Modelling Liquidity in the Nordic Electricity Market

Abstract

Denne avhandlingen presenterer en modell som predikerer dynamikken i spredningen mellom kjøperkurs og selgerkurs for det nordiske kraftmarkedet. I tillegg gjennomføres det en detaljert empirisk analyse av likviditet i det nordiske kraftmarkedet. Vi identifiserer viktige egenskaper og sammenligner maskinlæringsmodeller for å predikere likviditeten i finansielle kontrakter. Ved å bruke modellen på futureskontrakter for elektrisitet, sammenligner vi resultatene til modellen vår med historiske spredninger mellom kjøperkurs og selgerkurs. Modellen som er foreslått i avhandlingen, predikerer spredningen mellom kjøperkurs og selgerkurs ved bruk av stokastisk pris og tidsvarierende volatilitet. De numeriske eksperimentene viser at modellen er i stand til å forutsi likviditeten med en relativ CRPS mellom 19% og 27% for utsatte terminkontrakter og en relativ CRPS mellom 20% og 37% for de ordinære futureskontraktene. Ved å bruke spredningen mellom kjøperkurs og selgerkurs, handelsvolum, antall handlede ordrer og volatilitet i handlet volum som likviditetsmål, finner vi bevis på synkende likviditet og systematiske variasjoner i likviditet mellom og innenfor forskjellige derivatinstrumenter. Resultatene viser at maskinlæringsmodeller og spesielt maskinlæringsmodeller som bruker mulighetstrær, har et potensial for å modellere spredningen mellom kjøperkurs og selgerkurs og de empiriske funnene indikerer at likviditetsrisiko bør vurderes i risikostyrings- og sikringsstrategier.

This thesis presents a model for predicting the dynamics of the bid-ask spread in the Nordic electricity market. In addition, a detailed empirical analysis of liquidity in the Nordic electricity market is conducted. We identify important features and compare machine learning models for predicting the liquidity. By applying the model to electricity futures contracts, we compare the performance of our model with historical bid-ask spread data. The model predicts the bid-ask spread using stochastic price and time-varying volatility. The numerical experiments show that the model is able to predict the liquidity with a relative CRPS between 19% and 27% for the deferred settlement futures contracts and a relative CRPS between 20% and 37% for the regular futures contracts. By using the bid-ask spread, trading volume, the number of traded orders and volatility in the traded volume as liquidity measures, we find evidence of decreasing liquidity and systematic variations in liquidity between and within different derivative instruments. The results shows that machine learning models and especially tree-based machine learning models have a potential for modelling the bid-ask spread, and the empirical findings indicate that liquidity risk should be considered in risk management and hedging strategies.