本研究以欧洲碳排放交易体系(EU ETS)价格为核心,采用最新的非参数信息不平衡度方法,系统分析了多个宏观经济、经济不确定性及能源类变量对EU ETS价格的解释力。结果显示,第三阶段以能源相关指标(如ERIX指数)最具信息量,而第四阶段金融波动性(尤其是EUR/CHF汇率不确定性)成为关键驱动,反映了疫情及能源危机的深远影响。通过结合高斯过程回归,提出了基于信息不平衡的多频率混合预测方法,发现周频数据预测效果最佳,实现了高效且精简的碳价预测模型构建 .
报告标题: Investigating the price determinants of the European Emission Trading System: a non-parametric approach
作者: Cristiano Salvagnin, Aldo Glielmo, Maria Elena De Giuli, Antonietta Mira
发布机构与出处: 多所欧洲大学及研究机构合作,涉及意大利、瑞士等学术单位
发布日期与时间范围: 数据使用范围为2014年1月至2023年4月,本报告未具体标注发布日期
主题: 欧洲碳排放交易体系(EU ETS)价格影响因素的非参数分析,聚焦价格决定机制、变量选择、预测方法及其应用
本报告聚焦于欧洲碳排放交易体系(EU ETS)价格的决定因素,结合最新的非参数信息理论方法——信息不平衡(Information Imbalance)指标,研究并揭示了传统以参数模型难以发现的复杂非线性和多变量依赖。作者借助多种宏观经济指标、能源价格、汇率波动及不确定性指标,分析不同阶段(Phase 3与Phase 4)EU ETS价格驱动因素的差异,突出疫情与能源危机带来的冲击,同时提出基于信息不平衡结合高斯过程回归的新型预测模型,优于传统基于全变量的模型。
报告核心主旨与贡献包括:
上述研究结果对政策制定者、投资者及碳市场相关金融机构具有重要指导意义,有助于更精准把握EU ETS价格动态和前瞻性风险管理,1,3,4,13]。
EU ETS作为欧盟减排核心机制,自2005年启动,基于排放配额交易方式调节关键行业碳排放。通过总量限制与配额交易,激励企业减排行为,兼顾经济效益与环境目标。系统分阶段推进,当前分析集中于Phase 3(2013-2020)与Phase 4(2021起)。
Phase 3加强了市场稳定储备机制及对配额的免费分配与拍卖的平衡,侧重促进渐进减排,Phase 4目标更为激进,3年复合线性减排因子(LRF)由1.74%提高至2.2%,拍卖配额比例提升,减少免费分配,体现欧盟碳减排承诺升级,影响市场结构和价格动态。
图1展示了2014年至2023年4月的EU ETS价格走势,明显看到Phase 3末价格较为平稳,Phase 4开启后价格飙升且更为波动。标注了Brexit、COVID-19疫情及乌克兰冲突引发的能源危机三个重大事件。尤其疫情和能源危机对应的蓝色与浅蓝色区域,价格显著上涨,反映了供需、成本及政策环境变化对排放许可价格的强烈影响。
价格大幅上升表明能源成本上升对排放许可需求有直接推升作用,同时企业遵守节能减排目标的成本压力加大。市场波动明显加剧,金融不确定性和宏观经济波动对价格影响显著,要求投资者和政策制定者密切关注这些因素。
文献表明燃料价格(油、气、煤)、股票市场指标和宏观经济活动对EU ETS价格具有关键影响。尤其天然气和油价是欧洲碳价的重要驱动因素,不同能源间价格关系复杂且随时间变化(阶段分明),例如煤炭影响在早期更为突出,后来天然气影响增加。多篇研究采用时间序列分析、贝叶斯结构VAR等模型揭示能源价格与碳价的动态依存及因果关系,偏重参数模型。
此外,文献指出汇率不确定性、股市波动和政策变化对碳市场也有影响,存在非线性、多变量间交互及波动溢出效应。同时,混频数据处理是宏观经济预测的挑战,传统模型(如MIDAS)有一定应用,而基于Wavelet的小波变换保持一定关注,但计算复杂且维度膨胀大,3]。
本研究创新点在于:
显示EUA价格从2014年低位缓慢爬升,2020年疫情爆发后价格剧烈波动并快速攀升至近100欧元水平。切换Phase 3与4明显界线及重大事件提示了价格驱动的制度变迁与经济冲击记录。图表围绕价格时间序列,直观反映市场状态与外部事件对价格的时效性影响。
说明信息不平衡指标如何衡量两组变量间的信息传递方向性和强度。示例中,对比线性(相关系数高)和非线性(如二次、螺旋)关系,传统的皮尔逊相关度失效时,信息不平衡仍能准确反映变量间依赖和预测能力,显示其优越的非参数特性与多变量扩展能力,6]。
