Modèles d’apprentissage automatique pour la prédiction des prix des transactions énergétiques du Parquet d’Hydro Québec

Une des grandes difficultés pour les négociants du Parquet des transactions énergétiques à Hydro Québec est de prédire les prix des transactions, vu la nature volatile de ces derniers.
Plusieurs données sont disponibles afin de permettre aux négociants de choisir leur stratégie. Parmi ces données se trouvent des données météorologiques, les facteurs géopolitiques, l’offre et la demande d’énergie, de gaz, de retraits d’équipement, le niveau d’inventaire, etc.
Le défi de cette recherche est d’utiliser la grande quantité de données disponibles ainsi que de prendre en compte la nature non stationnaire et non-linéaire des prix pour en faire une prévision. Pour répondre à ce défi, nous pensons que les techniques d’apprentissage automatique et d’apprentissage profond peuvent donner de meilleures prévisions que des modèles statistiques traditionnels.
Au cours de ce projet, deux marchés seront évalués, celui de l’électricité et celui du gaz naturel.

Faculty Supervisor:

Christian Dorion;Fabian Bastin

Student:

Partner:

Hydro-Quebec

Discipline:

Computer science

Sector:

Finance and Insurance

University:

HEC Montréal; Université de Montréal

Program: