第一次看到负电价，我以为是数据源出错。价格字段带了个负号，清洗脚本顺手把它当异常值剔掉了。后来查了报价规则才知道，那不是脏数据，是电网在那个小时里真的希望有人多用电。
这件事之后我改了清洗规则，也开始重新理解这个市场。它表面上和股票一样有价格、有曲线、有波动率，底层却是另一套东西：电必须在发出来的那一刻被用掉，输电线有物理容量，供需失衡会直接变成设备故障。
不可存储性决定了价格形状
股票和能源最根本的差别不在波动率，在能不能存。买一股可以无限期拿着，成本几乎只有资金占用。电力不行，生产和使用必须同时发生。储能技术在进步，但相对总需求仍然很小，抽水蓄能还受地形限制。
油气可以存，但仓储有租金、保险和损耗，这些成本会变成不同到期月份之间的价差。同样的逻辑在电力上失效，因为存储这个环节根本不存在，时间维度的套利被物理条件直接掐断。
这个差别会一路传导到价格上。电价的均值回归不是统计现象，是被物理套利压出来的。价格高过边际成本，闲置机组会启机；低过燃料成本，机组会停机。两头都有人用真金白银把价格推回去，回归因此比金融资产更硬。
我一开始把「均值回归」理解成价格回到历史中枢，这个理解是错的。中枢本身会动，它跟着燃料成本走。拿历史均值做锚，在燃料价格剧烈变化的那一年会亏得很难看。更稳的做法是把长期均值当成一个需要单独建模的变量，而不是从价格序列里直接估出来。
供给曲线也值得单独看。发电机组按边际成本从低到高排队，价格由最后一台被调用的机组决定。需求稍微越过一个阈值，价格就会跳一档，这个跳变是阶梯形的，不是平滑的。用连续模型去拟合，在拐点附近会一直偏。
天气是这条曲线最重要的外生变量，但它本身也很难用。数值预报有集合成员，成员之间的分歧程度其实是一个很好的不确定性指标，比单点的预测值有用。我见过把它当特征直接喂进模型的，效果一般；把它当成仓位上限的调节项，反而更合理。
这个认识改变了我看待特征工程的方式。价格序列里包含的信息比想象中少，真正的自变量在序列之外：气温、风速、机组检修计划、管道输气量。这些东西不像行情那样高频更新，但它们决定了行情会在哪里停住。
负电价与节点电价
负电价有两个常见来源。一个是必须运行的机组：核电、大型煤电的启停成本极高，停机再启动可能要几天，所以宁愿付钱让人用电也不停机。另一个是补贴：某些可再生能源在负价区间仍然能拿到度电补贴，只要补贴大于亏损，继续发电就是理性的。
这两个来源的共同逻辑是，停机比亏钱更贵。理解这句话，很多看起来反常的报价就都能解释。
空间上的版本是节点电价。一条输电线有热极限，A 地电便宜但送不出去，B 地就得启本地贵机组。市场被切成若干节点，价差就是拥堵的价格。对写代码的人来说，这意味着电网拓扑和线路容量是模型的硬约束，不是可有可无的特征。
这条约束也解释了为什么跨区套利看起来简单、做起来难。价差存在的大部分时间，都不是因为有人没发现，而是因为送不过去。能送的时候，价差往往已经很小了。
节点电价还带来一个建模上的麻烦：节点太多。逐节点建模不现实，通常要聚类，把行为相似的节点归成一组。聚类的方式会直接影响回测结果，而且很难验证对不对。
燃料和电力之间的价差是另一类玩法。燃气电厂的毛利大致是电价减去燃料价格乘以热耗率，热耗率低意味着机组效率高。把这个式子当成一个看涨期权来理解，逻辑就通了：价差为正时发电，为负时停机，亏损被限制在固定成本里。策略交易的不是电价方向，是这组价差会不会继续扩大。
这个视角的好处是把「预测」换成了「定价」。预测电价涨跌很难，判断一台机组的启停边界相对容易，因为它由成本结构决定，不由情绪决定。
这个框架也有边界。机组启停不是免费的，频繁启停会加速设备老化，实际决策里有一条隐含的启动成本。把它忽略掉，模型会给出过于频繁的启停信号，看起来赚钱，实际在烧设备。
数据里最贵的是时间
能源数据有两个跟别处不一样的地方。
一个是前视偏差。天气是负荷和新能源出力的主要输入，回测时如果用历史实况代替当时的预报，模型会好得不像话。这个错误很隐蔽，因为实况数据往往经过事后修正，把当时的不确定性抹平了。按发布时间而不是生效时间取数，是我目前知道的唯一解法，代价是存储和查询都变复杂，而且很多历史数据源根本没有保留发布版本。
另一个是时间本身。电力按小时或十五分钟交付，各地有夏令时，一年里有一天二十三小时、一天二十五小时。时间索引重复会导致报错或者静默覆盖，前向填充又会造出并不存在的小时。这类问题不会让程序崩，只会让回测结果慢慢偏掉，而且极难定位。
粒度对齐也很烦。电价是小时粒度，负荷可能是十五分钟，气象是小时但不同模型的时间戳含义不一样。直接合并等于在无意中引入未来信息，尤其是把粒度粗的数据向后填充到细粒度上。这种错误在代码里看不出来，只会在实盘和回测的差异里显形。
数据源本身也不稳。不同电网的发布格式、字段命名、甚至时区标注都不一样，接口变更通常不发公告。我现在的做法是每个源单独写解析和校验，宁可多写几百行，也不做一个通用解析器——通用的那个每次都要改，改的时候还不知道会影响谁。
清洗规则也要改。负电价是合法值，尖峰可能是真实的拥堵信号而不是异常点，风电出力超过装机容量才是真的脏数据。通用的标准差剔除在这类数据上会删掉最值得研究的那一段。
我现在的做法是先分场景再清洗：价格序列只用上下限和物理容量做校验，不做平滑；负荷和出力序列才做异常检测。这么分很笨，但比一套规则打天下可靠。
系统设计的重心不在快
期货和衍生品那一侧，架构接近金融高频，比的是从行情到下单的耗时，内核旁路、托管、硬件加速都有意义。
电力现货和日内是另一回事。这里的「高频」指决策次数多，不是纳秒级抢单。系统要处理的是约束：机组出力上下限、爬坡率、申报截止时间、不平衡罚款。速度当然重要，但算错一次可能比慢一百毫秒贵得多，这两个量级不在同一个数量级上。
申报这件事在股票系统里没有对应物。很多电力交易需要向电网运营方提交物理计划，提交失败或者迟到，交易可能直接无效，还可能招致罚款。所以连接性不是「能连上交易所」这么简单，还要处理几套异构接口，各自有各自的截止时间和重试规则。
发电厂跳闸是个典型场景。信号进来之后，顺序比速度更关键：先冻结相关卖出指令，再在日内市场买入对冲，最后才通知人。把通知放在第一步，人还没反应过来，敞口已经扩大了。
这类系统我倾向于模块化单体，而不是微服务。远程调用在正常时候很快，在极端行情下会超时、会重试、会把一次失败放大成一片。核心链路在同一个内存空间里跑完，故障模式至少是可数的。这个判断和互联网行业的默认做法相反，但在交易链路上，可预测性比弹性更值钱。
数据接入层是例外，那部分应该隔离出去。交易所接口、电网申报接口、气象数据源，协议各不相同，变化也频繁，用适配层把它们挡在外面是值得的。核心引擎不应该知道对面是哪个交易所。
回测和实盘的偏差在这类系统里特别大，因为约束太多。回测里机组可以瞬间启停，实盘要爬坡；回测里申报随时能改，实盘有截止时间。这些差异不会体现在收益率上，会体现在最需要钱的那几天。
另一个经常被忽略的差异是数据延迟。行情在交易所是即时的，电网的计量数据往往滞后几分钟甚至更久。回测里假设同一秒拿到价格，实盘里拿到的是几分钟前的状态。这个滞后不会体现在策略逻辑里，会体现在最需要反应的那几分钟。
系统之外还有一层，我始终没做好，就是风险。风险价值在正态假设下是个漂亮的数字，但能源价格的尾部比正态厚得多，极端天气和管道事故都不在历史样本里。
我现在的做法更笨：设硬止损，设断路器，把「模型不知道什么」写进文档。承认这一点不体面，但比在极端行情里现找答案要好。断路器尤其重要，它不解决问题，只是把损失限制在一个可以商量的范围内。
还有一个容易被忽略的点是流动性。回测里假设随时可以平仓，实盘里远月合约可能根本没有对手盘。这个差异在平静的时候看不出来，在需要减仓的时候会一次性暴露。
压力测试我也做得不系统。与其说是在测，不如说是在列清单：哪些假设一旦不成立，整个头寸会同时朝一个方向走。这个清单目前只有半页，还在补。
我越来越觉得，这个市场的核心能力不是预测，是在约束下做可行的决策。预测错了还能靠约束兜住，约束理解错了，再准的预测也没用。
© Lu’s Blog · 版权所有
评论