山西电力现货市场近半年策略分析（二）

在上文中（相关阅读），我们分析了山西省现货市场进入新阶段以后，价差呈现负价差收窄和分时局部性增强等特点，并尝试剖析了其中的原因。本篇将继续通过现货申报的实战案例，给出基于梯度提升树的算法模型解决方案，计算山西现货市场的利润空间，并讨论未来策略的改进方向。

四、应对策略与实践案例

4.1 预测模型优化：基于GBDT的价差回归与分类模型

面对山西电力现货市场日益复杂的价差结构，传统的基于平均值或固定模型的策略已难以适应。为此，笔者开发了基于梯度提升决策树（GBDT）的预测模型，旨在更精确地预测日前与实时市场的价差方向，从而优化申报策略。

GBDT（Gradient Boosting Decision Tree，梯度提升决策树）是一种集成学习方法，它通过“以弱胜强”的思路，将多个弱模型（通常是决策树）串联起来，每一棵树都在修正上一棵树的误差，从而不断提升整体预测精度。可以形象地理解为：每棵树都在“弥补前一棵树看走眼的地方”，最终形成一个强大的预测器。

以下是一个用咖啡店经营类比GBDT模型的示意图及解释，帮助直观理解其工作原理：

相较于传统的线性回归模型或单一规则策略，GBDT具有以下优势：

非线性建模能力强：它能捕捉复杂的非线性关系，比如新能源出力和电价之间那种非平稳、跳变式的联系；

自动处理特征间的交互：GBDT能自动发现哪些特征组合对结果影响更大，而不需要人工构造复杂的交叉项；

鲁棒性较强：对异常值不敏感，不容易被极端电价“误导”；

支持回归与分类双重任务：可同时用于预测价差数值（回归）与判断套利时机（分类），一套框架灵活切换。

总的来说，在山西省数据质量可控的前提下，GBDT是电力现货市场预测任务中性价比极高的一种工具。

特征选择：

模型搭建于24年12月初期，正值山西省新能源场站大批量选择基数电量并进行功率调整的阶段，调度公布的D-1新能源出力预测明显偏离真实值，因此模型选择放弃D-1边界条件，转而使用D-2和D-3的数据作为模型特征：

新能源风电、光伏预测功率D-2和D-3日数据

省调负荷预测D-2和D-3日数据

省间联络线计划D-2和D-3日数据

这些特征的引入，使模型能够更全面地捕捉影响价差的因素，提高预测的准确性。

模型结构：

采用LightGBM框架进行模型训练，构建了以价差方向为目标的回归模型：

模型采用每日滚动预测机制，每个标的日使用D-4日及以前的数据进行训练和预测，历史数据滚动更新，以确保预测的时效性和准确性。

训练数据以新能源申报系数指示价差方向，山西省允许新能源现货申报偏差的范围是±40%，因此以1.4指示正价差，0.6指示负价差，价差为零时价差方向记为1。

模型最终回归结果进行阈值映射，大于1.04的结果映射为正价差，小于0.96的结果映射为负价差，介于0.96和1.04之间的回归结果记为0价差。

将价差方向存储为1.4、1和0.6的申报系数作为新能源主体的日前申报策略。

4.2 策略落地过程与迭代调整

经历了11-12月的数据积累，模型从2025年1月1日开始计算损益，1月平线价差策略损益均值为3.54元/兆瓦时，约占上帝视角最佳损益的16%，代入200MW装机的风电场站发电曲线，全月日前策略损益为189477元。

2月平线价差策略损益均值为1.98元/兆瓦时，约占上帝视角最佳损益的7%，代入曲线后全月日前策略损益为-11664元。观察到春节假期期间，由于边界条件产生巨大变化，即省调负荷大幅度下降，模型预测结果连续多日失准，实盘损益也为负，针对这一问题，笔者对模型进行了迭代调整：

节假日识别：

引入节假日变量（如is_holiday、pre_holiday、post_holiday）等特征，对节假日前后的影响范围进行提前预判，并根据放假时长赋予不同节假日相应权重，以改善节假日样本不足、模型遭遇极端数值不能处理的问题。

采取不同策略参数：

根据不同时间段的市场特性，映射参数进行了相应的调整。例如，在平日设置更低的价差阈值，而在节假日则可能采取更保守的策略，以控制风险。

此外，根据D-2和D-3边界条件变化幅度，模型参数区分为“激进策略”（追求最大收益）和“稳健策略”（控制风险），以适应不同的交易目标。

4.3 回测结果与实际表现

回测2025年2月部分典型日期的预测价差与真实值：

以2025年2月6日、20日为例，两日价差较大（全天平均超过30元/兆瓦时）且方向比较跳跃，完善后的模型能够捕获大部分价差方向，并且在价差方向切换的时间段选择申报1来规避风险。

在2025年1-2月的回测中，完善后的模型对价差预测表现良好，预测值与实际值的误差明显减小。

模型调整后，1月策略收益提升至249155元，2月策略收益提升至268232元。

价差预测命中率提升约6.58%