XiaoMi-AI文件搜索系统
World File Search System套利
可转换套利：当今市场环境的独特固定收入替代品
该策略既追求可转换套利和特殊情况投资机会。可转换套利策略通常涉及可转换安全性和基础股权安全性之间的价格上涨。这些投资的价格可能会挥发，因为市场变动很难预测。事件驱动的投资要求基金对（i）发生事件的可能性进行预测，以及（ii）该事件对公司金融工具的价值产生的影响。如果事件未能发生或没有预见的效果，则可能会导致损失。投资组合投资于首次公开产品（“ IPO”）。IPO对投资组合性能的影响有时可能很重要。您应该意识到IPO的可用性取决于市场条件，而IPO可能并不总是是可用的投资思想来源。
已发表版本的引用（APA）：Ponnaganti, P., Bak-Jensen, B., Wæhrens, B.V., & Asmussen, J. (2021)。使用 Energies 进行能源套利评估
摘要：随着绿色能源的应用日益广泛，有效处理这些能源的波动性也越来越重要，以确保经济和运营可行性。因此，这项工作的主要贡献是使用遗传算法评估日前电力市场中集成存储系统的风力发电场的收入潜力。这是通过储能系统 (ESS) 灵活充电放电的概念实现的，利用使用基于前馈神经网络的预测算法预测的广泛电价。此外，风力发电场必须遵循的电网规范所规定的无功功率限制也被视为制约因素之一。此外，将电池储能系统 (BESS) 获得的利润与热能存储系统 (TESS) 获得的利润进行了比较。与 TESS 相比，所提出的方法在日前电力市场中利用 BESS 进行能源套利时获得了更有利可图的结果。此外，风力发电场的 ESS 可用性减少了风力发电的削减。
基于分布式强化学习的不平衡解决机制中的能源套利策略
可再生能源渗透率的增长使供应变得更加不确定，并导致系统不平衡加剧。这种趋势与单一不平衡定价相结合，为平衡责任方 (BRP) 在不平衡解决机制中进行能源套利提供了机会。为此，我们提出了一种基于分布式强化学习的电池控制框架。我们提出的控制框架采取了风险敏感的视角，允许 BRP 调整其风险偏好：我们的目标是优化套利利润和风险度量（本研究中的风险价值）的加权和，同时限制电池的每日循环次数。我们使用 2022 年比利时的不平衡价格评估我们提出的控制框架的性能，并比较两种最先进的 RL 方法，即深度 Q 学习和软演员-评论家 (SAC)。结果表明，分布式软演员-评论家方法优于其他方法。此外，我们注意到，只有当代理对价格更确定时，我们的完全规避风险的代理才会适当地学会通过对电池进行（放电）充电来对冲与未知不平衡价格相关的风险。
Amundi Tiedemann 套利策略基金 - I 类 CHF
类型：Amundi Alternative Funds PLC（一家上市公司）的子基金股份。期限：子基金的期限不受限制。管理公司可根据法律要求通过清算或与其他基金合并来终止基金。目标：子基金是活跃的 UCITS，不参考基准进行管理。管理人 Amundi Asset Management 已任命 TIG Advisors, LLC 为子投资经理来实施策略组合。子基金的目标是接触由子投资经理设计的专有全权投资策略，该策略主要包括投资于受公司事件影响或可能受公司事件影响的发行人的证券（例如要约收购、合并、清算、资本重组或破产）。子基金主要通过使用债务和股权证券以及金融衍生品合约等证券来实现其目标。
在权益回报的条件因素模型下进行统计套利。
我们考虑了分析统计套利交易策略的概述中美国股票多元投资组合的条件因素模型。一个状态空间框架是因素模型的基础，该因素模型被认为是对因子值和潜在因子风险溢价的线性组合的嘈杂观察。以在线方式检索风险溢价的过滤和状态预测估计。此类估计值诱导了可以与测量观测值进行比较的过滤资产回报，其中较大的偏差代表了候选平均归还交易。此外，由于风险溢价是建模为时变数量的，因此事实捕获了非平稳性回报。我们研究了尊重交易成本的经验交易策略，并在长期历史上证明了线性和非线性状态空间模型的绩效。我们的结果表明，该模型相对于其他方法的结果具有竞争力，包括文献中发布的简单基准和其他尖端方法。同样值得注意的是，尽管战略绩效降级是随着时间的推移而引起的，尤其是在近年来，该战略继续提供令人信服的经济学，并具有进一步的进步。
通过能源套利实现运营约束下收益叠加的最佳电池充电调度
摘要 — 随着可变可再生能源在电力结构中的份额不断增加，需要新的解决方案来构建灵活可靠的电网。电池存储系统的能源套利通过转移需求和提高电力生产系统的整体利用率来支持可再生能源融入电网。在本文中，我们提出了一种用于日前市场能源套利的混合整数线性规划模型，该模型考虑了希望从其存储资产中获得额外收入来源的资产所有者的运营和可用性约束。该方法以最佳方式安排与最有利可图的交易策略相关的充电和放电操作，并使用包括德国、法国、意大利、丹麦和西班牙在内的多个欧洲国家的电价，在一年的时间范围内实现了最高可获得利润的 80% 至 90%。
减少风电弃风和实现能源套利的优化储能调度：一种深度强化学习方法
摘要 — 风能作为应对气候变化的一种手段，正迅速普及。然而，风力发电的多变性会破坏系统的可靠性并导致风力发电量减少，给风力发电商造成巨大的经济损失。作为现场备用电源的电池储能系统 (BESS) 是缓解风力发电量减少的解决方案之一。然而，BESS 的这种辅助作用可能会严重削弱其经济可行性。本文通过提出联合减少风力发电量和 BESS 能源套利来解决这个问题。我们将共置风力电池系统的市场参与分离，并为风电场和 BESS 开发联合竞价框架。由于能源价格和风力发电的随机性，优化联合竞价具有挑战性。因此，我们利用深度强化学习来最大化现货市场的总收入，同时释放 BESS 在同时减少风力发电量减少和进行能源套利方面的潜力。我们利用真实的风电场数据验证了所提出的策略，并证明我们的联合竞价策略对风电削减的响应更好，并且比基于优化的基准产生更高的收入。我们的模拟还表明，过去被削减的额外风力发电可以成为为 BESS 充电的有效电源，从而产生额外的财务回报。索引术语 — 深度强化学习、能源套利、现货市场、风电电池系统、风电削减。
交易还是不交易：同时优化电池存储以实现套利和辅助服务
重复使用本文根据 Creative Commons 署名-非商业-禁止演绎 (CC BY-NC-ND) 许可条款发布。此许可仅允许您下载此作品并在注明作者的情况下与他人共享，但您不得以任何方式更改本文或将其用于商业用途。更多信息和许可条款的完整内容请参见：https://creativecommons.org/licenses/
利用深度强化学习实现日前电力市场的储能套利
摘要 — 可再生和分布式能源资源的大规模整合增加了能源价值链各个层面对灵活性的需求。储能系统被视为灵活性的主要来源。它们有助于维持安全可靠的电网运行。问题是这些技术是资本密集型的，因此需要新的算法来实现套利，同时确保财务可行性。为此，在本研究中，我们开发了一种基于约束深度 Q 学习的竞价算法，以确定日前电力市场中的最佳竞价策略。所提出的算法确保符合储能系统约束。它将不完善但相当准确的 24 小时前价格预测数据作为输入，并返回最佳竞价策略作为输出。数值结果和敏感性分析表明，所提出的算法有效地包含了价格预测不确定性的影响，以保证财务可行性。索引术语 — 储能、能源套利、深度强化学习、深度 Q 网络、日前电力市场。