Rynek Gazu jak każdy rynek fundamentalny podlega wahaniom cen, których przewidzenie pozwala na zyskanie przewagi biznesowej nad pozostałymi podmiotami giełdy. W celu przewidzenia zmian cen rozliczeniowych gazu ziemnego na Rynku Dnia Następnego na Towarowej Giełdzie Energii zastosowano dwa modele: SARIMA i algorytm sztucznej sieci neuronowej – LSTM. Do stworzenia modeli predykcji użyto danych historycznych notowań gazu. Dla każdego z algorytmu przeprowadzono proces przygotowania danych i dostosowania parametrów modeli. Dla SARIMA niezbędne było przetransformowanie szeregu do przebiegu stacjonarnego, określenie sezonowości przebiegu wynoszącej 7 dni oraz wyznaczenie pozostałych parametrów modeli. Dla modeli opartych o LSTM przetestowano wiele architektór sieci neuronowych opartych o samą warstwę LSTM, jak i dodatkową warstwę rekurencyjną. Wyniki osiągnięte przez modele były porównywane między sobą za pomocą metryk RMSE oraz MAE na zbiorze testowym. Zarówno dla modeli opartych o SARIMA jak i LSTM, uzyskane wyniki były lepsze od modelu podstawowego, przyjmującego za predykcje na kolejny dzień wartość z dnia poprzedniego, co potwierdziło sensowność procesu modelowania, a tym samym korzyść biznesową. Modele oparte o algorytm SARIMA wykazały się nieznacznie lepszym dopasowaniem od modeli LSTM przy porównaniu wyników względem metryki RMSE, będącą równocześnie funkcją strat dla dopasowania modeli. Wszystkie modele nie były w stanie przewidzieć skokowych zmian cen gazu na Rynku Dnia Następnego, jako rozwiązanie tego problemu i kolejny krok w modelowaniu zaproponowano rozszerzenie zbioru danych o dodatkowe zmienne egzogeniczne, np. notowania terminowe, zapotrzebowanie na paliwo gazowe oraz notowania gazu na innych rynkach europejskich.
Prices at Natural Gas Market, like at other stock market, are very fluid. Forecasting of those changes allows to gain a business advantage over other participants. In this thesis, two kinds of models were used to predict changes in natural gas clearing prices on the Day-Ahead Market on the Polish Power Exchange: SARIMA and the artificial neural network algorithm – LSTM. Prediction models were created using historical clearing prices of Natural Gas on the Day-Ahead Market. Both algorithm were carried out with process of data preparation and adjustment of model parameters. In SARIMA models it was necessary to transform the series to a stationary form, determine the seasonality of the time series and optimize the hyperparameters of the models. To find best model based on LSTM layer, many neural network architects were tested, also with additional simple recursive layer. The results achieved by both kind of models, SARIMA and LSTM-based, were compared using RMSE and MAE metrics on the test dataset. For both SARIMA and LSTM-based models, the results were better than the basic model, which took the value of the previous day as prediction on the next day. That confirmed the sensibility of the modeling process and potential benefit for company. Models based on the SARIMA algorithm performed slightly better than LSTM-based models when comparing the results against the RMSE metric, which was a loss function in modeling process. All models were not able to predict abrupt changes in gas prices on the Day-Ahead Market. A solution to this problem and the next step in modeling was proposed to extend the data set with additional exogenous variables, e.g. futures contracts in Natural Gas Market, demand for gas fuel and prices on other European Natural Gas markets.