左图:季度GDP数据通过GP拟合插补为周频数据,平滑且合理填补不足;
右图:日频EUA价格通过GP聚合成周频价格,展示数据转换处理效果。该技术为混频数据整合提供有效工具,保证后续非参数分析的频率统一与数据完整,7]。
表2展示33个变量及目标变量的均值、波动和极值,中和了变量特征多样性。图4呈现两阶段变量与EUA价格的相关系数。主要发现:
在信息不平衡平面中,横轴为变量→EUA,纵轴为EUA→变量的信息不平衡度。点越接近原点,变量对EUA价格的信息越充分。关键点:
该图显示逐步将变量加入描述集,信息不平衡快速下降的曲线,表明前三至五个变量已能解释大部分信息:
图7首次比较了日、周、双周及月频数据对信息不平衡的影响,周期越长虽平滑噪声但可能丢失有效信息。结果显示周频信息最丰富,对EUA价格的现在值和未来值预测均优于其他频率。
图8展示了包含GDP及通胀的34变量信息不平衡面,发现GDP、ERIX、欧洲股指等与预测相关性高,且一周滞后内EUA本身为最强单变量预测因子。
结合图9和表3的预测验证实验说明,通过信息不平衡筛选的3个最有效变量结合高斯过程回归模型,预测性能优于随机选择或全变量模型,且误差较小,预测残差稳定,模型稳健性和泛化能力强,12,13]。
本报告侧重于价格决定因素分析和预测方法创新,未对EU ETS价格本身的估值(如DCF等)做显著讨论,但结合信息不平衡指标的非参数框架,本质上为估值及风险定价提供了有效的变量筛选和时间尺度选择工具。
通过筛选出少数核心变量(能源相关指数、汇率不确定性和宏观经济变量)并采用高斯过程回归,可以实现更精细的即时估值和市场价格走势预测,有助于金融机构对交易策略和风险管理估值的科学支持,6,11,12]。
报告指出的主要风险和不确定因素包括:
报告通过贪婪算法和交叉验证减少变量冗余和过拟合风险,同时采用非参数方法无需强分布假设,降低模型错配风险,但对外部冲击和制度变迁仍较为敏感,提示政策制定者需警惕市场非稳态和突发风险,8,10,12,13]。
整体而言,报告严谨但存在对方法本身潜在缺陷及结果解释的进一步深化空间,7,11,13]。
本报告深入分析了EU ETS市场价格的决定因素,通过创新的非参数“信息不平衡”指标结合高斯过程回归,成功识别了不同市场阶段下的主要价格驱动因素及其时间尺度特征。核心发现包括:
报告不仅为理解EU ETS价格形成机制提供了学术和实践双重价值,也为混频数据整合、变量选择及碳市场预测建模开拓了新的研究思路和方法,具有显著的政策指导和风险管理应用意义,5,6,9,11,13]。
| 图表编号 | 内容简介 | 关键解读要点及意义 | 关联章节与页码 |
|---|---|---|---|
| 图1 | EUA价格时间序列(2014-2023) | 展现阶段切换及重大危机事件对价格的结构性影响和价格波动趋势。 | 1.2,页1 |
| 图2 | 信息不平衡指标演示 | 演示指标对不同类型变量依赖性的刻画,非线性和多变量优势明显。 | 3.1,页5-6 |
| 图3 | 高斯过程时间频率插补与聚合 | 技术演示非均频率数据处理,高质量构建统一频率数据集。 | 3.2,页6-7 |
| 图4-5 | 变量与EUA相关性及信息不平衡单变量分析 | 识别关键能源指标与金融变量阶段性重要性差异。 | 4.1-4.2,页7-9 |
| 图6 | 信息不平衡贪婪变量选择 | 验证绝大部分信息通过TOP3-5变量捕获,减少模型复杂性。 | 4.3,页10-11 |
| 图7-8 | 多频率信息不平衡及单变量预测能力 | 确定周频为最优预测尺度,GDP与EUA自变量相关性最强。 | 5.1-5.2,页11-12 |
| 图9 | 基于变量选择的GP预测性能比较 | TOP3变量模型优于全变量和随机变量模型,预测精度高且稳定。 | 5.3,页13 |
本篇报告以极为详尽且前沿的非参数分析视角,结合信息论度量和机器学习模型,深刻揭示并预测了EU ETS价格的复合驱动机制,体现了跨学科方法对环境金融问题的新贡献。研究充分反映了欧盟碳市场在不同时期受基本面与金融波动双重影响的复杂动态,为市场参与者与政策制定者提供了科学的量化工具和决策参考。未来工作可进一步结合制度参数与政策变量,拓展动态预警与风险管理金融衍生品定价领域的应用。
注:以上所有结论均严格基于原文内容及图表数据,并附加对应页面溯源标注,如[page::X]。
2406.05094.pdf