Energie, Versorgung & Entsorgung

Strompreise vorhersagen: Machine Learning und Backtesting im Energiehandel

Am Day-Ahead- und Intraday-Markt entscheidet oft die bessere Preiserwartung über das Ergebnis eines Handelstags. Das Seminar verbindet Marktverständnis mit datengetriebenen Preisprognosen: von Feature Engineering für Strompreise über die Bewertung der Modellgüte bis zum Backtesting einer Strategie mit Risikokennzahlen. Governance, regulatorische Aspekte und die Kontrolle automatisierter Strategien gehören ausdrücklich dazu. Sie können anschließend einschätzen, wo ein Modell Handelsentscheidungen stützt und wo seine Grenzen liegen.

Für wen

Händlerinnen und Händler, Portfoliomanagement und Analyse in Energieunternehmen, die Preisprognosen und datengetriebene Handelsstrategien nutzen wollen.

KI-Tagesseminar · 1 Tag

Preisprognosen aufbauen, Strategien testen und Modellrisiken kontrollieren

Das nehmen Sie mit

  • Eine eigene Day-Ahead-Preisprognose ist erstellt und ihre Güte nüchtern bewertet.
  • Fundamentalmodelle und datengetriebene Ansätze lassen sich nach Einsatzzweck unterscheiden.
  • Eine einfache Strategie ist per Backtesting mit Risikokennzahlen geprüft, Modellrisiken sind benannt.
  • Für Datenpipelines, Governance und die Überwachung automatisierter Strategien liegt ein Umsetzungsfahrplan vor.

Ablauf

  1. Teil 1

    Modul 1 – Marktverständnis: Wie Strompreise zustande kommen

    • Spot-, Intraday- und Terminmärkte mit ihren Produkten und Handelszeiten
    • Preistreiber und Volatilität, etwa Einspeisung aus Wind und Sonne, Brennstoffpreise und Nachfrage
    • Welchen Platz Prognosen im Handelsalltag einnehmen
    • Live-Demo: Day-Ahead-Prognose für den Folgetag, vor Ihren Augen gerechnet
    • Eigener Ausgangspunkt: Worauf Ihre Handelsentscheidungen bislang beruhen
  2. Teil 2

    Modul 2 – Modellbau: Preisprognosen fundamental und datengetrieben

    • Fundamental- und datengetriebene Modelle: Annahmen, Stärken, Datenbedarf
    • Feature Engineering für Strompreise, zum Beispiel Residuallast, Kalendereffekte und Wetterprognosen
    • Übung: Eine Day-Ahead-Preisprognose erstellen
    • Modellgüte realistisch einschätzen, ohne sich von guten Einzeltagen täuschen zu lassen
  3. Teil 3

    Modul 3 – Strategie und Risiko: Vom Signal zur geprüften Handelsregel

    • Aus einer Preisprognose ein Handelssignal ableiten
    • Backtesting und Risikokennzahlen als Prüfstein vor dem Echteinsatz
    • Grenzen der Modelle und typische Modellrisiken
    • Übung: Eine einfache Strategie im Backtest durchspielen
    • Grundsatz für den Handelstisch: Risikobegrenzung hat Vorrang vor dem Renditeziel
  4. Teil 4

    Modul 4 – Automatisierung: Handelsabläufe mit Kontrolle

    • Datenpipelines aufbauen und Abläufe automatisieren
    • Governance und regulatorische Aspekte im datengetriebenen Handel
    • Fallstudie: Intraday-Optimierung auf Basis von Prognosen
    • Automatisierte Strategien überwachen und Eingriffsmöglichkeiten sichern
    • Ihr Umsetzungsplan auf dem Weg zum datengetriebenen Handel

VoraussetzungenVorausgesetzt werden Erfahrung im Energiehandel und statistische Grundkenntnisse.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen