XiaoMi-AI文件搜索系统
World File Search Systemarbitrage
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。
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。
通过机会价值函数预测进行储能价格套利
摘要 — 本文提出了一种结合监督学习和动态规划的新型储能价格套利算法。所提出的方法使用神经网络直接预测不同储能充电状态水平下的机会成本，然后将预测的机会成本输入基于模型的套利控制算法以做出最佳决策。我们使用价格数据和动态规划算法生成历史最优机会价值函数，然后将其作为基本事实并以历史价格作为预测因子来训练机会价值函数预测模型。在使用不同储能模型和纽约州价格数据的案例研究中，我们的方法与完美预见相比实现了 65% 至 90% 的利润，这大大优于现有的基于模型和基于学习的方法。在保证高盈利能力的同时，该算法也是轻量级的，可以以最小的计算成本进行训练和实施。我们的结果还表明，学习到的预测模型具有出色的可转移性。使用一个地区的价格数据训练的预测模型在其他地区测试时也能提供良好的套利结果。索引词 — 能源存储；深度学习；电力系统经济学。I. 引言
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。
转载 - Les Cahiers de l'Arbitrage / 巴黎国际仲裁杂志 2022-4
和量子，2021 年 9 月 13 日； Infinito Gold Ltd 诉哥斯达黎加，ICSID No. ARB/14/5，裁决，2021 年 6 月 3 日； Penwell Business Limited 诉吉尔吉斯共和国，CPA n° 2017-31，裁决，2021 年 10 月 8 日； BSG 资源有限公司等。c/ 几内亚共和国，ICSID No. ARB/14/22，裁决，2022 年 5 月 18 日； Webcor 诉加蓬，巴黎上诉法院，RG no. 18/18708，判决，2021 年 5 月 25 日；利比亚诉 Nurol，巴黎上诉法院，RG no. 19/19834，判决，2021 年 9 月 28 日； Global Voice 诉几内亚，巴黎上诉法院，RG n° 19/17531，判决，2021 年 9 月 7 日；贝洛孔诉吉尔吉斯共和国，最高法院 (Cass.第一文明。），编号 17-17.981，判决，2022 年 3 月 23 日； Republic [A] v/ Groupement [B]，巴黎上诉法院，RG n°20/03242，判决，2022 年 4 月 5 日； Sorelec 诉利比亚，最高法院 (Cass.第一文明。)，第 20-22.118 号，判决，2022 年 9 月 7 日]
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%。
混凝土热能储存能量套利配置中集成储能系统的控制分析
免责声明 本信息是根据美国政府机构资助的工作编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
利用深度强化学习共同优化电池存储，实现实时市场的能源套利和频率调节
摘要：电池储能系统 (BESS) 在消除可再生能源发电相关的不确定性、维持电网稳定性和提高灵活性方面发挥着关键作用。本文使用 BESS 同时提供能源套利 (EA) 和频率调节 (FR) 服务，以在物理约束范围内最大化其总收益。EA 和 FR 操作在不同的时间尺度上进行。多时间尺度问题被表述为两个嵌套的马尔可夫决策过程 (MDP) 子模型。该问题是一个复杂的决策问题，具有大量高维数据和不确定性（例如电价）。因此，提出了一种新颖的协同优化方案来处理多时间尺度问题，并协调 EA 和 FR 服务。使用三重深度确定性策略梯度和探索噪声衰减 (TDD-ND) 方法在每个时间尺度上获得最佳策略。使用来自美国 PJM 监管市场的实时电价和监管信号数据进行模拟。模拟结果表明，所提出的方法比文献中研究的其他策略表现更好。
随机优势约束下的电池储能套利：一种新的基准选择方法
摘要 —本文介绍了锂离子电池存储系统 (BSS) 在日前和日内 (DA+INT) 连续市场中的能源套利策略，并考虑了其周期老化成本 (CAC)。BSS 在此类问题中的关键问题之一是如何应对两个市场价格不确定的风险。为此，使用一种金融风险管理方法，即二阶随机优势约束 (SOSDC) 来控制不确定市场价格的风险。尽管 SOSDC 在广泛的决策问题上表现出色，但决策者利用这种方法面临的主要挑战是选择最低利润阈值。为了有效地克服这一障碍，本文提出了一种基于模糊决策方式的新型基准选择方法，用于样本内和样本外分析。考虑样本内和样本外研究背后的想法在于通过在 SOSDC 中设置各种基准来对结果进行不可预见的变化。在这方面，为了精确地表述这个问题，并着眼于电池CAC，建议采用线性两阶段随机框架。数值结果表明，所开发的方法在SOSDC基准选择中适用。