Valoración de derivados de electricidad en el mercado de energía mayorista colombiano
DOI:
https://doi.org/10.26507/paper.4340Palabras clave:
Mercado de energía mayorista, Derivados de electricidad, ValoraciónResumen
En Colombia, como resultado de la liberalización del sector eléctrico, se estableció el Mercado de Energía Mayorista (MEM), en el cual la electricidad se negocia a través de tres mecanismos principales: la bolsa de energía, los contratos bilaterales y los futuros de electricidad. Mientras los contratos bilaterales y los futuros son utilizados para cubrirse del riesgo de mercado y de volumen, la bolsa de energía actúa como mecanismo de balance y de compra de la energía no cubierta.
Para los usuarios regulados, aproximadamente el 70% de la demanda del país, las compras de energía eléctrica realizadas por las comercializadoras son remuneradas a través de la componente G del costo unitario que define la Comisión de Regulación de Energía y Gas (CREG). Sin embargo, en esta componente no solo transfiere el costo de la energía, sino también un conjunto de riesgos e ineficiencias presentes en el MEM; entre estos se destaca un riesgo de mercado y de crédito, cuyo impacto económico se termina transfiriendo a los usuarios regulados.
En este contexto, el mercado de futuros surge como una alternativa para gestionar los riesgos presentes en el MEM, evitando los sobrecostos derivados de una sobreexposición al riesgo de mercado y de las primas de riesgo. Además, este mercado permite mitigar ineficiencias tales como el poder de mercado y la discriminación presente en la contratación bilateral. No obstante, como lo señala en la Misión de Transformación Energética (MTE), el mercado de futuros presenta oportunidades de mejora en competencia, participación de nuevos agentes y en formación eficiente de precios. Por estas razones, medidas que lleven a un desarrollo y profundidad de este mercado deben llevarse a cabo.
Una de las medidas a considerar es la valoración de estos instrumentos. Los precios de valoración son fundamentales en los mercados ya que permiten determinar un precio razonable para el activo, identificando posibles situaciones de sobrevaloración o subvaloración; sin esta valoración, un precio erróneo por parte del mercado no contaría con una señal que lo reoriente a niveles adecuados. Ahora bien, en caso de que el mercado no forme precios por la falta de negociación, la valoración se convierte en una referencia para que los agentes puedan gestionar los riesgos financieros a los que están expuestos y tomar posiciones en el mercado de manera informada. En este sentido, la valoración no solo respalda las decisiones de inversión, sino que también contribuye a la estabilidad, eficiencia y crecimiento del mercado en su conjunto.
Por estas razones y en línea con las sugerencias de MTE, así como la ausencia de una metodología de valoración oficial, en esta investigación se propone una metodología de valoración de futuros de electricidad en un mercado que no ha alcanzado un nivel de madurez en términos de número de participantes o participación activa de la demanda. Adicionalmente, y dado que Colombia es el primer país latinoamericano con un mercado de futuros de electricidad, esta propuesta sirve como referencia para países con contextos similares y que pretenden implementar un mercado estandarizado.
Citas
Ahlqvist, V., Holmberg, P. and Tangerås, T. (2022). A survey comparing centralized and decentralized electricity markets. Energy Strategy Reviews, Vol. 40. https://doi.org/10.1016/j.esr.2022.100812
Barlow, M. T. (2002). A diffusion model for electricity prices. Mathematical Finance, Vol. 12, No. 4, pp. 287- 298. https://doi.org/https://doi.org/10.1111/j.1467-9965.2002.tb00125.x
Barrientos Marín, J., Orozco, T. and Velilla, E. (2018). Forecasting Electricity Price in Colombia: A comparison between neural network, ARMA Process and hybrid models. International Journal of Energy Economics and Policy, Vol. 8, No. 3, pp. 97-106.
Bégin, J. F., Gómez, F., Ignatieva, K. and Li, H. (2025). The stochastic behavior of electricity prices under scrutiny: Evidence from spot and futures markets. Energy Economics, Vol. 144. https://doi.org/10.1016/j.eneco.2025.108296
Borenstein, S., Bushnell, J. B. and Wolak, F. A. (2002). Measuring market inefficiencies in California’s restructured wholesale electricity market. American Economic Review, Vol. 92, No. 5, pp. 1376-1405. https://doi.org/10.1257/000282802762024557
Catalão, J. P. S., Mariano, S. J. P. S., Mendes, V. M. F. and Ferreira, L. A. F. M. (2007). Short-term electricity prices forecasting in a competitive market: A neural network approach. Electric Power Systems Research, Vol. 77, No. 10, pp. 1297- 1304. https://doi.org/10.1016/j.epsr.2006.09.022
Chen, W. M. (2019). The U.S. electricity market twenty years after restructuring: A review experience in the state of Delaware. Utilities Policy, Vol. 57, pp. 24- 32. . https://doi.org/10.1016/j.jup.2019.02.002
Contreras, J., Espínola, R., Nogales, F. J. and Conejo, A. J. (2003). ARIMA models to predict next-day electricity prices. IEEE Transactions on Power Systems, Vol. 18, No. 3, pp. 1014- 1020. https://doi.org/10.1109/TPWRS.2002.804943
Gallego, C. A. (2022). Intertemporal effects of imperfect competition through forward contracts in wholesale electricity markets. Energy Economics, Vol.107. https://doi.org/10.1016/j.eneco.2022.105835
Garcia, R. C., Contreras, J., van Akkeren, M. and Garcia, J. B. C. (2005). A GARCH forecasting model to predict day-ahead electricity prices. IEEE Transactions on Power Systems, Vol. 20, No. 2, pp. 867-874. https://doi.org/10.1109/TPWRS.2005.846044
Gudkov, N. and Ignatieva, K. (2021). Electricity price modelling with stochastic volatility and jumps: An empirical investigation. Energy Economics, Vol. 98. https://doi.org/10.1016/j.eneco.2021.105260
Klein, N., Smith, M. S. and Nott, D. J. (2020). Deep Distributional Time Series Models and the Probabilistic Forecasting of Intraday Electricity Prices. https://doi.org/10.1002/jae.2959
Lago, J., De Ridder, F. and De Schutter, B. (2018). Forecasting spot electricity prices: Deep learning approaches and empirical comparison of traditional algorithms. Applied Energy, Vol. 221, pp. 386-405. https://doi.org/10.1016/j.apenergy.2018.02.069
Liu, H. and Shi, J. (2013). Applying ARMA-GARCH approaches to forecasting short-term electricity prices. Energy Economics, Vol. 37, pp.152-166. https://doi.org/10.1016/j.eneco.2013.02.006
Liu, H., and Wang, Y. (2016). Market making with asymmetric information and inventory risk. Journal of Economic Theory, Vol. 163, pp. 73–109. https://doi.org/10.1016/j.jet.2016.01.005
Menéndez Medina, A. and Heredia Álvaro, J. A. (2024). Using Generative Pre-Trained Transformers (GPT) for Electricity Price Trend Forecasting in the Spanish Market. Energies, Vol. 17, No. 10. https://doi.org/10.3390/en17102338
Meyer-Brandis, T. and Tankov, P. (2008). Multi-factor jump-diffusion models of electricity prices. In International Journal of Theoretical and Applied Finance, Vol. 11, No. 5. https://doi.org/10.1142/S0219024908004907
Nogales, F. J., Contreras, J., Conejo, A. J. and Espínola, R. (2002). Forecasting Next-Day Electricity Prices by Time Series Models. In IEEE transactions on power systems, Vol. 17, No. 2. https://doi.org/10.1109/TPWRS.2002.1007902
Nomikos, N. K. and Soldatos, O. A. (2010). Analysis of model implied volatility for jump diffusion models: Empirical evidence from the Nordpool market. Energy Economics, Vol. 32, No. 2, pp. 302-312. https://doi.org/10.1016/j.eneco.2009.10.011
Panapakidis, I. P., and Dagoumas, A. S. (2016). Day-ahead electricity price forecasting via the application of artificial neural network based models. Applied Energy, Vol. 172, pp. 132-151. https://doi.org/10.1016/j.apenergy.2016.03.089
Szkuta, B. R., Sanabria, L. A. and Dillon, T. S. (1999). Electricity Price Short-Term Forecasting Using Artificial Neural Networks. In IEEE Transactions on Power Systems Vol. 14, No. 3. https://doi.org/10.1109/59.780895
Yan, W., Wang, P., Xu, R., Han, R., Chen, E., Han, Y. and Zhang, X. (2025). A novel mid- and long-term time-series forecasting framework for electricity price based on hierarchical recurrent neural networks. Journal of the Franklin Institute, Vol. 362, No. 6. https://doi.org/10.1016/j.jfranklin.2025.107590
Edge, P. (2015). An approximation of counterparty credit risk in long term power purchase agreements (PPAs). 12th International Conference on the European Energy Market, EEM, Lisbon, pp. 1-4. https://doi.org/10.1109/EEM.2015.7216645
CREG. (2022). Resolución CREG 101-002. https://gestornormativo.creg.gov.co/gestor/entorno/docs/resolucion_creg_101-2_2022.htm
Cómo citar
Descargas
Descargas
Publicado
Evento
Sección
Licencia
Derechos de autor 2025 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
