Modelling volatility in financial electricity contracts
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2776875Utgivelsesdato
2020Metadata
Vis full innførselSamlinger
Sammendrag
Når finansmarkedene priser en opsjon, er det eneste ukjente parametere den fremtidige volatiliteten til det underliggende verdipapiret. Prisen til et verdipapir svinger relativt sakte når markedsforholdene er rolige, og raskere når det er mer nyheter, usikkerhet og handel i markedene. Markedsaktører som forstår tidsavhenging volatilitet kan oppnå mer realistiske forventninger til prisen på verdipapirene og tilhørende risikoeksponering. Hovedformålet med denne oppgaven er å bygge og evaluere en to-faktor Stokastisk Volatilitetsmodell for å predikere tidsavhengig volatilitet i finansielle kontrakter for elektrisitet. Oppgaven ønsker å besvare om volatilitet er et produkt av den tilfeldige informasjonsflyten til det finansielle elektrisitetsmarkedet, eller om volatiliteten kan predikeres gjennom en stokastisk volatilitetsmodell. Oppgaven bygger på tidligere empiriske metoder innen tidsserie økonometri. Det bygges semi-ikke-parametriske (G)ARCH modeller for å fange opp spesifikke karakteristika for front futures års- og kvartalskontrakter, inkludert volatilitetsklynger, reversjons- og asymmetrieffekter. En to-faktor stokastisk volatilitetsmodell bygges på de spesifiserte (G)ARCH modellene for å gjøre volatilitetsprediksjon.Resultatene bekrefter typiske karakteristika fra volatilitetslitteraturen. Kontraktene har leptokurtosis fordelinger, reversjonseffekter, volatilitetsklynger og volatilitetsutholdenhet. Dette bidrar til sterk dataavhengighet som kan brukes til prediksjon av volatilitet, og volatiliteten er dermed ikke et produkt av tilfeldig informasjonsflyt. Kvartalskontraktene viser sterkest volatilitetsklynger og utholdenhet. En svak positiv asymmetrieffekt ble funnet for årskontraktene. Den predikerte volatiliteten ble sammenlignet med produksjonsmiksen, reservoar nivåer og temperaturdata. Sammenligningen tyder på at lavere (høyere) reservoar nivåer enn medianen sammenfaller med høyere (lavere) volatilitet. Mindre (mer) kjernekraft og vannkraft, og mer (mindre) vind og solkraft sammenfaller med mer (mindre) volatilitet. Kaldere (varmere) temperaturer fra medianen sammenfaller med mer (mindre) volatilitet. Sammenligningene er ikke statistisk testet, men kan danne grunnlaget for videre forskning av finansielle elektrisitetskontrakter og stokastiske volatilitetsmodeller. When the financial market is pricing an option, the only unknown parameter is the future volatility in the price of the underlying asset. The price of the financial asset shifts relatively slowly when market conditions are calm, and the price shifts faster when there is more news, uncertainty, and trading in the market. Hence, the volatility is said to be time-varying. Market actors that understand the time-varying volatility can have more reasonable predictions of the future prices of the asset and the associated risk exposure.The main objective of this paper is to build and evaluate a two-factor Stochastic Volatility model for the prediction of time-varying volatility in financial contracts for electricity. The paper seeks to answer if the volatility is a process of random information flow to financial markets for electricity, or if it the volatility can be predicted by a Stochastic Volatility model. The report builds on earlier proven time series methods. Building Semi Nonparametric (G)ARCH models to capture special characteristics of the front year and front quarter futures contracts, including volatility clustering, mean reversion, and asymmetry effects. A two-factor volatility model will be built based on the finding of the GARCH models to do step ahead volatility prediction. The results confirm several stylised facts from the volatility literature. The contracts show leptokurtosis features, mean reversion effects, volatility clustering and persistence, all contribute to strong data dependency and predictability for the volatility, making volatility not a process of a random walk. The quarter contracts show the strongest volatility clustering and persistence. A positive asymmetry effect where found for the year contracts. The predicted volatility from the SV model is compared with production mix, reservoir levels and temperature to better understand factors contributing to the time-varying volatility. The analysis indicates lower (higher) reservoir levels than the median level coincides with higher (lower) volatility. Less (more) nuclear and hydro power production, and more (less) wind and solar production coincides with higher (lower) volatility. Colder (warmer) temperature than the median coincides with higher (lower) volatility. These comparisons are not tested statistically, rather these are foundations for further research in the field of stochastic volatility models for financial electricity contracts.