一、日滚动交易特点
日滚动交易，作为中长期交易中最贴近现货的窗口，在充分发挥市场合约调整的作用之余，常常以其交易频率之高著称。
（来源：微信公众号“兰木达电力现货”作者：李天赐）
日滚动交易，以单日单时段为基本标的，发电、用电两侧在满足一定条件下，均可以在窗口中买入或卖出电量，实现供需两侧合计四个方向的24时段电量买卖操作。考虑到日滚动交易中以单用户/场站为基本操作单元，那么对于市场主体来说，日滚动窗口中，多操作单元、多标的日、多时段、高成交量、高活跃的特点，共同导致了窗口较高的交易频率。那么，在各市场主体意识快速提高的今天，若想更充分地抓住日滚动窗口的套利机会，如何利用交易自动化以提升操作频次，是急需我们关注的优化方向。
图1：日滚动窗口的多公司、多分组、多交易单元、多交易标的示意图
二、策略思路
金融市场中，日滚动交易侧重于在日内根据市场情况灵活调整交易策略。其原理在于通过边界条件和技术分析等工具，及时调整持仓的配置比例，以适应市场的快速变化。
在甘肃电力结算中，与日滚动收益高度耦合的是日前价格。结算公式中，日滚动价格和日前价格的价差与日滚动中买卖方向、买卖价格共同反应了日滚动市场中的盈亏水平。故在策略的制定中，如何通过衡量目标成交价格与现货价格的价差，以确定买卖方向、挂单价格，便成为了我们思考的核心。
在各窗口交易中，对标的价格的预测在制定策略时都处于较为关键的地位。传统的价格预测中，通常使用以回归模型为主的算法，以负荷、新能源出力等边界条件作为参数，采用以最小二乘法回归为核心的数学公式计算，最小化预测值与实际值之间的平均差异。
图2：最小二乘回归示意图
但是在结合盘面思考的过程中，交易员通常会发现日内各时段的买卖价格波动较大，盘面挂单价格与现货预期价格偏差较大，且偏差规律性较差。在这种情况下，侧重考虑最小化预测值与实际值之间的平均差异，已不足够支撑高频窗口中及时性强的策略制定。故笔者认为，想要实现日滚动窗口的自动化交易，并不能沿用传统的价格预测模式对标的价格进行分析，而是要考虑到该窗口的价格特点，探索更契合的公式与模型。
图3：传统日前价格预测结果
三、价格特点分析
在探索模型之前，我们需要先分析一下日滚动窗口的价格特点。
首先，量化一下日滚动窗口的策略制定方案。我们可以将日滚动这一复杂的窗口简化为多个三元组，每个时段标的对应一个三元组，其中包含买一、卖一、预期价格三个参数。当预期价格小于买一时，挂单卖出，挂单价格为卖一价格减0.01；当预期价格大于卖一时，挂单买入，挂单价格为买一价格加0.01；当预期价格在买一、卖一中间时，选择与预期价格差距较大的方向挂单买或卖。
但是对于日滚动交易员来说，并不能简单通过计算三元组参数关系制定策略，而是需要结合多方面边界条件对预测价格进行深入分析。例如，从以往的数据中我们可以分析出，作为甘肃现货边界条件中权重较高的新能源风电出力，对价格的影响是分阶段、分程度的。以2025年3月某一周数据为例，当平段风出力在8000兆瓦以下时，价格通常会在600元/兆瓦时上下徘徊，出力在9000-12000兆瓦区间时，价格大概率会达到400-550区间，当出力在14000-16000区间时，价格方有机会达到300以下，其他的边界条件对于价格的影响也类似。那么，为了维护在高灵活性、高交易频率日滚动窗口中策略的实用性与即时性，更需要关注的方向是各边界条件为价格带来的走高、走低风险，以综合考虑预期价格，并结合买卖方向以制定策略。
考虑以上，在d+3这种非短期价格预测中，更推荐的一种方法就是将价格预测从定值改变为概率分布。例如高斯分布：
图3：高斯分布示意图
如图所示，若能够给出预期标的价格在不同水平上的不同分布概率，也就是考虑到在±3sigma的范围内，价格落在不同区间的不同概率，那么也就可以认为我们已经考虑了边界条件导致现货价格在一定范围内波动的风险。同时，当价格预测为概率分布时，我们可以针对单时段每一时刻的买一、卖一参数，即时分析出当前点的买卖方向、收益空间与亏损风险，得到该点挂单策略。通过这种方法，我们将日滚动窗口中需要考虑的各边界条件对价格带来的波动性风险集成到价格预测中，将策略制定时不可忽视的空间与风险兼顾，在日滚动窗口自动化交易的路上迈出关键性一步。
四、训练模型探索
在确定了希望获得的价格预测形式后，我们可以以此为根据，进行对不同模型的探索。考虑到目标变量的类别为参数的完整概率分布信息，笔者探寻并总结了以下几种适用算法，我们一一来进行分析。
1、分位数回归【Quantile Regression】
分位数回归算法的核心是通过估计条件分位数函数来分析自变量与因变量之间的关系，与传统的最小二乘回归相比，分位数回归可以提供更全面的信息。
分位数回归算法，通过最小化绝对偏差（L1损失）来估计不同分位数上的回归系数，可以削弱数据中极端值的影响，适用于各种分布类型的数据，适合用来收益与风险的特征关系。但是，需要足够的数据量来保证估计的准确性。
图4：分位数回归不同分位数示意图
2、概率密度估计【Probability Density Estimation】
概率密度估计主要通过估计数据的概率密度函数，描述数据的分布形态。如核密度估计【KDE】，通过在数据点周围放置核函数来估计密度。
核密度估计中，可通过密度图直观展示数据分布，可通过不同核函数与带宽的选择，以调整估计的精细程度。但是在高维数据中计算量较大，容易过拟合。
图5：概率密度估计不同带宽拟合情况示意图
3、贝叶斯回归【Bayesian Regression】
贝叶斯回归基于贝叶斯定理，通过引入先验分布，估计回归参数的后验分布。可选方法为利用马尔可夫链、蒙洛卡特等风发抽样后验分布，进行推断和预测。
贝叶斯回归可以量化参数的不确定性，对决策有重要价值；可利用先验知识，在数据量有限的情况下提高模型准确性。同时可处理复杂模型结构。如非线性回归和混合模型。但是，贝叶斯回归算法依赖于合适的先验分布，同时后验分布的解释性不如频率主义方法直观。
图6：贝叶斯回归先验分布、后验分布与置信区间示意图
通过对以上模型的实现逻辑、算法特性、适用场景等信息的研究对比，可以发现各个算法均可以产出我们所需要的 目标变量的近似完整概率信息，所以在后续的代码实现中，需要通过模型训练与参数寻优，进一步探寻各算法的可行性、与电力现货价格预测基本模型的契合性，产出内容与日滚动价格预测需求的契合性，等等。
五、结语
本篇中，以日滚动的自动化交易为核心目标，开拓了价格预测中对现货价格全新特性、全新模式的追踪与研究，并针对适应性较强的算法进行分析与讨论。在整个过程中，一方面我们推出了获取新形式价格预测的必要性与可行性，另一方面，我们也预见到了在算法实现与实际探索中可能面对的众多问题。在后续使用代码实现整体任务的过程中，我们也将结合日滚动交易特性，随时调整模型，以期产出高契合、高准确的预测结果，为日滚动的自动化交易提供有力底层支持。
