log(pt)
2
TC
3
2
1
1
1.5
2
TC
2.5
173
174
(a)
5.5
5
4.5
3.5
ICP[x0.01]
log(p )
2.5
2
1.5
1
0.5
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
(c)
(b)
1/2005
1/2006
(d)
5
1
1
0.8
0.6
0.4
0.2
4
t
0.5
log(p )
0.5
4
1
0
10
2
log(p )
t
1.41.6
1 1.2
0.60.8ICP[x0.01]
3
2
1
0.6 0.8
175
0.3
componente ciclica
0.2
0.1
0.1
0.2
0.3
0.4
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
176
(a)
5.5
5
4
3.5
3
2.5
2
1.5
dem[TWh]
log(pt)
1
0.5
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
(c)
(b)
1/2006
(d)
5
1
0.5
0.6
0.4
0.2
log(p )
4.5
0.5
4
1
0
10
2
log(p )
t
4.5
4
3.5
dem[TWh]
3
2
1
3.5
4
dem[TWh]
4.5
177
0.18
Exp. Ecu[TWh]
Imp. Ecu[TWh]
Exp. Ven[TWh]
Imp. Ven[TWh]
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
1/1996
1/1997
1/1998
1/1999
1/2000
1/2001
1/2002
1/2003
1/2004
1/2005
1/2006
178
4
2
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006
Residuals plot
2
0
2
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006
Series autocorrelation
Density
QQ plot
5
1
0.8
0.5
0.6
0
0.4
0.5
0.2
0
1
0
10
20
30
5
5
4
2
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006
Residuals plot
2
0
2
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006
Series autocorrelation
1
Density
QQ plot
5
0.8
0.5
0.6
0.4
0.5
0.2
1
0
10
20
30
0
2
5
5
179
180
2
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006
Residuals plot
2
0
2
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006
Series autocorrelation
Density
0.4
0.5
0.3
0.2
0.5
0.1
QQ plot
5
1
0
10
20
30
5
5
(a)
1
0.8
0.6
Fs
0.4
0.2
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006
(b)
0.8
0.6
0.4
0.2
0.6
0.7
0.8
0.9
1.1
1.2
IPC[x0.01]
1.3
1.4
1.5
1.6
181
182
4
2
0
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006
Residuals plot
2
0
2
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006
Series autocorrelation
Density
0.4
0.5
0.3
0.2
0.5
0.1
QQ plot
5
1
0
10
20
30
5
5
(a)
2
1.5
Fs
IPC
0.5
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006
(b)
1
0.8
0.6
0.4
0.2
0.6
0.7
0.8
0.9
1.1
1.2
IPC[x0.01]
1.3
1.4
1.5
1.6
183
184
Figura 6.19: Ajuste del modelo UCM a la muestra de calibracin. No incluye yt1 como regresor.
QQ plot
5
0.6
0.4
0
0.2
0.5
0
1
0
10
20
30
5
5
Figura 6.20: Ajuste del modelo UCM a la muestra de calibracin. Incluye yt1 como regresor.
QQ plot
5
0.4
0.5
0.3
0.2
0.5
0.1
1
0
10
20
30
5
5
185
186
Figura 6.21: Ajuste del modelo UCM-ARNN a la muestra de calibracin. No incluye yt1 como
regresor.
QQ plot
5
0.4
0.5
0.3
0.2
0.5
0.1
1
0
10
20
30
5
5
5
4
3
2
1
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006
Residuals plot for UCMARNN2
2
0
2
1/1996 1/1997 1/1998 1/1999 1/2000 1/2001 1/2002 1/2003 1/2004 1/2005 1/2006
Autocorrelation plot of StdRes
1
0.5
QQ plot
5
0.4
0.2
0.5
1
0
10
20
30
0
4
5
5
187
Figura 6.22: Ajuste del modelo UCM-ARNN a la muestra de calibracin. Incluye yt1 como regresor.
188
(a) UCMARX1
(b) UCMARX2
3
trend+Xs
y
trend+Xs
y
0
1/1996 1/1998 1/2000 1/2002 1/2004 1/2006
0
1/1996 1/1998 1/2000 1/2002 1/2004 1/2006
(c) UCMARNN1
(d) UCMARNN2
3
2
3
trend+Xs
y
trend+Xs
y
0
1/1996 1/1998 1/2000 1/2002 1/2004 1/2006
0
1/1996 1/1998 1/2000 1/2002 1/2004 1/2006
189
190
7.5
Historica [TWh]
Esc. alto [TWh]
Esc. medio [TWh]
Esc. bajo[TWh]
Esc. 2019
6.5
5.5
4.5
3.5
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
191
0.4
Expor Ecuador[TWh]
Expor SIEPAC[TWh]
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0.05
1/19961/19971/19981/19991/20001/20011/20021/20031/20041/20051/20061/20071/20081/20091/20101/20111/20121/20131/20141/2015
192
9
8
7
6
5
4
3
logpt
forecast
CR
CERE
2
1
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
9
8
7
6
5
4
3
logpt
forecast
CR
CERE
2
1
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
193
9
8
7
6
5
4
3
logpt
forecast
CR
CERE
2
1
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
9
8
7
6
5
4
3
logpt
forecast
CR
CERE
2
1
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
194
9
8
7
6
5
4
3
logpt
forecast
CR
CERE
2
1
0
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
195
Expansionista SSTA 19701978 (Extremo Hmedo).
8
7
6
5
4
3
2
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
Expansionista SSTA 19621970 (Normal).
1/2010
1/2012
1/2014
8
7
6
5
4
3
2
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
Expansionista SSTA 19861994 (Extremo Seco).
1/2010
1/2012
1/2014
8
7
6
5
4
3
2
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
se presentara durante el 2008, y la segunda entre may/2010 y abr/2013. Hay un Nio entre
may/2009 y mar/2010.
SSTA entre ene/1986 y dic/1994. Este perodo registra tres eventos Nio con duraciones de 19, 14
y 5 meses e intensidades promedio de 1.1, 1.2 y 0.7 respectivamente. Los eventos ocurriran as:
el primero entre ago/2007 y feb/2009; el segundo, entre may/2013 y jun/2014; y el tercero, entre
mar/2014 y jul/2014.
Los resultados obtenidos son presentados en las Figuras 6.32 a la 6.36.
Para el escenario expansionista, el precio de escasez se supera en algn mes del ao 2009 o 2010.
El comportamiento para los tres escenarios hidrolgicos es bastante similar, y muestra como para el
ao 2012 ya se debe haber instalado nueva capacidad de generacin. El escenario optimista presenta
un comportamiento bastante similar.
196
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
Optimista SSTA 19621970 (Normal).
1/2010
1/2012
1/2014
8
7
6
5
4
3
2
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
Optimista SSTA 19861994 (Extremo Seco).
1/2010
1/2012
1/2014
8
7
6
5
4
3
2
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
197
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
Continuista SSTA 19621970 (Normal).
1/2010
1/2012
1/2014
8
7
6
5
4
3
2
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
Continuista SSTA 19861994 (Extremo Seco).
1/2010
1/2012
1/2014
8
7
6
5
4
3
2
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
198
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
Limitado con interconexin SSTA 19621970 (Normal).
1/2010
1/2012
1/2014
8
7
6
5
4
3
2
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
Limitado con interconexin SSTA 19861994 (Extremo Seco).
1/2012
1/2014
8
7
6
5
4
3
2
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
199
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
Limitado sin interconexin SSTA 19621970 (Normal).
1/2010
1/2012
1/2014
8
7
6
5
4
3
2
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
Limitado sin interconexin SSTA 19861994 (Extremo Seco).
1/2012
1/2014
8
7
6
5
4
3
2
TKS
log(pt)
1/1996
1/1998
1/2000
1/2002
1/2004
1/2006
1/2008
1/2010
1/2012
1/2014
200
La sensibilidad al escenario continuista muestra que ante la presencia de una hidrologa hmeda,
el sistema requerira nueva capacidad instalada para el primer semestre del ao 2012. Ante una
hidrologa normal o seca, la nueva capacidad debera estar instalada para el inicio del ao 2011.
Para el escenario de crecimiento limitado de la demanda con exportaciones, el precio de bolsa
presenta un crecimiento continuo, con precios de escasez hacia el ao 2013, lo que implica, que de
ocurrir este escenario, la nueva capacidad slo se requerira dos aos despus de los encontrado para
el escenario anterior.
Para el escenario de crecimiento limitado sin exportaciones, la nueva capacidad sera requerida
para el ao 2014.
6.9 Conclusiones
Las principales contribuciones desarrolladas en este captulo son las siguientes:
El desarrollo de un modelo que representa la dinmica de la formacin de los precios en el
mercado elctrico Colombiano; esta actividad permiti una mayor comprensin de los procesos
de formacin de los precios, de la interaccin entre las distintas variables que gobiernan su
comportamiento, y de la respuesta del mercado ante cambios fsicos o regulatorios.
El modelo desarrollado en este capitulo puede ser utilizado para diferentes fines, algunos de los
cuales ya han sido ejemplificados:
El estudio de necesidades de expansin en generacin ante diferentes escenarios de crecimiento
de la demanda de electricidad, para garantizar un adecuado cubrimiento de la demanda.
La respuesta del mercado ante la ocurrencia de eventos macroclimticos extremos.
El efecto de la expansin en generacin utilizando diferentes tecnologas.
La ejemplificacin del potencial latente del uso de la simulacin combinada con modelos
economtricos y de series temporales para el modelado de mercados elctricos liberalizados.
Se ha aplicado el pensamiento sistmico para la generacin de nuevo conocimiento sobre el
mercado que puede ser utilizado potencialmente por los agentes del sector.
Adicionalmente, el anlisis de los escenarios planteados, muestra el efecto del crecimiento de la
demanda sobre los precios. Mientras que en el escenario expansionista, la nueva capacidad instalada
es requerida hacia el ao 2010, en el escenario de crecimiento limitado sin exportaciones, la instalacin
de las nuevas plantas de generacin puede retrasarse hasta el ao 2012. No se ha documentado aqu,
pero es claro que diferentes escenarios requeriran diferentes capacidades instaladas.
ARX
ARNN
STR
ANFIS
UCM-1
UCM-2
UCM-ARNN-1
UCM-ARNN-2
13.05418
27.13247
0.01237
1.36217
-0.88702
9.62068
24.03455
0.01031
1.34850
-0.91653
8.30839
22.73715
0.01054
1.18330
-0.66198
4.19354
16.16969
0.00473
0.96426
-0.63339
11.72515
25.76120
0.01050
1.15818
-0.95591
11.25767
25.19014
0.01086
1.17410
-0.89869
10.95672
25.86363
0.01208
1.12065
-0.83866
9.14129
23.84365
0.01073
1.12003
-0.85326
2.27261
13.73314
0.00384
0.37105
-0.30696
2.01024
13.09352
0.00391
0.39388
-0.30420
2.66582
14.38319
0.00381
0.45820
-0.35676
1.78359
12.23976
0.00369
0.28828
-0.29415
4.32814
17.84834
0.00411
0.45811
-0.45278
3.87521
17.12151
0.00456
0.42613
-0.55307
2.65104
14.38127
0.00471
0.45941
-0.34054
3.46196
15.82146
0.00463
0.49715
-0.47070
22.1326
40.5350
88.9613
101.7363
41.6832
49.3078
75.1520
56.8485
Log-Likelihood
201
202
Prueba LR
Preferido
Prueba MNG
Diferentes
-11.645 (0.000)
-7.846 (0.000)
-9.947 (0.000)
-2.168 (0.003)
-2.919 (0.000)
-5.300 (0.000)
-3.588 (0.000)
ARNN
STR
ANFIS
UCM-1
UCM-2
UCM-ARNN-1
UCM-ARNN-2
0.967 (0.335)
0.400 (0.690)
1.823 (0.070)
-4.352 (0.000)
-3.399 (0.001)
-1.080 (0.282)
-2.750 (0.007)
No
No
No
Si
Si
No
Si
ARNN vs STR
ARNN vs ANFIS
ARNN vs UCM-1
ARNN vs UCM-2
ARNN vs UCM-ARNN-1
ARNN vs UCM-ARNN-2
-6.074 (0.000)
-7.969 (0.000)
-0.123 (0.075)
-0.913 (0.030)
-3.602 (0.000)
-1.580 (0.010)
STR
ANFIS
UCM-1
UCM-2
UCM-ARNN-1
UCM-ARNN-2
-0.578 (0.564)
0.928 (0.355)
-4.923 (0.000)
-4.128 (0.000)
-1.953 (0.053)
-3.377 (0.001)
No
No
Si
Si
Si
Si
STR vs ANFIS
STR vs UCM-1
STR vs UCM-2
STR vs UCM-ARNN-1
STR vs UCM-ARNN-2
25.550 (0.000)
4.680 (0.000)
3.530 (0.000)
1.482 (0.012)
2.657 (0.001)
ANFIS
STR
STR
STR
STR
2.089 (0.039)
-5.103 (0.000)
-4.300 (0.000)
-1.721 (0.088)
-3.207 (0.002)
Si
Si
Si
No
Si
5.395 (0.000)
4.344 (0.000)
2.241 (0.002)
3.576 (0.000)
ANFIS
ANFIS
ANFIS
ANFIS
-6.001 (0.000)
-5.313 (0.000)
-2.917 (0.004)
-4.435 (0.000)
Si
Si
Si
Si
ARX vs ARNN
ARX vs STR
ARX vs ANFIS
ARX vs UCM-1
ARX vs UCM-2
ARX vs UCM-ARNN-1
ARX vs UCM-ARNN-2
ANFIS vs UCM-1
ANFIS vs UCM-2
ANFIS vs UCM-ARNN-1
ANFIS vs UCM-ARNN-2
Exgenas
Excluidas
Aportes
SSTA*
Emb. ofertable
Precios
CERE
Tasa de cambio
Gen. termo
Gen. hidro
Mnimos operativos
Vertimientos
Deficit
IPC
Costo combustibles
203
Demanda
Inteconexin
Expansionista
DNP2019
Optimsta
Crecimiento alto
Continuista
Crecimiento medio
Ecuador y Per
Limitado con
Interconexin
Crecimento bajo
Limitado sin
Interconexin
Crecimento bajo
204
7. CONCLUSIONES
206
El protocolo de prediccin condicional (que se hace, cuando se hace, como se hace). Los
mtodos generales para el anlisis estadstico de series temporales presentan, usualmente, un
protocolo para la especificacin de un modelo. Sin embargo, los pasos dados son generales
e ignoran muchas de las particularidades y conocimiento especfico que se tiene sobre los
mercados de electricidad. En este estudio se investig sobre el diseo de un protocolo que
permite la prediccin condicional basada en escenarios para mercados elctricos con una alta
componente hidrulica, y para horizontes de mediano y largo plazo.
Si bien en esta tesis se realizan profundos aportes conceptuales, metodolgicos y prcticos en
torno a la problemtica de la prediccin de los precios de la electricidad en mercados liberalizados,
quedan muchos interrogantes inexplorados que pueden dar lugar a otras investigaciones sobre la
problemtica abordada.
El problema de investigacin abordado en esta tesis es la construccin de pronsticos condicionales
de los precios de la electricidad para horizontes de mediano y largo plazo, con aplicacin a mercados
elctricos con una alta componente hidrulica. Como resultado de esta investigacin, se ha propuesto
una aproximacin metodolgica compuesta de ocho pasos:
1. Investigacin preliminar.
2. Creacin de una lista de modelos posibles, que pueden incluir entre otros:
ARX homocedstico (tradicional).
ARX-GARCH (tradicional).
Componentes no observables (tradicional).
ARX-MLP homocedastico (propuesto en el captulo 2).
ARX-MLP heterocedstico (propuesto en el captulo 2).
ARX-MLP dinmico (propuesto en el captulo 3).
STR (tradicional).
ANFIS homocedstico (propuesto en el captulo 2).
ANFIS heterocedstico (propuesto en el captulo 2).
ANFIS dinmico (propuesto en el captulo 3).
Otros a criterio del modelador.
3. Estimacin de parmetros.
4. Diagnstico de residuales.
5. Seleccin del modelo final.
6. Desarrollo del modelo de simulacin del mercado.
7. Preparacin de escenarios.
207
8. Anlisis de sensibilidades.
La aproximacin metodolgica propuesta es una estrategia ordenada, objetiva, sistemtica, integral
y sistmica que permite obtener como principales resultados:
Un anlisis econmico y estadstico de los precios y su mecanismo de formacin.
Un modelo estocstico de la dinmica de los precios de la electricidad.
Un modelo estocstico que representa la dinmica para cada una de las variables exgenas cuya
evolucin no se supone conocida dentro de los escenarios.
Un modelo de simulacin del mercado.
Los escenarios de anlisis.
Los pronsticos de los precios condicionales a los escenarios considerados.
Esta estrategia ha permitido la prediccin condicional de los precios de la electricidad en el submercado
de corto plazo para los mercados elctricos de Brasil y Colombia. Al ejecutar los diferentes pasos de
la estrategia propuesta, se ha podido analizar el mecanismo de formacin de los precios, as como la
dinmica de las variables explicativas, y se ha cuantificado su impacto sobre los precios mismos. Este
anlisis ha hecho posible una mejor comprensin del funcionamiento de cada uno de los mercados
analizados, y ha hecho explcita su complejidad como tal. El anlisis realizado ha permitido el
desarrollo de un modelo para realizar la simulacin de cada uno de los mercados analizados.
El caso de aplicacin al mercado Brasilero muestra como los precios son afectados de una forma
drstica por la disponibilidad del recurso hdrico (aportes hidrolgicos y agua almacenada en los
embalses), por el crecimiento de la demanda, y por la capacidad de generacin efectiva del sistema.
No obstante, su dinmica no puede ser completamente explicada por estas variables, y existe una
perturbacin adicional, que recoge los efectos de variables econmicas como la demanda y el costo de
los combustibles. Igualmente, el anlisis realizado permite establecer niveles de precios de acuerdo
con la disponibilidad de los recursos, partiendo de las condiciones actuales del mercado.
Para el caso Colombiano, si bien los factores que afectan los precios son similares al caso Brasilero, la
dinmica de las variables explicativas del comportamiento del mercado son completamente diferentes,
por lo que el modelo de simulacin obtenido para el caso anterior no puede ser implantado directamente
para el caso Colombiano. Igualmente, la dinmica de los precios es completamente diferente. En
este caso se ha considerado la expansin futura en capacidad de generacin del sistema, diferentes
crecimientos en la demanda, y la posibilidad de interconexiones internacionales con otros sistemas.
En el escenario expansionista, que se caracteriza por el crecimiento alto de la demanda domstica
y la interconexin con nuestros pases vecinos, existe una muy clara posibilidad de precios de
racionamiento para principios del 2009, justo antes de la entrada escalonada de las unidades de la
central Porce III. El sistema no sera capaz de abastecer la demanda de electricidad a partir del primer
semestre del ao 2011. Para un escenario completamente opuesto, en que se da el menor crecimiento de
la demanda y no se presentan interconexiones internacionales, se presentara un crecimiento gradual
de los precios, y slo se llegara a niveles de racionamiento para el verano 2012-2013.
208
209
No obstante, y sin menospreciar los grandes avances realizados en esta tesis sobre este tpico,
queda abierta la pregunta sobre la eficacia de los modelos y los algoritmos propuestos tanto para
otras series de precios, as como tambin en un contexto ms general. Debe realizarse un trabajo
intenso sobre el modelado y la prediccin de un gran nmero de series, de tal forma que puedan
realizarse comparativos en cuanto a la eficacia de los modelos propuestos en comparacin con
otras alternativas.
3. Desde la Economa Energtica, los modelos planteados han permitido una comprensin ms
clara de la dinmica de los precios de la electricidad y de la influencia de diferentes price-drivers,
dadas las caractersticas particulares de cada uno de los mercados analizados. La metodologa
propuesta, por si misma, es una reflexin sobre el problema de prediccin de los precios de la
electricidad; su aplicacin a cada caso particular, es un proceso riguroso de anlisis que obliga al
modelador a confrontar sus conocimientos previos versus las evidencias dadas por el anlisis. Su
ejecucin rigurosa obliga al anlisis de cada factor que influye sobre los precios, y ha establecer
modelos o escenarios justificados sobre su comportamiento. El modelo por si mismo permite,
adicionalmente a analizar diferentes escenarios, la exploracin del comportamiento del mercado
en trminos de confiabilidad, y ha analizar el impacto causado por la entrada de nuevas plantas
de generacin.
A continuacin se presentan los logros alcanzados en relacin a los objetivos de investigacin
planteados:
1. Objetivo: Formular un marco conceptual para la aplicacin de modelos adaptativos de inferencia
difusa a la prediccin de precios de electricidad.
Los modelos ANFIS fueron desarrollados como modelos no lineales de regresin no lineal
en el contexto de la Inteligencia Computacional. Debido a ello, sufren fuertes falencias para el
modelado de series temporales que se evidencian al confrontar su metodologa de especificacin
contra otras metodologas desarrolladas en el campo estadstico. Adicionalmente, este modelo
sufre la maldicin de la dimensionalidad, especialmente cuando se consideran variables explicativas.
En esta tesis, se demostr que los modelos ANFIS, bajo algunas simplificaciones, son una versin
generalizada de los modelos estadsticos de transicin suave (STR). Esto posibilita los siguientes
avances conceptuales y metodolgicos:
Se supera la maldicin de la dimensionalidad posibilitando la aplicacin de este modelo
para representar series con poca informacin.
Se vincula el modelo ANFIS con el conocimiento previo existente sobre el modelado de
series temporales, lo que permite desarrollar una estrategia estadstica para su especificacin.
ANFIS es un modelo donde los errores son homocedsticos. En esta tesis se propone una
extensin del modelo para considerar grupos de volatilidad similar y volatilidad cambiante
en el tiempo.
210
2. Objetivo: Formular un marco conceptual para la aplicacin de los modelos de redes neuronales
artificiales a la prediccin de precios de la electricidad.
Un problema fundamental para la prediccin de series temporales usando redes neuronales,
es que la gran mayora de estrategias de especificacin propuestas en la literatura se basan en
elementos empricos que hacen difcil la reproduccin de los resultados; sin embargo, este es un
proceso sistemtico cuando se consideran modelos estadsticos.
En esta tesis, se proponen elementos conceptuales dentro de la especificacin del modelo que
permiten realizar un procesos sistemtico basado en pruebas estadsticas para su especificacin.
Ello permite eliminar elementos de juicio dentro del proceso de especificacin.
Al igual que para los modelos ANFIS, se extiende el modelo de redes neuronales al considerar
que los errores pueden seguir un proceso GARCH.
3. Objetivo: Formular un marco conceptual para la especificacin de modelos no lineales adaptativos
basados en los dos objetivos anteriores.
Los modelos dinmicos lineales recogen las caractersticas de muchos modelos clsicos de
prediccin, con la ventaja de permitir la adaptacin a medida que las caractersticas de la
serie van cambiando. Es bien conocida su capacidad para aislar los stylized facts en la serie,
de tal forma, que en si mismos se postulan como teoras sobre la formacin y caracterizacin de
las series de precios; sin embargo, la existencia de relaciones no lineales entre algunas variables
explicativas y el precio, hace que ellos se queden a medio camino en su capacidad de explicacin
del comportamiento de la serie.
La incorporacin de modelos de regresin no paramtrica y no lineal en el marco de los modelos
dinmicos, ha permitido extender la familia de modelos disponibles, permitiendo que ellos
tengan una mayor capacidad explicativa de la serie, y por consiguiente, una mayor precisin en
la prediccin.
Para poder alcanzar el logro de este objetivo, fue necesario replantear la formulacin de los
modelos de redes neuronales artificiales, y los sistemas de inferencia neurodifusa en trminos
estadsticos, haciendo nfasis en su relacin con otras tcnicas economtricas bien conocidas y
estudiadas.
4. Objetivo: Desarrollar un protocolo para la prediccin de precios de electricidad que incluya el
proceso formal de comparacin y seleccin entre diferentes modelos alternativos y la construccin
de escenarios para la prediccin de precios de electricidad.
La formulacin de una estrategia que contemple de forma integral todas las tareas necesarias para
la construccin de pronsticos y su posterior evaluacin, integrando adecuadamente elementos
estadsticos con juicios informados provenientes del pronosticador.
Se integr en un nico marco metodolgico, las diferentes fases requeridas para la formulacin
de modelos de prediccin no lineales, que abarcan desde la conceptualizacin del problema
hasta la confrontacin de los pronsticos con los datos reales. Si bien, no hay un actor principal
211
en el marco, el protagonismo de sus pasos se alterna entre los mtodos formales de la estadstica
y la integracin de la subjetividad del modelador.
El uso de diagramas de influencia permite realizar un claro anlisis de las fuerzas que gobiernan
la formacin de los precios y la interrelacin que existe entre ellas. El desarrollo de modelos de
prediccin usando variables explicativas para cada una de las variables en cuestin, se convierte
como una confirmacin experimental y objetiva de la existencia de dichas relaciones; ms an,
es posible pensar en el diagrama de influencia como un bosquejo preliminar del modelo, y en
este ltimo como una teora sobre la formacin de los precios. Bajo este panorama, el diagrama
de influencia permite determinar cuales variables son inciertas, y para las cuales su evolucin
debe ser asumida, y cuales de ellas son dependientes; estas ltimas pueden ser determinadas en
funcin de las primeras. En este esquema, es entonces posible formular escenarios de prediccin
basados en la evolucin de las distintas variables interrelacionadas de tal forma que se d un
desarrollo temporal coherente entre ellas.
Otro problema que se aborda en esta tesis, es la seleccin de variables explicativas cuando existen
relaciones no lineales de dependencia. Para este particular, se ha desarrollado un mecanismo
para la deteccin de dependencias no lineales, el cual aprovecha el uso de redes neuronales
artificiales para dicha especificacin.
La integracin de las herramientas de anlisis decisional con las tcnicas estadsticas ha brindado
un punto de partida para el desarrollo de los modelos mismos, pero ms an, sirve como punto
de apoyo para la generacin de las predicciones basadas en escenarios, ya que permite relacionar
las interacciones entre las variables, y resalta la coherencia que debe guardarse entre ellas en la
construccin de escenarios.
5. Objetivo: Validar los desarrollos planteados en los objetivos anteriores aplicndolos a la prediccin
de los precios en los mercados de Brasil y Colombia.
La aproximacin metodolgica propuesta fue aplicada exitosamente al modelado de los mercados
de Brasil y Colombia. De su aplicacin se obtuvo lo siguiente:
Una mejor comprensin de los mecanismos de formacin de precios en cada uno de los
mercados.
Un anlisis de la dinmica de los precios histricos, y el anlisis de sus propiedades
estadsticas.
Modelos para cada una de las variables explicativas consideradas.
Un modelo para cada uno de los mercados considerados.
Esto posibilit el anlisis de la evolucin de precios para diferentes escenarios en cada uno de
los mercados.
Para el caso de Brasil, los resultados indican que la expansin en capacidad para cubrir un
escenario de referencia puede llevar a que los precios de electricidad alcancen sus mximos
histricos si se de un crecimiento alto de la demanda, combinado con la escasez del recurso
212
BIBLIOGRAFA
Akaike, H. (1973), Information theory and an extension of the maximum likelihood principle, in
B. Petrov y F. Csaki, eds, 2nd International Symposium on Information Theory, Akademia
Kiado: Budapest, pp. 267281.
Anders, U. y Korn, O. (1999), Model selection in neural networks, Neural Networks 12(1999), 309323.
Angelus, A. (2001), Electricity price forecasting in deregulated markets, The Electricity Journal .
Arciniegas, I. y Marathe, A. (2005), Important variables in explaining real-time peak price in the
independent power market of ontario, Utilities Policy 13, 2739.
Armstrong, J. (2001), Principles of Forecasting, Kluwer Academic Press, chapter Combining Forecasts.
Armstrong, J. (2005), The forecasting canon: nine generalizations to improve forecast accuracy,
Foresight (1), 2935.
Armstrong, M., Cowan, S. y Vickers, J. (1994), Regulatory Reform: Economic Analysis and British
Experience, The MIT Press, Cambridge.
Baccon, D. y Watts, D. (1971), Estimating the transition between two intersecting straight lines,
Biometrika 58, 525534.
Baer, W. y Coes, D. (2001), Privatization, regulation and income distribution in brazil, The Quaarterly
Review of Economics and Finance .
Bakos, G. (2001), Privatizing and liberalizing electriciy, the case of hungary, Enegy Policy
29(13), 11191132.
Banfi, S., Filippini, M. y Luchsinger, C. (2002), Deregulation or the swiss electricity industry: Short-run
implications for the hydropower sector, The Electricity Journal .
Beggs, C. (2002), Energy Management, Supply and Conservation, Oxford: ButterworthHeinemann.
Blattberg, R. y Hoch, S. (1990), Database models and managerial intuition. 50 model + 50 manager,
Management Science (36), 887889.
Bollerslev, T. (1986), Generalized autoregressive conditional heteroskedasticity, Journal of Econometrics
(31), 307327.
Bonnlander, B. (1996), Nonparametric selection of input variables for connectionist learning, PhD
thesis, University of Colorado. Department of Computer Sciences.
Borenstein, S. y Bushnell, J. (1998), An empirical analysis of the potential for market power in
californias electricity industry, Technical report POWER working paper-044r.
Box, G. y Cox, D. (1964), An analysis of transformations, Journal of the Royal Statistical Society, Series
B (26), 211243.
213
214
Box, G. E. P. y Jenkins, G. M. (1970), Time Series Analysis: Forecasting and Control, HoldenDay Inc.
Box, G. E. P. y Jenkins, G. M. (1976), Time Series Analysis: Forecasting and Control, revised edn,
HoldenDay Inc.
Box, G. y Pierce, D. (1970), Distribution of residual correlations in autoregressive-integrated moving
average time series models, Journal of American Statistical Association (65), 15091526.
Breiman, L., Friedman, J. H., Olshen, R. A. y Stone, C. J. (1984), Classification and regression trees,
Technical report, Wadsworth, Inc, Belmont, California.
Breush, T. y Pagan, A. (1979), A simple test for heteroscedasticity and random coeficient variation,
Econometrica (47), 12871294.
Brock, W., Dechert, W., Scheikman, J. y LeBaron, B. (1996), A test for independence based on the
correlation dimension, Econometric Reviews (15), 197235.
Brown, R., Durbin, J. y Evans, J. (1975), Techniques for testing the consistency of regression
relationships over time, Journal of the Royal Statistical Society, Series B (37), 149192.
Bunn, D. (1998), Reflections on the progress of electricity re-structuring, privatisation and regulation
in the uk during 19881998., in XXXIII Reunin de Altos Ejecutivos C.I.E.R..
Bunn, D. y Wright, G. (1991), Interaction of judgemental and statistical forecasting methods: Issues
and analysis, Management Science 37(5).
Bystrm, H. (2005), Extreme value theory and extremely large electricity prices changes, International
Review of Economics and Finance 14.
Carlin, B., Polson, N. y Stoffer, D. (1992), A monte carlo approach to nonnormal and nonlinear state
space modelling, Journal of the American Statistical Association (87), 493500.
Chan, K. (1993), Consistency and limiting distribution of the least squares estimator of a continuous
autoregressive model, The annals of statistics (21), 520533.
Chan, K. y Gray, P. (2006), Using extreme value theory to measure value-at-risk for daily electricity
spot prices, International Journal of Forecasting 22, 283300.
Chatfield, C. (1988), Apples, oranges and mean square error, International Journal of Forecasting
(4), 515518.
Chen, R. y Tsay, R. (1993a), Functionalcoefficient autoregressive models, Journal of the American
Statistical Association (88), 298308.
Chen, R. y Tsay, R. (1993b), Nonlinear additive arx models, Journal of the American Statistical Association
(88), 955967.
Clements, M., Frances, P. y Swanson, N. (2004), Forecasting economic and financial time-series with
non-linear models, International Journal of Forecasting 20, 169183.
Clements, M. y Hendry, D. (1998), Forecasting economic time series, Cambridge: Cambridge University
Press.
Clewlow, L. y Strickland, C. (2000), Energy Derivatives. Pricing and Risk Management, Lacima
Publications.
Conejo, A., Contreras, J., Espinosa, R. y Plazas, M. (2005), Forecasting electricity prices for a day-ahead
pool-based electricity energy market, International Journal of Forecasting 21, 435462.
215
Conejo, A., Contreras, J., Espnosa, R. y Plazas, M. (2005), Forecasting electricity prices for a day-ahead
pool-based electric energy market, International Journal of Forecasting (21), 435462.
Crespo-Cuaresma, J., Hlouskova, J., Kossmeier, S. y Obersteiner, M. (2004), Forecasting electricity
spot-prices using linear univariate time-series models, Applied Energy 77, 87106.
Cybenko, G. (1989), Approximation by superpositions of a sigmoidal function, Mathematics of Control,
Signals and Systems 2, 202314.
Darbellay, G. y Slama, M. (2000), Forecasting the short-term demand for electricity. do neural networks
stand a better chance?, International Journal of Forecasting 16, 7183.
DasGupta, B., Siegelmann, H. T. y Sontag, E. D. (1995), On the complexity of training neural networks
with continuous activation functions, IEEE Transactions on Neural Networks 6(6), 14901504.
Davison, M., Anderson, C., Marcus, B. y Anderson, K. (2002), Development of a hybrid model for
electrical power spot prices, IEEE Transaction on Power Systems 17(2).
de Medeiros, L. (2004), Previso do Preo Spot no Mercado de Energia Eltrica, PhD thesis, Pontificia
Universidade Catlica do Rio de Janeiro.
Deb, R., Albert, R., Hsue, L. y Brown, N. (2000), How to incorporate volatility and risk in electricity
price forecasting, The Electricity Journal pp. 6575.
del Sol, P. (2002), Responses to electricity liberalization: the regional strategy of a chilean generator,
Energy Policy 30(5), 437446.
Deng, S. (2000a), Princing electricity derivatives under alternative stochastic spot price models, in
Preceedings of the 33rd Hawaii International Conference on System Sciences..
Deng, S. (2000b), Stochastic models of energy commodity prices and their applications:
Meanreversion with jumps and spikes., Technical report, POWER working paper-073.
Deschamps, E. (2005), Six steps to overcome bias in the forecast process, Foresight (2), 811.
Dickey, D. y Fuller, W. (1979), Distribution of the estimators for autoregressive time series with a unit
root, Journal of American Statistical Association (74), 427431.
Diebold, F. y Mariano, R. (1995), Comparing predictive accuracy, Journal of Bussines and Economic
Statistics 13(3), 253263.
Doffner, G. (1996), Neural network for time series processing, Neural Networks World (4), 447468.
Durbin, J. y Watson, G. (1950), Testing for serial correlation in last squared regression i, Biometrika
37, 409428.
Durbin, J. y Watson, G. (1951), Testing for serial correlation in last squared regression ii, Biometrika
38, 159178.
