Electricity price in Italy: a Bayesian calibration using Markov Chain Monte Carlo methods

This thesis studies the modelling and calibration of electricity spot prices in the Italian market. Following the work of Laudagé et al. (2024) and Gonzalez et al. (2017), we consider two multi-factor models for the price of electricity and calibrate them within a Bayesian framework using Markov Chain Monte Carlo methods (MCMC). We analyse the evolution of the PUN (Prezzo Unico Nazionale) from April 2021 to April 2025, using historical data from the Italian day-ahead market. First, we introduce the 3-factor and 4-factor models, where the deseasonalized price is the sum of Ornstein–Uhlenbeck processes driven by both a Wiener process and a compound Poisson process. Then, we search for a distribution of the parameters of the model using Markov chain Monte Carlo algorithms. This study aims to evaluate the fitting performance of the two models across two different time intervals and to examine the calibration procedure, with particular attention to its robustness under varying prior assumptions in the Bayesian setting.

Questa tesi studia la modellizzazione e la calibrazione dei prezzi spot dell'energia elettrica nel mercato italiano. Seguendo il lavoro di Laudagé et al. (2024) e Gonzalez et al. (2017), prendiamo in considerazione due modelli multifattoriali per i prezzi dell'energia elettrica e li calibriamo in un quadro bayesiano utilizzando metodi Markov Chain Monte Carlo (MCMC). Analizziamo l'evoluzione del PUN (Prezzo Unico Nazionale) da aprile 2021 ad aprile 2025, utilizzando i dati storici del mercato del giorno prima italiano. Innanzitutto, introduciamo i modelli a 3 e 4 fattori, in cui il prezzo destagionalizzato è la somma dei processi di Ornstein-Uhlenbeck guidati sia da un processo di Wiener che da un processo di Poisson composto. Successivamente, cerchiamo una distribuzione dei parametri del modello utilizzando algoritmi di Markov chain Monte Carlo. Questo studio mira a valutare le prestazioni di adattamento dei due modelli in due diversi intervalli di tempo e ad esaminare la procedura di calibrazione, con particolare attenzione alla sua robustezza in presenza di ipotesi a priori variabili nel quadro bayesiano.