Naukowcy z arXiv przeprowadzili szeroko zakrojone badanie porównawcze, oceniając czy modele fundamentalne mogą zastąpić specjalistyczne narzędzia do prognozowania cen prądu. Przeanalizowali dziewięć wariantów z pięciu rodzin modeli uniwersalnych, testując je w trybie zero-shot na trzech europejskich rynkach energii: niemieckim, polskim i hiszpańskim, wykorzystując dane z lat 2021-2025. Wyniki pokazały, że tylko rodzina modeli TabPFN konsekwentnie i statystycznie istotnie przewyższała dwa benchmarki wskaźników: zarówno w prognozach punktowych, jak i probabilistycznych.
Jednak czysto statystyczna przewaga nie zawsze przełożyła się na lepszą wartość ekonomiczną. W scenariuszach arbitażu energii przechowywanych w bateriach TabPFN wykazał najlepsze rezultaty przy nieograniczonych ofertach i bardziej ryzykownych strategiach opartych na kwantylach. Natomiast Distributional Deep Neural Network - standardowy benchmark - okazał się bardziej rentowny dla inwestorów o niższej tolerancji ryzyka. Ten paradoks ujawnia kluczowe napięcie między dokładnością predykcji a realną użytecznością ekonomiczną.
Badanie jednoznacznie pokazuje, że modele uniwersalne nie mogą uniwersalnie zastępować rozwiązań dedykowanych konkretnym rynkom. Ich wartość praktyczna zależy zarówno od architektury samego modelu, jak i od rodzaju problemu decyzyjnego, który chcemy rozwiązać. Dla branży energetycznej oznacza to, że hybrydowe podejścia łączące siłę modeli fundamentalnych z lokalną wiedzą rynkową mogą być realnie potrzebne.