Statistical and Deep Learning Approaches for Risk Assessment and Volatility Forecasting in Renewable Energy Investments
The transition to renewable energy necessitates accurate risk assessment and forecasting models for informed investment decisions. This study examines renewable energy investments through two approaches: risk assessment and volatility forecasting. First, we evaluate the risk profiles of renewable (NextEra Energy, Iberdrola) and traditional energy stocks (ExxonMobil, Chevron) from 2020 to 2024. Second, a class of neuro volatility models ($NNVol$) is introduced and volatility forecasts and model risk forecasts based on deep learning models (RNN, LSTM, GRU, BiLSTM, BiGRU) are also discussed in some detail. Keywords: Renewable Energy, Model Risk, Volatility, Value at Risk (VaR), Expected Shortfall (ES), Deep Learning
Approches statistiques et d'apprentissage profond pour l'évaluation des risques et la prévision de la volatilité des investissements dans les énergies renouvelables
La transition vers les énergies renouvelables nécessite une évaluation précise des risques et des modèles de prévision afin de prendre des décisions d'investissement éclairées. Cette étude examine les investissements dans les énergies renouvelables à travers deux approches : l'évaluation des risques et la prévision de la volatilité. Tout d'abord, nous évaluons les profils de risque des actions des énergies renouvelables (NextEra Energy, Iberdrola) et traditionnelles (ExxonMobil, Chevron) de 2020 à 2024. Ensuite, nous introduisons une classe de modèles de neuro-volatilité ($NNVol$) et discutons en détail des prévisions de volatilité et de risque de modèle basées sur des modèles d'apprentissage profond (RNN, LSTM, GRU, BiLSTM, BiGRU). Mots clés : Énergies renouvelables, risque de modèle, volatilité, valeur à risque (VaR), déficit attendu (ES), apprentissage profond.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais