Research of cointegration relationships between electricity futures prices, oil, coal and gas futures prices and hydro reservoir levels in the German, UK and Nord Pool markets - Which energy commodities determine the electricity prices?

Abstract

I denne oppgaven har vi undersøkt potensielle langsiktige sammenhenger mellom strømpriser, fyllingsgrader i Norske vannmagasiner, samt futures-priser på kull, gass og olje. Vi har undersøkt markedene EEX, ICE og Nord Pool som er markedene for Tyskland, Storbritannia, Norden, Estland, Latvia og Litauen. Vårt datasett er satt sammen av data fra Eikon Reuters og fra Norges Vassdrags- og Energidirektorat (NVE) og inneholder 3845 daglige observasjoner fra 17. juli 2006 til 7. mars 2022. Formålet med oppgaven er å bevise kointegrasjon mellom strømpriser og energiråvarene i markedene vi undersøker. Vi utfører en ADF test og trace statistics test, Johansens test for kointegrasjon og setter opp error correction modeller og vector error correction modeller. Til sammen vil testene gi tilstrekkelige indikatorer på om det finns kointegrasjonssammenhenger eller ikke. Resultatene vil ha betydning for markedsspekulanter som utvikler handels- og risikostrategier i energimarkedene.

Figur 1 viser input til strømproduksjon per kilde for hvert av markedene vi undersøker. Basert på denne informasjonen forventer vi å finne kointegrasjon mellom kull- og gasspris og strømprisene i Tyskland, Storbritannia og Nord Pool. Vi forventer å ikke påvise kointegrasjon mellom strømpriser og pris på olje på grunn av synkende input til strømproduksjon for denne energiråvaren. Vi forventer å finne kointegrasjon mellom strømpriser og fyllingsgrader i vannmagasiner, spesielt for Nord Pool fordi vannkraft er den primære energikilden i dette markedet.

Våre undersøkelser påviser kointegrasjon mellom strømprisene i Storbritannia og kull og gass, mellom tyske strømpriser og kull og gass og mellom strømprisene i Nord Pool og gass. Vi ser at gass har signifikant påvirkning på strømprisene i alle disse markedene. Dette skyldes muligens det tette linjenettverket i Nord-Europa. Vi forventet i utgangspunktet å finne sterkere bevis på kointegrasjon enn konkludert mellom strømpris i Tyskland og kullpris fordi dette markedet har høy input fra kull til strømproduksjon. Fordi vannkraft er den største energikilden i Nord Pool landene, forventet vi å finne tydelig bevis på kointegrasjon mellom fyllingsgrader og strømpris, noe testene våre ikke var i stand til å bevise. Vi forventet ikke at kointegrasjonen mellom strømpris i Nord Pool og gasspris skulle være så tydelig.

Datasettet vårt inneholder ekstremverdier fra ustabile markedshendelser som Covid-19-pandemien, den europeiske strømkrisen og den Russiske invasjonen av Ukraina som har gjort at prisene har vært i stor endring. Ved å undersøke mulige kointegrasjonssammenhenger med og uten disse ekstremverdiene, kan vi si noe om robustheten til våre resultater. Vi har ved bruk av dette datasettet illustrert vanskeligheter med å gjøre prognoser basert på faktiske markedsdata fordi slike hendelser ofte vil oppstå på lang sikt.

In this paper we have researched possible long-term relationships between electricity futures prices, hydro reservoir levels and coal, natural gas and crude oil futures prices. We have done so by analyzing the German, UK and Nord Pool power markets using data from Eikon Reuters and the Norwegian Water Resources and Energy Directorate (NVE). We aim to prove cointegration between electricity futures prices and energy commodities to locate which commodities determine the electricity prices in our sample markets. We do so by analyzing 3845 daily observations from July 17th 2006 to March 7th 2022. First we perform an ADF and trace statistics test to check for cointegration indicators. Next we perform the Johansen test for cointegration and establish error correction models and vector error correction models. Together the results of these analyzes give sufficient indicators of whether cointegration relationships exist. Our results might be beneficial to market speculators, making it easier to make trading and hedging strategies when market relationships are established.

Figure 1 illustrates input to electricity generation in our sample markets by source. Based on this information we expect to find a cointegration relationship between energy commodities Coal, Gas and the electricity prices in each of our sample markets. We do not expect to find a strong connection between electricity prices and Oil as the input of Oil to electricity is decreasing. We expect to find cointegration between the amount of stored water in water reservoirs and electricity prices especially for the Nord Pool market as this commodity is the primary source of energy in this area.

Our analysis proves cointegration relationships between the UK electricity price and Coal and Gas, the German electricity price and Coal and Gas and the Nord Pool electricity price and Gas. We locate Gas as the main energy commodity determining electricity prices in our sample markets. This might be explained by the interconnecting pipelines in Northern Europe. We initially expected the relationship between German electricity prices and Coal to be stronger as Germany relies heavily on Coal as input to electricity generation. Because of the large Hydropower input in Nord Pool electricity generation, we expected to prove a cointegration relationship between Nord Pool electricity price and Hydro, although our tests were unable to prove any relationship between them. We did not expect the relationship between Nord Pool electricity price and Gas to be as evident.

Our data set includes extreme values from volatile market events such as the Covid-19 pandemic, the European energy crisis and the beginning of the Russian invasion of Ukraine. By researching how relationships between two variables vary during periods with and without extreme values, one can take advantage of there being cointegration relationships in both cases, making the results more robust despite the spikes during volatile periods. We have illustrated the difficulties of forecasting based on long-run realistic historical price and market data, due to the frequent occurrence of such volatile market events.