A Comparison of High-Dimensional Variable Selection Procedures for Electricity Spot Price Forecasting
电力现货价格预测中的高维变量选择方法比较AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接比较电力价格的样本外预测方法，未涉及金融收益预测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
电力现货价格预测中的高维变量选择方法比较
- 研究问题
- 预测电力现货价格时，高维变量选择方法能否在保持样本外预测精度的同时，减少入选变量并提升模型可解释性？
- 方法与思路
- 作者使用六个区域电力市场的数据比较六种选择方法，包括 LASSO、Elastic Net 和 BMT，同时考察预测精度与简约性。
- 材料陈述的贡献
- 摘要称，BMT 在所考察数据中匹配两种收缩方法的预测表现，所用变量不足其十分之一，并被作者认为更便于解释和计算。
- 阅读关注点
- 应核对预测期限、样本外划分、调参和变量筛选是否避免信息泄漏，以及精度比较、变量数量和计算效率的衡量方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未给出误差数值和不确定性，不能将所述表现泛化到其他市场。
原文摘要
The paper considers the problem of variable selection for forecasting electricity spot prices. High-dimensional methods such as LASSO and Elastic Net are widely used for this purpose, and while they exhibit strong predictive performance, their tendency to select over-parameterized models raises questions about interpretability. We evaluate the performance of six variable selection procedures, includingthe recently proposed Boosting Multiple Testing (BMT) method, using an extensive dataset from six regional electricity markets. We assess their performance in terms of both out-of-sample forecasting ac-curacy and model parsimony. We find that, although LASSO and Elastic Net achieve similar accuracy and outperform most screening alternatives, BMT matches their forecasting performance while using less than one-tenth as many variables. Our results reveal that BMT offers researchers and practitioners a substantially more interpretable and computationally efficient alternative to shrinkage methods, without any loss of forecasting accuracy. These findings suggest that the over-parameterization typically associated with regularization methods is not a necessary price for predictive accuracy in electricity price forecasting.