Preisprognosen über alle Commodities
Für einen Energieerzeuger mit Gas- und Kohlekraftwerken reicht eine Strompreisprognose allein nicht aus. Die Profitabilität hängt vom Spread zwischen Strompreis und Brennstoffkosten ab – und damit von der gleichzeitigen Prognose mehrerer Commodities: Strom (Day-Ahead, Intraday, Termin), Gas (THE/TTF), Kohle (API2), CO2 (EUA) und gegebenenfalls Öl (Brent, als Proxy für Gaspreise).
Die Herausforderung liegt nicht nur in der Einzelprognose, sondern in der konsistenten Modellierung der Abhängigkeiten: Wenn der Gaspreis steigt, steigt typischerweise auch der Strompreis – aber nicht im selben Masse und nicht in allen Stunden gleich. Kurzfristig (Day-Ahead, Intraday) dominieren Wetter und Nachfrage die Strompreise. Mittelfristig (Wochen, Monate) bestimmen Brennstoffpreise und CO2 die Spreads. Langfristig (Jahre) spielen Kapazitätsentwicklung, Regulierung und Technologietrends die entscheidende Rolle.
Methodischer Ansatz: Konsistente Multi-Commodity-Prognosen erfordern ein fundamentales Marktmodell, das Angebot und Nachfrage simuliert, ergänzt um statistische und ML-basierte Korrekturen für kurzfristige Abweichungen. Die Prognosen müssen als Verteilungen (nicht Punktwerte) bereitgestellt werden, um die Unsicherheit quantifizierbar zu machen.
Szenario-Analyse: CO2-Preis, Gaspreis, Wetter und P&L
Die P&L eines Erzeugungsportfolios ist sensitiv gegenüber einer Vielzahl von Einflussfaktoren. Szenario-Analysen quantifizieren diese Sensitivitäten und machen die Risiken greifbar: Was passiert mit der P&L, wenn der CO2-Preis auf 150 EUR/t steigt? Wie wirkt sich eine zweiwöchige Kältewelle auf die Gaspreise und damit auf die Spreads aus? Was ist der P&L-Effekt, wenn der Kohleausstieg um zwei Jahre vorgezogen wird?
- Preis-Szenarien: Variation von Gas, Kohle, CO2 und Strom in konsistenten Kombinationen (Korrelationen beachten).
- Wetter-Szenarien: Auswirkung von Extremwetter auf Nachfrage, EE-Einspeisung und Kraftwerksverfügbarkeit.
- Regulatorische Szenarien: Kohleausstieg, CO2-Preis-Floor, Kapazitätsmechanismen, Wasserstoff-Förderung.
- Technische Szenarien: Gleichzeitiger Ausfall mehrerer Blöcke, verlängerte Revisionszeiten, Brennstofflieferengpässe.
Stress-Testing des Gesamtportfolios
Während Szenario-Analysen plausible Zukunftsverläufe durchspielen, geht Stress-Testing einen Schritt weiter: Es testet das Portfolio gegen extreme, aber nicht unmögliche Bedingungen. Was passiert bei einer gleichzeitigen Gas-Versorgungskrise und einer Kältewelle? Was ist der maximale Verlust bei einem Flash-Crash auf dem Intraday-Markt?
Für regulierte Erzeuger mit Handelslizenzen ist Stress-Testing keine optionale Übung, sondern eine regulatorische Anforderung. Die BaFin und ACER erwarten, dass Energiehandelsunternehmen ihre Risiken unter Extrembedingungen kennen und ausreichend Kapital vorhalten. Die Qualität des Stress-Testings hängt direkt von der Qualität der zugrundeliegenden Daten ab: historische Extremereignisse, konsistente Korrelationsmatrizen und realistische technische Restriktionen.
Korrelationsanalyse für optimales Hedging
Die Korrelationen zwischen Commodities sind nicht statisch – sie verändern sich mit der Marktlage. In normalen Zeiten korrelieren Gas- und Strompreise stark positiv (Gas ist preissetzend in der Merit Order). In Krisenzeiten kann diese Korrelation zusammenbrechen, wenn beispielsweise Regierungseingriffe den Strompreis deckeln, während der Gaspreis weiter steigt.
Für das Hedging hat das direkte Konsequenzen: Ein Cross-Commodity-Hedge (z.B. Gas-Short als Proxy für Strom-Short) funktioniert nur, wenn die historische Korrelation stabil ist. Eine dynamische Korrelationsanalyse – die Korrelationen über verschiedene Zeiträume und Marktregime berechnet – ermöglicht es, Hedging-Strategien an die aktuelle Marktsituation anzupassen und das Basis-Risiko zu minimieren.
Asset-Performance-Analyse: Plan vs. Ist
Die tatsächliche Performance eines Kraftwerks weicht fast immer von der Planung ab – die Frage ist, warum und wie stark. Eine systematische Plan-Ist-Analyse auf Asset-Ebene quantifiziert die Abweichungen und attributiert sie zu ihren Ursachen: War die Erzeugung niedriger als geplant wegen ungeplanter Ausfälle? Wegen längerer Revisionszeiten? Wegen Redispatch-Abregelungen? Oder wegen schlechterer Wirkungsgrade?
Auf der Erlösseite sind die Abweichungen ebenso relevant: Lagen die erzielten Preise über oder unter den geplanten Preisen? War das Hedging effektiv? Hat die Intraday-Optimierung Mehrerlös erzielt oder Verluste produziert? Diese P&L-Attribution – die Zerlegung des Gesamtergebnisses in seine Einzelkomponenten – ist die Grundlage für operative Verbesserungen und strategische Anpassungen.
Technologien und Methoden
Fazit: Analytik als Risikosteuerung und Erlöshebel
Für Energieerzeuger ist die analytische Infrastruktur kein Luxus, sondern eine Notwendigkeit. In einem Markt mit schrumpfenden Spreads, steigender Volatilität und zunehmender regulatorischer Komplexität können bessere Prognosen und Risikomodelle den Unterschied zwischen einem profitablen und einem verlustbringenden Geschäftsjahr ausmachen.
Die erfolgreichsten Erzeuger unterscheiden sich nicht durch ihre Assets – sondern durch ihre Fähigkeit, diese Assets datengetrieben zu steuern. Wer Preise besser prognostiziert, Risiken präziser quantifiziert und die Performance seiner Anlagen kontinuierlich analysiert, erzielt systematisch bessere Ergebnisse.