Dyner, I. (1998), El mercado elctrico colombiano: Resultados, problemas y perspectivas, Energtica
(20), 7586.
Dyner, I., Arango, S. y Larsen, E. (2003), Past, present and future of the latin-american electricity
markets, in IAEE, Prague.
Dyner, I. y Garca, M. (2000), Reform and regulation of electricity in colombia - uk experiences taken
across the atlantic, International Journal of Public Administration 23, 603623.
216
Eberhart, R. C. y Dobbins, R. W. (1990), Neural Network PC Tool: A Practical Guide, Academic Press, Inc.
Efron, B. y Tibshirani, R. (1993), An Introduction to the Bootstrap, Chapman & Hall.
Eitrheim, O. y Tersvirta, T. (1996), Testing the adequancy of smooth transition autoregressive models,
Journal of Econometrics (74), 5976.
Engle, R. (1982), Autoregressive conditional heterocedasticity with estimates of the variance of united
kingdom inflations, Econometrica (50), 9871007.
Engle, R. y Ng, V. (1993), Measuring and testing the impact of news on volatility, Journal of Finance
(48), 17491778.
Ethier, R. (1999), Valuing electricity assets in deregulated markets: A real options model with mean
reverting and jumps, Technical report, Cornell University.
Ethier, R. y Mount, T. (1998), Estimating the volatility of spot prices in restructured electricity markets
and the implications for options values, Technical report, Cornell University.
Ettestol, I. (2002), Estimating residential demand for electricity with smooth transition regression.
NTNU, Trondheim, Norway.
Faraway, J. y Chatfield, C. (1998), Time series forecasting with neural networks: a comparative study
using the airline data, Journal of Applied Statistics (47), 231250.
Feng, H. y Liu, J. (2002), A setar model for canadian gdp: Non-linearities and forecast comparisons,
Working papar issn 1486-6441, Univerity of Victoria.
Fildes, R. (1992), The evaluation of extrapolative forecasting methods, International Journal of
Forecasting (8), 8198.
Fildes, R. y Hastings, R. (1994), The organization and improvement of market forecasts, Journal of the
Operational Research Society 45(1), 16.
Fukumizu, K. (2000), Local minima and plateaus in heriarchical structures of multilayer perceptrons,
Neural Networks 13(3), 317327.
Fukumizu, K. (2003), Likelihood ratio of unidentifiable models and multilayer neural networks,
Annals of Statistics 31(3), 833851.
Funahashi, K. (1989), On the approximate realization of continuous mappings by neural networks,
Neural Neworks 2(183192).
Gareta, R., Romeo, L. y Gil, A. (2006), Forecasting of electricity prices with neural networks, Energy
conversion and management 47, 17701778.
Goodwin, P. (2005), How to integrate management judgement with statistical forecasts, FORESIGHT
1(1), 811.
Goodwin, P. y Wright, G. (1991), Decision analysis for management judgment, John Wiley and sons.
Goodwin, P. y Wright, G. (1994), Heuristics, biases and improvement strategies in judgemental time
series forecasting, Omega, Int. J. Mgmt Sci. 22(6), 553568.
Granger, C. (1993), Strategies for modelling nonlinear time-series relationships, The Economic Record
(69), 233238.
217
Granger, C. y Andersen, A. (1978), An introduction to Bilinear Time Series Models, Vanderhoeck and
Ruprecht: Gottingen.
Granger, C. y Joyeux, R. (1980), An introduction to long-memory time series models and fractional
differencing, Journal of Time Series Analysis (1), 1529.
Granger, C. y Lin, J. (1994), Using the mutual information coefficient to identify lags in nonlinear time
series models, Journal of Time Series Analysis (15), 371384.
Granger, C. y Tersvirta, T. (1993), Modeling Nonlinear Economic Relationships, Oxford University Press.
Hamilton, H. (1989), A new approach to the economic analysis of nonstationary time series and the
business cycle, Econometrica (57), 357384.
Hamilton, J. (1994), Time Series Analysis, Princeton University Press.
Hannan, E. y Quinn, B. (1979), The determination of the order of an autoregression, Journal of Royal
Statistical Society Series B (41), 190195.
Hansen, J. y Nelson., R. (1997), Neural network and time series methods: A synergic combination in
state economic forecasts, IEEE Trans on Neural Networks 8(4), 863873.
Harries, C. y Harvey, N. (2000), Taking advice, using informaction and knowing what are you doing,
Acta Psychologica (104), 399416.
Harrison, P. y Stevens, C. (1976), Bayesian forecasting, Journal of the Royal Statistical Society Series
B(38), 205247.
Harvey, A. (1989), Forecasting, structural time series models and the Kalman filter, Cambridge University
Press.
Harvey, A. y Koopman, S. (1992), Diagnostic checking of unobserved components time series models,
Journal of Business and Economic Statistics (10), 377389.
Harvey, A., Ruiz, R. y Shephard, N. (1994), Mutivariate stochastic variance models, Review of Economic
Studies (61), 247264.
Harvey, N. (2005), Relative merits of different ways of combining judgement with statistical forecasts,
FORESIGHT 1(1), 1822.
Hastie, T. y Tibshirani, R. (1986), Generalized additive models, Statistical Science 1, 297318.
Heijden, K. (1996), Scenarios: The Art of Strategic Conversation, John Wiley & sons.
Heravi, S., Osborn, D. y Birchenhall, C. (2004), Linear versus neural network forecasts for european
industrial production series, International Journal of Forecasting (20), 435446.
Hirshleifer, J. y Hirshleifer, D. (1998), Price theory and applications, second edn, Prentice Hall Inc., Saddle
River, New Jersey.
Hogarth, R. (1994), Judgement and Choice, second edn, John Wiley and Sons.
Holmes, M. y Maghrebi, N. (2002), Non-linearities, regime switching and the relationships between
asian equity and foreign exchange markets, Technical report.
Hong, Y. y Hsiao, C. (2001), Locational marginal price forecasting in deregulated electricity markets
using a recurrent neural network, in IEEE Power Engineergin Society Winter Meeting,
pp. 539533.
218
Hong, Y. y Hsiao, C. (2002), Locational marginal price forecasting in deregulated electricity markets
using artificial inteligence, in IEEE Proceedings of Generation, Transmition and Distribution,
Vol. 149, pp. 621626.
Hong, Y. y Lee, C. (2005), A neuro-fuzzy price forecasting approach in deregulated electricity markets,
Electric Power Systems Research 73, 151157.
Hornik, K., Stinchcombe, M. y White, H. (1989), Multilayer feedforward networks are universal
aproximators, Neural Networks 2, 359366.
Howard, R. A. y Matheson, J. E. (1986), Readings on the principles and applications of decision analysis,
Strategic Decisions Group, Menlo Park, California, chapter Influence Diagrams.
Huisman, R. y Mahieu, R. (2001), Regime jumps in electricity prices, Technical report, Erasmus
Research Institute of Management. Report Series. Research in Management.
Hylleberg, S., Engle, R., Granger, C. y Yoo, B. (1990), Seasonal integration and cointegration, Journal
of Econometrics (44), 215238.
Hyndman, R. (1995), Highest-density forecast regions for nonlinear and nonnormal time series.,
Journal of Forecasting (14), 431441.
Hyndman, R. (1996), Computing and graphing highest-density regions., American Statistician
(50), 120126.
Jaccard, M. (1995), Oscillating currents, the changing rationale for goverment intervention in the
electricity industry, Energy Policy 23(7), 579592.
Jang, J. (1993), Anfis: Adaptive-network-based fuzzy inference system, IEEE Transactions on Systems,
Man, and Cybernetics 23, 665684.
Jang, J.-S.-R. (1994), Structure determination in fuzzy modeling: A fuzzy cart approach, in Proc. of
IEEE international conference on fuzzy systems, (Orlando, Florida).
Jarque, C. y Bera, A. (1980), Eficient tests for normality, homoscedasticy and serial independence of
regression residuals, Economic Letters (6), 255259.
Jarque, C. y Bera, A. (1987), A test for normality of observations and regression residuals, International
Statistical Review (55), 163172.
Kaastra, I. y Boyd, M. (1996), Designing a neural network for forecasting financial and economic
series, Neurocomputing (10), 215236.
Kasabov, N. (1998), Foundations of Neural Networks, Fuzzy Systems, and Knowledge Engineering, second
edn, Massachusetts Institute of Technology.
Keenan, D. (1985), A turkey non-additivity-type test for time series nonlinearity, Biometrika
(72), 3944.
Knittel, C. y Roberts, M. (2001), An empirical examination of derregulated electricity prices, Technical
report, Program on Workable Energy Regulation (POWER) University of California, Energy
Institute.
Knittel, C. y Roberts, M. (2005), An empirical examination of restructured electricity prices, Energy
Economics 25, 791817.
219
Koop, G., Pesaran, M. y Potter, S. (1996), Impulse response analysis in nonlinear multivariate models,
Journal of Econometrics (74), 119147.
