In dieser Arbeit betrachten wir die Konstruktion von Hourly Price Forward Curves (HPFC) für Strompreise. HPFC dienen als Grundlage für viele Energieunternehmen, um den Preis der Stromlieferung auf stündlicher Basis zu ermitteln. HPFC kombinieren Informationen von historischen Spot-Preisen und exogenen Variablen mit Informationen von aktuell verfügbaren Futures-Kontrakten zur Konstruktion einer Kurve, die einen Preis für Strom mit Lieferung an einem gewissen Punkt in der Zukunft liefert. Zu Beginn der Arbeit vergleichen wir drei unterschiedliche Konstruktionsmöglichkeiten. Zwei Methoden stammen aus der Fachliteratur. Eine weitere, neuartigere Methode basiert auf dem gemeinsamen Optimierungsansatz der Saisonalität als auch der Anpassung an Futures-Preisen. Ein derartiger Vergleich von unterschiedlichen Methoden ist derzeit nicht in der Literatur vorhanden. Durch den Vergleich erhalten wir einen besseren Einblick in die Vor- und Nachteile der einzelnen Methoden. Diese Vor- und Nachteile sind schwer zu erkennen, betrachtet man nur ein Modell, welches man als Standardmodell der Literatur ansieht. Dieses Kapitel soll als Überblick und Ausgangspunkt der weitern Forschung dienen. Wir erstellen kein abschließendes Ranking, da jedes Modell seine individuellen Stärken und Schwächen besitzt. Nach den Analysen der einzelnen Modelle zeigen wir vielmehr, wie man die jeweiligen Stärken extrahiert und zu einem einzigen Modell kombiniert. Im zweiten Teil der Arbeit betrachten wir die Adjustierungsmöglichkeiten der Kurve, bzw. wie wir die HPFC an beobachtete Futures-Preise anpassen können. Wir starten mit der Konstruktion einer ganzen Reihe von Price Forward Curves (PFCs) basierend auf den Daten eines Jahres, wobei wir die Saisonalität konstant halten. Durch das Beobachten der Kurvenveränderungen mit der Zeit kommen wir zu neuen Einsichten hinsichtlich der natürlichen Merkmale der Einstellfunktion. UnserInteresse liegt darin zu erfahren, was passiert, wenn sich der Preis eines bestimmten Produktes ändert oder wenn ein Produkt in mehrere Produkte mit kürzeren Lieferperioden kaskadiert. Zu diesem Zweck untersuchen wir den Zusammenhang zwischen der PFC und dem individuellen Futures-Produkt. Wir beobachten, dass ein linearer Zusammenhang besteht, wenn die Anzahl der Produkte konstant bleibt. Wir können daher leicht die Wirkung einer Veränderung eines jeden Future-Produkts auf die Kurve untersuchen, da Linearität bedeutet, dass dieser Effekt unabhängig vom aktuellen Preisniveau der beobachteten Produkte ist. Des Weiteren können wir erkennen, dass für Modelle, bei denen die Anzahl der Parameter von der Anzahl der beobachteten Futures-Produkten abhängt, eine theoretische Arbitrage-Chance besteht, wenn neue Produkte in den Markt eingebracht werden. Durch die Untersuchung der Änderung von PFCs, falls sich die Future-Preise ändern, erhalten wir neue Informationen, die man durch isolierte Betrachtung der PFC nicht beobachten kann. Solch eine Analyse der PFC in Bezug auf Futures ist bisher nicht unternommen worden. Benth and Paraschiv, 2017 führt eine ähnliche Analyse durch, wobei Sie eine Menge an konstruierter HPFCs über einen längeren Zeitraum analysieren. Allerdings betrachten Sie nicht den Zusammenhang zwischen den Futures und den resultierenden Kurven. Stattdessen betrachten Sie die resultierenden Kurven als Random Field und führen statistische Untersuchungen an diesem durch. Später passen Sie ein räumlich-zeitliche dynamisches Modell an diesen Datensatz an. Im letzten Teil der Arbeit konstruieren wir ein stochastisches Modell für die PFC, welches konsistent mit einer PFC ist, die linear von Futures-Preis abhängt. Die meisten Studien über stochastische Modellierung von Futures-Produkten betrachten nur Produkte mit festgelegten Lieferlängen. Dies steht allerdings nicht im Einklang mit unserer Vorgehensweise. Wenn wir die Verteilung eines vierteljährigen Produktes betrachten wollen, ist es eventuell notwendig, die Summe der drei dazugehörigen monatlichen Produkte zu betrachten. Wir schlagen ein Modell vor, in dem wir die Futures-Preise durch einen Ornstein-Uhlenbeck-Prozess modellieren, bei der die Verteilung aller dazugehörigen Produkte konsistent ist und zu der wir die PFC konstruieren können. Der Hauptbeitrag in diesem Abschnitt bestehet darin, zu untersuchen, wie sich die Parameter der verschiedenen Prozesse zueinander, zur Saisonalität und zur Anpassungsfunktion verhalten. Ein derartiges Framework, dass aus einem stochastischen Modell für Future-Produkte besteht, welches sich im Einklang zur PFC befindet, wurde nach unserem Stand der Dinge bisher nicht in der Literatur behandelt. Benth and Paraschiv, 2017 tuen etwas ähnliches, wenn Sie in Ihrer Arbeit das räumlich-zeitlich dynamische Modell an Ihre HPFCs anpassen. Der Unterschied besteht aber darin, dass Ihr Modell direkt an Daten angepasst ist, während unser Modell eine Transformation des Modells für Futures-Preise beinhaltet, welches die lineare Beziehung ausnutzt.