盘面特征学习与非对称泛化： intraday 电力市场的订单簿
计算金融
2026-02-17 v2
摘要
准确预测 intraday 电力价格的概率性预估对市场参与者的决策具有关键作用。现有研究依赖于特定领域特征，如体积加权平均价格（VWAP）和最后价格。然而，订单簿中的丰富信息仍未得到充分探索。此外，这些方法通常在单一国家和产品类型内开发，使其是否具有泛化性尚不清楚。本文我们从订单簿中提取384个特征，并通过特征选择识别出一组强大的特征。基于所选特征，我们在两个国家（德国和奥地利）和两个产品类型（60分钟和15分钟）上进行了全面基准测试，涵盖经典统计模型、基于树的集成方法和深度学习模型。我们进一步进行了系统的跨国家和产品类型的泛化研究，揭示了非对称泛化现象：在更流动性大的市场或产品上训练的模型对更不流动性的市场或产品具有良好的迁移能力，而相反的迁移导致显著的性能下降。
引用
@article{arxiv.2510.12685,
title = {Orderbook Feature Learning and Asymmetric Generalization in Intraday Electricity Markets},
author = {Runyao Yu and Ruochen Wu and Yongsheng Han and Jochen L. Cremer},
journal= {arXiv preprint arXiv:2510.12685},
year = {2026}
}
备注
Accepted to PSCC 2026. 9 pages, 2 figures, 5 tables