Krause, G. (1995), Mercado spot e energia eltrica: Uma commodity como outra qualquer?, Revista
Brasileira de Energia 4(1).
Kuan, C. y Liu, T. (1995), Forecasting exchange rates using feedforwad and recurrent neural networks,
Journal of Applied Econometrics (10), 347364.
Kwiatkowski, D., Phillips, P., Schmidt, P. y Shin, Y. (1992), Testing the null of stationarity against the
alternative of a unit root. how sure are we that economic time series have a unit roor?, Journal of
Econometrics (52), 159178.
Larsen, E. (2000), Understanding and using scenarios: the way, when and how of scenarios, Energtica
(24), 2133.
LeCun, Y., Bottou, L., Orr, G. B. y Muller, K.-R. (1998), Neural Networks - Tricks of the Trade, Springer
Lecture Notes in Computer Sciences 1524, chapter Efficient Backprop, pp. 550.
Lee, T.-H., White, H. y Granger, C. (1993), Testing for neglected nonlinearity in time series models,
Journal of Econometrics 56, 269290.
Lewis, P. y Stevens, J. (1991), Nonlinear modeling of time series using mutivariate adaptive regression
spline (mars), Journal of American Statistical Association (86), 864877.
Li, Y. y Flynn, P. (2004), Deregulated power prices: comparison of volatility, Energy Policy
32, 15911601.
Lindgren, M. y Bandhold, H. (2003), Scenario Planning the link between the future and strategy, Palgrave
Macmillan.
Ljung, L. y Box, G. (1978), On a measure of lack of fit in time series models, Biometrika (66), 6772.
Lu, X., Dong, Z. y Li, X. (2005), Electricity market price spike forecast with data mining techniques,
Electric Power Systems Research 73(1), 1929.
Lucia, J. y Schwartz, E. (2002), Electricity prices and power derivates: Evidence form the nordic power
exchange, Review of Derivates Research 5(1), 550.
Lumnicki, Z. (1961), Test for departure from normality in the case of linear stochastic processes,
Metrika (4), 3762.
Maceira, M. (1993), Programao dinmica dual estocstica aplicada ao planejamento da operao
energtica de sistemas hidrotrmicos com representao do processo estocstico de afluncias
por modelos autoregressivos peridicos, Technical report, Relatorio Tcnico CEPEL DPP/PEL
237/93.
Maceira, M., Mercio, C., Gorenstin, B., Cunha, S., Suanno, C., Sacramento, M. y Kligerman, A. (1998),
Energy evaluation of north/northeastern and south/southeastern interconnetion with newave
model, in IV Symposium of Specialist in Electric Operational and Expansion Planning SESOPE,
Salvador, Brazil.
Maddala, G. S. (1977), Econometrics, McGrawHill.
Makridakis, S., Wheelwright, S. y McGee, V. (1983), Forecasting: Methods and applications, John Wiley
and Sons.
220
Masters, T. (1993), Practical Neural Network Recipes in C++, first edn, Academic Press, Inc.
Masters, T. (1995), Neural, Novel and Hybrid Algorithms for Time Series Prediction, first edn, John Wiley
and Sons, Inc.
McCleary, R. y Hay, R. (1980), Applied time series analysis for the social sciences, Sage Publications, Inc.
McLeod, A. y Li, W. (1983), Diagnostic checking arma time series models using squared residual
autocorrelations, Journal of Time Series Analysis (4), 269273.
McNamee, P. y Celona, J. (1990), Decision Analysis with Supertree, The Scientific Press.
Medeiros, L. (2003), Previso do Preo Spot no Mercado de Energia Eltrica, PhD thesis, Pontificia
Universidade Catlica do Rio de Janeiro.
Medeiros, M. y Veiga, A. (2002), Are there multiple regimes in financial volatility?, Technical report,
Pontificia Universidad Catolica do Rio de Janeiro.
Melino, A. y Turnbull, S. (1990), Pricing foreign currency options with stochastic volatility, Journal of
Econometrics (45), 239265.
Midttun, A. (1997), European Electricity Systems in Transition, A. Midttun, chapter The Norwegian,
Swedish and Finnish reforms: Competitive public capitalism and the emergence of the Nordic
Internal Market.
Mills, T. C. (1993), The econometric modelling of financial time series, Cambridge Press University.
Mount, T., Ning, Y. y Cai, X. (2006), Predicting price spikes in electricity markets using a
regime-switching model with time-varying parameters, Energy Economics 28, 6280.
Moya, O. (2002), Experience and new challenges in the chilean generation and transmission sector,
Energy Policy .
Nelson, D. (1991), Conditional heteroskedasticity in asset returns: A new approach, Econometrica
(59), 347370.
Newbery, D. (2002), European deregulation problems of liberalising the electricity industry, European
Economic Review .
Nicholls, D. y Quinn, B. (1982), Random coefficients autoregressive models: An introduction, in
Lecture Notes in Statistics 11., SpringerVerlag. New York.
Nielsen, H. y Madsen, H. (2001), A generalization of some classical time series tools, Computational
Statistics and Data Analysis (37), 1331.
Oconnor, M., Remus, W. y Griggs, K. (1993), Judgemental forecasting in times of change, International
Journal of Forecasting 9, 163172.
OLADE (1991), Situacin Energtica de Amrica Latina y el Carible: Transicin hacia el Siglo XXI, OLADE.
Onkal, D. y Gonul, M. (2005), Judgemental adjustment: a challenge for providers and users of
forecasts, FORESIGHT 1(1), 1317.
Page, E. (1954), Continuous inspection schemes, Biometrika (41), 100114.
Parkinson, T. (2004), Market price risks of merchant generation, The Electricity Journal 17(4), 3348.
221
Pemberton, J. (1987), Exact least squares multi-step prediction from nonlinear autoregressive models,
Journal of Time Series Analysis (8), 443448.
Pereira, M. (1985), Optimal scheduling of hydrothermal systems - an overview, in Procedings of the
IFAC Symposium on Planning and Operation of Electric Energy Systems, Rio de Janeiro.
Pereira, M. (1997), Modelo de despacho hidrotrmico, Technical report, PSRI.
Pereira, M. y Pinto, L. (1995), Stochastic optimization of multireservoir hydroelectric system: A
decomposition approach, Water Resourses Research 21(6), 779792.
Pilipovic, D. (1998), Energy Risk. Valuing and Managing Energy Derivates, McGrawHill.
Pineau, P. (2002), Electricity sector reform in cameroon: is privatization the solution?, Energy Policy .
Pole, A., West, M. y Harrison, J. (1994), Applied Bayesian Forecasting and Time Series Analysis, Chapman
& Hall.
Priestley, M. (1980), State-dependent models: a general approach to non-linear time series analysis,
Time Series Analysis (1), 4771.
Pulgarn, A., Smith, R. y Poveda, G. (2001), Prediccin del precio de la energa elctrica con un
modelo de redes neuronales y usando variables macroclimticas, in XIV Seminario Nacional de
Hidrulica e Hidrologa.
Ramsay, B. y Wang, A. (1998), A neural network based estimator for electricity spot-pricing with
particular reference to weekend and public holidays, Neurocomputing (23), 4757.
Ramsey, J. (1969), Tests for specification error in classical linear least-squares regression analysis,
Journal of the Royal Statistical Society B (31), 350371.
Reed, R. (1993), Prunning algorithms a survey, IEEE transactions on Neural Networks (4), 740747.
Ross, T. (2005), The sales forecasting evolution at brooks sports, FORESIGHT 1(1), 2428.
Sanclemente, C. (1993), Desarrollo y Crisis del Sector Elctrico Colombiano 18901993, Empresa Editorial
Universidad Nacional.
Sanders, N. (2005), When and how should statistical forecasts be judgementally adjusted?,
FORESIGHT 1(1), 57.
Sanders, N. y Manrodt, K. (1994), A survey of current forecasting practices in us corporations,
Interfaces 24(2), 92100.
Sarle, W. (1994), Neural networks and statistical models, in S. Institute, ed., Proc. of the 19th Annual
SAS Users Group Int. Conference., pp. 15381550.
Schmidt, P. y Phillips, P. (1992), Lm tests for a unit root in the presence of deterministic trends, Oxford
Bulletin of Economics and Statistics (54), 257287.
Schwartz, P. (1996), The Art of the Long View: Paths to Strategic Insight for Yourself and Your Company,
Doubleday.
Schwarz, G. (1978), Estimating the dimension of a model, Annals of Statistics (6), 461464.
Silva, B., Teixeria, J. y Gomes, L. (2001), Previso de preos spot e avaliao de projetos de gerao
termeltrica, in IX Semirio de Planejamento EconmicoFinanceiro do Setor Eltrico (SEPEF).
222
Sontag, E. D. y Sussmann, H. J. (1989), Backpropagation can give rise to spurious local minima even
for networks without hidden layers, Complex Systems 3(1), 91106.
Souza, R. (2002), Modelling the brazilian spot price series, in IFORS 2002.
Steiner, F. (2000), Regulation, industry structure and performance in the electricity supply industry,
OECD Economic Studies (32).
Sterman, J. (2000), Business Dynamics, Irwin McGrawHill.
Stoft, S. (2002), Power Sistem Economics, WileyInterscience.
Sugeno, M. y Kang, G. T. (1988), Structure identification of fuzzy model, Fuzzy Sets and Systems
28, 1533.
Swanson, N. y White, H. (1997a), Forecasting economic time series using adaptive versus nonadaptive
and linear versus non-linear econometric models, International Journal of Forecasting (13), 439461.
Swanson, N. y White, H. (1997b), A model selection approach to real time macroeconomic forecasting
using linear models and artificial neural networks, Review of Economics and Statistics (39), 540550.
Szkuta, B., Sanabria, L. y Dillon, T. (1998), Electricity price short-term forecasting using artificial
neural networks, IEEE Transactions on Power Systems 14(3), 851867.
Takagi, T. y Sugeno, M. (1983), Derivation of fuzzy control rules from human operators control actions,
in Proceedings of the IFAC Symposium on Fuzzy Information, Knowledge Representation and
Decision Analysis, pp. 5560.
Takagi, T. y Sugeno, M. (1985), Fuzzy identification of systems and its applications to modeling and
control, IEEE Transactions on Systems, Man, and Cybernetics 15, 116132.
Tang, Z. y Fishwick, P. A. (1993), Feed-forward neural nets as models for time series forecasting.,
Technical report, Department of Decision & Information Sciences. University of Florida.
Tersvirta, T. (1994), Specification, estimation, and evaluation of smooth transition autoregressive
models, Journal of the American Statistical Association (89), 208218.
Terasvirta, T., Lin, C. y Granger, C. (1993), Power of the neural network linearity test, Journal of Time
Series Analysis 14, 209220.
Theil, H. (1966), Applied Economic Forecasting, Rand McNally.
Tishler, A., Woo, C. y Lloyd, D. (2002), Reforming israels electricity sector, Energy Policy .
Tong, G. (1978), On a threshold model, in C. Chen, ed., Pattern Recognition and Signal Processing,
Sijhoff & Noordhoff, Amsterdam.
Tong, H. (1990), Non-linear Time Series, a dynamical system approach, Oxford Statistical Science Series,
Claredon Press Oxford.
Tong, H. (1995), A personal overview of non-linear time series analysis from a chaos perspective,
Scandinavian Journal of Statistics 22, 399445.
Tsay, R. (1986), Nonlinearity tests for time series, Biometrika (73), 461466.
Tsay, R. (1989), Testing and modeling threshold autoregressive process, Journal of the American
Statistical Association (84), 231240.
223
Tsay, R. (1998), Testing and modeling multivariate threshold models, Journal of the American Statistical
Association (93), 11881202.
Tsay, R. (2002), Analysis of Financial Time Series, John Wiley & Sons, Inc.
van der Heijden, K., Bradfield, R., G. Burt, G. C. y Wright, G. (2002), The Sixth Sense: Accelerating
Organisational Learning with Scenarios, John Wiley & sons.
van Djck, D. (1999), Smooth Transition Models: Extensions and Outlier Robust Inference, PhD thesis,
Erasmus University - Rotterdam.
Vehvilinen, I. y Pyykknen, T. (2005), How to incorporate volatility and risk in electricity price
forecasting, Energy Economics 27, 351367.
Velsquez, J. D. y Dyner, I. (2001), Pronstico de precios de bolsa de electricidad usando un modelo
de redes neuronales artificiales, in EITI-2001, Universidad Nacional de Colombia.
Ventosa, M., Baillo, A., Ramos, A. y Rivier, M. (2005), Electricity market modeling trends, Energy
Policy 33, 897913.
Weron, R., Bierbrauer, M. y Truck, S. (2004), Modeling electricity prices. jump diffusion and regime
switching, Physica A 336, 3948.
Weron, R., Kozlowska, B. y Nowicka-Zagrajek, J. (2001), Modeling electricity loads in california: a
coninuous-time approach, Physica A 299, 344350.
White, H. (1981), Consequences and detection of misspecified nonlinear regression models, Journal
of the American Statistical Association 76(374), 419433.
White, H. (1989), An additional hidden unit test for neglected nonlinearity in multilayer feedforward
networks, in Proceedings of the International Joint Conference on Neural Networks. Vol 2., IEEE
Press, NY, Washington, DC.
Yamin, H., Shahidehpour, S. y Li, Z. (2004), Adaptive short-term electricity price forecasting using
artificial neural networks in the restructured power markets, Electrical Power and Energy Systems
26, 571581.
Yu, W. y Shebl, G. (2006), Modeling electricity markets with hidden markov model, Electric Power
Systems Research 76, 445451.
Zhang, G., Patuwo, B. y Hu, M. (1998), Forecasting with artificial neural networks: the state of the
art, International Journal of Forecasting (14), 3562.
224
Parte I
Anexos
225
Tanto en este captulo como en los anteriores existe una fuerte componente estadstica relacionada con
la prediccin de los precios de la electricidad y el modelado de las variables de mercado. El objetivo de
este apndice es presentar en detalle los procedimientos matemticos utilizados, as como contrastes
realizados durante las distintas fases de la estrategia propuesta.
A.1 Definiciones y conceptos bsicos
Una serie temporal discreta o secuencia, se define como un conjunto de observaciones ordenadas
{yt }Tt=1 , el cual es la realizacin de una variable aleatoria Yt cuya funcin de densidad de probabilidad
es definida como:
Yt
( f (t ; xt ), t
g(t ; xt ))
(A.1)
= k(t1 ; xt ) + t
(A.2)
= h(t1 ; xt ) + t
(A.3)
Las ecuaciones (A.1), (A.2) y (A.3) representan el mecanismo estocstico subyacente o proceso
generador de los datos (DGP) o modelo. La ecuacin (A.1) define la probabilidad de transicin
del valor actual de la serie, Yt , a su valor siguiente o Yt+1 . xt es un vector de regresores que puede
estar conformado por las observaciones pasadas de la variable dependiente, yti , por los valores
rezagados o actuales de algunas de las variables explicativas que influyen en el comportamiento
de Yt , y por el tiempo t. Las observaciones de las secuencias {t } y {t } son independientes e
idnticamente distribuidas con E[t ] = 0, V[t ] = 2 , E[t ] = 0 y V[t ] = 2 . El valor esperado
de (A.1) es E[Yt ] = f (t ; xt ) y su varianza esperada es V[Yt ] = g(t ; xt ). El subndice t en los vectores
de parmetros que definen el modelo, indican que ellos cambian en el tiempo a partir de las leyes
definidas por (A.2) y (A.3). Un modelo de parmetros estticos se obtiene al hacer t = t1 =
y t = t1 = . En contraposicin, los parmetros del modelo actual son dinmicos. El esqueleto
de (A.1) se obtiene al hacer t = t = t = 0, y permite analizar el comportamiento determinstico del
modelo.
El trmino estructura se refiere a los parmetros de la distribucin de caracteriza el modelo o
proceso generador de los datos. Si dos estructuras tienen la misma densidad conjunta de probabilidades,
se dice que son observacionalmente equivalentes, esto es, no son diferenciables a partir de los datos.
227
228
autocovarianza de orden . Esta propiedad implica que las propiedades estadsticas de la serie no
cambian en el tiempo.
Sea {yt }Tt=1 la realizacin de un proceso estocstico de una familia de variables aleatorias {Yt }
t= ,
cuya distribucin de probabilidades es T-dimensional (Mills, 1993, Sec. 2.1.1). La serie es ergdica si
la secuencia {yt }Tt=1 aproxima con mayor precisin los momentos de la distribucin de {Yt } conforme T
tiende a infinito.
Sea {t }Tt=1 un proceso ergdico i.i.d. con E[t ] = 0 y V[t ] = 2 , definido en el modelo (A.1). Su
probabilidad conjunta es condicional al modelo M, la informacin disponible {yt , xt }Tt=1 , y a los valores
de los parmetros = [0 0 ]0 , tal que ella puede calcularse como:
L({t }Tt=1 |M, {yt , xt }Tt=1 , ) =
T
Y
t=1
L({t }Tt=1 |M, {yt , xt }Tt=1 , ) recibe el nombre de funcin de funcin de verosimilitud de los datos. La
funcin de verosimilitud puede ser simplificada al tomar el logaritmo a ambos lados de la ecuacin
anterior:
L({t }Tt=1 |M, {yt , xt }Tt=1 , )
T
X
t=1
Los parmetros del modelo M pueden ser estimados a partir de la informacin disponible como:
= arg max L({t }T |M, {yt , xt }T , )
t=1
t=1
Rn
229
Logstica: wt = log 1c tyt donde c se define como: c = (1 106 ) 10ceil(log10 (max(yt )))
Raz cuadrada: wt =
yt
log yt
wt =
yt 1
cuando = 0,
para cualquier otro valor de
Por otra parte, en el modelado de series tanto lineales como no lineales, se suele partir del
supuesto de ergodicidad de los datos, por lo que usualmente se hace necesaria su transformacin
para obtener una representacin que cumpla con dicha hiptesis; en el caso lineal, las pruebas de
races unitarias simples y estacionales [vase por ejemplo a Dickey y Fuller (1979), Schmidt y Phillips
(1992), Kwiatkowski, Phillips, Schmidt y Shin (1992), Hylleberg, Engle, Granger y Yoo (1990) entre
otros] permiten detectar si existe dicha integracin, y en consecuencia, justificar el preprocesamiento
mediante la diferenciacin simple y/o estacional. En el caso no lineal, el concepto de integracin (lineal
aditiva) no es directamente extrapolable, tal como lo discuten Granger y Tersvirta (1993).
230
La prueba aumentada de Dickey y Fuller (1979) permite determinar si los datos se encuentran
integrados, es decir, el valor actual de la serie, yt , es igual a su valor anterior, yt1 , ms otros
componentes adicionales. Su importancia radica en que la presencia de integracin en la serie temporal
hace invlidas los contrastes estadsticos comnmente usados en los modelos, llegndose a determinar
como significativas correlaciones espurias. Para determinar si una serie temporal es integrada se parte
del modelo:
yt = a0 + a1 yt1 + t
para el cual se desea determinar si el coeficiente a1 es significativamente menor de la unidad. Dickey
y Fuller (1979) proponen transformar el modelo anterior a:
yt yt1 = a0 + a1 yt1 + t yt1
yt = a0 + (a1 1)yt1 + t
yt = a0 + yt1 + t
yt = a0 + yt1 +
p1
X
j yt j + t
j=1
En la prctica y de acuerdo con las caractersticas de la serie temporal usualmente se consideran los
Pp1
M1 : simple
yt = yt1 + j=1 j yt j + t
Pp1
M2 : constante
yt = a0 + yt1 + j=1 j yt j + t
Pp1
yt = a0 + a1 t + yt1 + j=1 j yt j + t
siguientes modelos: M3 : tendencia lineal
Pp1
M4 : estacional
yt = a0 + a1 St/P + yt1 + j=1 j yt j + t
Pp1
M5 : estacional con tend. lineal yt = a0 + a1 St/P + a2 t + yt1 + j=1 j yt j + t
Para probar integracin estacional de orden S, se puede aplicar la prueba ADF a partir del modelo:
yt = a0 + ytS + t
Schmidt y Phillips (1992) han propuesto una variante para la prueba de la hiptesis nula de una
raz unitaria cuando los datos exhiben una tendencia determnistica lineal. En este caso, la tendencia
es removida tal que:
x t = y t a0 a1 t
para luego proceder a realizar la prueba a partir de la regresin:
xt = xt + t
231
Los correspondientes estadsticos y sus valores crticos son presentados en Schmidt y Phillips (1992).
Igualmente ante la presencia de una tendencia determstica lineal, la variante de la prueba ADF
conocida como ADF-GLS puede ser aplicada. En ella, la tendencia determinstica es removida en una
forma similar a la propuesta de Schmidt y Phillips (1992), obtenindose la serie xt , a la cual se le aplica
la prueba ADF en la forma tradicional.
Otra alternativa es la prueba KPSS (Kwiatkowski et al., 1992) que contrasta H0 : yt I(0) versus
Ha : yt I(1). En el caso en que no existe una tendencia lineal, se asume que la serie yt puede ser
descompuesta por un paseo aleatorio, xt ms una componente estacionaria zt tal que:
y t = x t + zt
La hiptesis nula de no integracin implica que la varianza del componente irregular, xt , es cero. En
el caso de la presencia de una tendencia determnistica, el modelo de regresin anterior cambia a:
y t = a0 t + x t + zt
A.3 Aproximacin no paramtrica de la funcin de densidad de probabilidad
En el caso general, la funcin de densidad de probabilidad () de una variable aleatoria multivariada
X de orden d, puede ser aproximada en un punto cualquiera de su dominio z a partir de una muestra
, como la composicin de un conjunto de funciones base K():
de datos {xn }N
n=1
(z, h, X) =
n
1 1 X z xi
K(
)
N hd
d
i=1
ubicadas sobre cada uno de los puntos conocidos; as un elemento xn de la muestra de datos irradia a
cada punto del dominio de la variable aleatoria X, una probabilidad determinada por la funcin K(),
la cual es usualmente especificada como alguna de las siguientes funciones:
Uniforme:
Triangular:
Epanechnikov:
Quartic:
u,
K(u) =
0,
si |u| 1
en otro caso
1 |u|, si u 1
K(u) =
0,
en otro caso
3
2
4 (1 u ),
K(u) =
0,
15
2 2
16 (1 u ) ,
K(u) =
0,
si u 1
en otro caso
si u 1
en otro caso
232
Triweight:
35
2 3
32 (1 u ) ,
K(u) =
0,
Gaussiana:
si u 1
en otro caso
1
1
K(u) = exp( u2 )
2
2
n
X
log (x j , h, X (j) )
j=1
donde X (j) es la muestra de datos original eliminando el punto j (Bonnlander, 1996). Para todos los
clculos presentados, K() fue especificada como la campana de Gauss.
PTk
t=1
PT
2
T
k
t=1 (yt E[yt ])
(A.4)
El autocorrelograma parcial que permite determinar la dependencia lineal entre yt y yt+k , despus de
que la influencia de rezagos intermedios ha sido parcialmente eliminada. La autocorrelacin parcial
puede ser calculada a travs del sistema de ecuaciones de Yule-Walker:
0 ({yt }Tt=1 )
({y }T )
1 t t=1
..
k2 ({yt }T )
t=1
k1 ({yt }Tt=1 )
1 ({yt }Tt=1 )
...
2 ({yt }Tt=1 )
..
.
...
k3 ({yt }Tt=1 )
k2 ({yt }Tt=1 )
...
...
k1 ({yt }Tt=1 )
k2 ({yt }Tt=1 )
..
.
T
1 ({yt }t=1 )
0 ({yt }Tt=1 )
1 ({yt }Tt=1 )
2 ({yt }Tt=1 )
..
=
.
T
k1 ({yt }t=1 )
k ({yt }Tt=1 )
0 ({yt }Tt=1 )
1 ({yt }Tt=1 )
..
T
k1 ({yt }t=1 )
k ({yt }Tt=1 )
(A.5)
El correlograma cruzado que es usado para determinar las interrelaciones temporales entre las
variables explicativas, y su causalidad con los precios; para dos series temporales wt y yt , la correlacin
cruzada se define como:
(+k)({wt , yt }Tt=1 )
PTk
= PT
t=1
233
PTk
(wtk E[wt ])(yt E[yt ])
(k)({wt, yt }Tt=1 ) = PT t=1
PT
2
2
t=1 (wt E[wt ])
t=1 (yt E[yt ])
(A.6)
La funcin debe calcularse tanto para +k y k ya que no tiene simetra respecto a k = 0; el signo del
rezago k indica la direccin de la causalidad. Debe advertirse que la correlacin cruzada no puede
ser calculada directamente sobre las series analizadas, ya que puede dar indicativos falsos sobre la
existencia de relaciones de causalidad, debido a la presencia de derivas aleatorias (Box y Jenkins, 1976).
Para que su resultado sea adecuado, debe calcularse sobre las series resultantes de aplicar el mismo
filtro lineal a las series originales, el cual transforma a la primera de ellas en ruido blanco.
j
1
+
2
[1
cos(j)
sY () =
0
j
2
q
+
1
j=1
j = T1
T
X
t j y)
(yt y)(y
j+1
(SSR0 SSR)/(H 1)
SSR/(T p H)
estadstico:
F=
2 (N 2p 2)
SSR 2
234
X
2t
21
(j)
sigue una distribucin F con p(p + 1)/2 y T p p(p + 1)/2 1 grados de libertad.
McLeod y Li (1983) aplican el estadstico de Ljung y Box (1978), sobre el cuadrado de las
Q
X
q tq + t
q=1
En el contexto de los modelos de Box y Jenkins (1970), la prueba de Box y Pierce (1970) es usada
normalmente para determinar si las primeras q autocorrelaciones son significativamente diferentes de
235
q
X
=1
2 ({t }Tt=1 ),
Q 2q
q
X
=1
(T )1 2 ({t }Tt=1 ),
Q 2q
Cuando hay sospechas de no linealidad, McLeod y Li (1983) proponen usar el estadstico anterior
sobre el cuadrado de los residuos. De otro lado, el estadstico DW (Durbin y Watson, 1950; Durbin y
Watson, 1951):
DW =
PT
22
2t ; el estadstico:
LMARCH =
2
t=Th+1 et
P1+h 2
t=1 et
PT