Aperçu de nos modèles et de leurs performances au premier semestre 2021

Dans notre dernière newsletter, nous sommes revenus sur nos performances des deux dernières années, qui ont été globalement très satisfaisantes. En effet, bien que nos modèles d’IA ne prétendent pas (encore) surpasser tous les modèles traditionnels, ce que nous perdons en performance par rapport aux meilleurs modèles Stack / Delta, nous le gagnons 10x en flexibilité, avec la possibilité d’omettre ou d’ajouter des ensembles de données dans les modèles assez facilement. Cette flexibilité nous a permis de nous adapter rapidement à des circonstances extraordinaires, depuis les premières restrictions du COVID en mars de l’année dernière jusqu’à aujourd’hui.

Si nous nous sommes plutôt bien débrouillés au cours des deux dernières années, quelles ont été nos performances au cours du premier semestre de cette année tumultueuse ?

Allons droit au but : en ce qui concerne les prix et en termes de chiffres absolus, nous avons été légèrement moins bons. Toutefois, compte tenu de l’environnement actuel très volatile, les résultats ont été meilleurs qu’il n’y paraît, car nos prévisions sont restées compétitives et ont offert une bonne vision des mouvements du marché.  

Nous avons commencé l’année avec une MAE (erreur absolue moyenne) quotidienne d’environ 3€, qui a lentement diminué au cours des mois suivants et a fortement augmenté en avril et surtout en mai. Cela était principalement dû à la hausse fulgurante des prix du carbone et du gaz, comme mentionné ci-dessus. Notre modèle, qui apprend du passé, a eu des difficultés à capter cette situation. Cependant, comme le modèle apprend et s’améliore constamment, il s’est rapidement adapté et a surmonté le problème, ses performances revenant à des niveaux plus satisfaisants.

Si l’on considère nos prévisions Week-Ahead, nous avons maintenu une MAE compétitive, tout en offrant un fort avantage en termes de prévisions directionnelles.

Nos prévisions à court terme sont basées sur des prévisions météorologiques exhaustives que nous recevons plusieurs fois par jour (entre autres données). Nous obtenons les données de deux centres météorologiques qui fournissent tous deux des prévisions opérationnelles et d’ensemble, avec une légère différence de résolution :

Le ECMWF (European Centre for Medium-Range Weather Forecasts) qui fournit une prévision opérationnelle (EC OP) à haute résolution à 0,1° et ENS à une granularité de 0,2°.
NOAA (US National Operational Model Archive) fournissant des prévisions GFS, avec OP à 0,25° et ENS à 0,5°.

Nous calculons des prévisions pour les 30 à 50 scénarios météorologiques différents de la prévision ENS, ce qui nous permet d’afficher la moyenne, mais aussi différents quantiles des résultats sur notre plateforme (Q5/ Q25 / Q50 / Q75 / Q95).

En ce qui concerne les prix, EC OP est généralement le plus performant, c’est pourquoi nous basons nos backtests sur EC OP. En fait, nous suggérons de regarder EC OP de J+1 à J+3, et EC ENS à partir de J+4.

La raison en est très simple. Nos modèles ENS montrent la moyenne de toutes les prévisions probabilistes que nous avons générées. Comme les prévisions météorologiques sont de moins en moins précises à mesure que l’on allonge l’horizon, il est logique que la prévision générée par la moyenne de toutes les différentes possibilités soit, en moyenne, la plus précise à quelques jours de distance.  Nos prévisions GFS sont toujours pertinentes car elles dépassent parfois de manière significative nos prévisions EC.

Nos prévisions ne se limitent pas aux prix. Nous générons également des prévisions fondamentales, qui sont tout aussi rapides. Si nous examinons les 30 derniers jours, nos prévisions de consommation FR ont une MAPE (Erreur Absolue Moyenne en Pourcentage) horaire de 1,57 %. La MAPE quotidienne quasiment deux fois plus faible.