中國碳金融交易價格風險測度研究
——基于GARCH-VaR模型視角

徐偉民， 肖 堅

(江西省生態文明研究院，江西 南昌 330036)

21世紀以來，碳排放導致的全球氣候問題越來越引起世界各國的重視，各國基本形成了發展低碳經濟的共識。以20世紀90年代《京都議定書》的簽訂為標志，碳排放權及其衍生金融產品在世界范圍內快速發展，其中歐盟的碳排放交易體系(EUETS)影響最大。2013年以來，中國陸續批準建設了北京、上海等碳排放交易中心，這些交易中心成為支撐中國碳金融交易的主要機構。2020年9月，中國提出了“碳達峰”和“碳中和”戰略愿景，進一步加快了中國碳金融交易市場的發展速度，提升了中國碳金融交易市場的發展水平。然而，由于中國碳金融交易相關監管制度更新速度較慢，中國各地碳金融交易政策存在顯著區域差異，再加上部分碳金融交易者的過度投機行為的影響，中國碳金融交易價格的風險在逐漸提升，給中國碳金融交易市場的可持續發展造成了顯著負面沖擊。在此背景下，如何采用科學方法對中國碳金融交易價格風險進行測度，并制定有效應對碳金融交易價格風險的相關策略成為當前需要重點研究的課題。

一、碳金融交易價格風險內涵與測度方法

(一)碳金融交易價格風險內涵

碳金融交易價格風險的來源是多維度的，如Sevi & Chevallier(2011)[1]認為碳金融交易價格風險主要受到交易制度設計及違規性市場操作的影響。杜莉等(2014)[2]認為影響中國碳金融交易價格風險的因素包括信用風險、操作風險、流動性風險和項目風險等因素，這些因素共同作用導致了碳金融交易價格風險。鄭祖婷等(2018)[3]通過因子分析法提取出影響碳金融交易價格風險的核心影響因素是公共因子，并指出影響該因子的關鍵是公共財政預算支出、進出口總額和天然氣均價等宏觀經濟變量。韓曉月(2020)[4]通過對碳排放權交易風險的綜述發現碳金融交易價格風險是市場風險的主要表征，受到碳金融交易收益率分布和收益波動的客觀影響。田永等(2021)[5]分析了新冠疫情前后歐盟市場碳金融交易價格的波動問題，研究認為新冠疫情進一步提升碳金融交易價格的波動性，并提升了其價格風險水平。

綜上可知，碳金融交易價格風險來源是復雜而多變的，既受到宏觀調控和宏觀政策的沖擊，也受到微觀市場交易供求關系的沖擊，還可能受到突發公共事件的沖擊。首先，碳金融交易價格風險的主要影響因素是宏觀調控和宏觀政策。根據彭曉潔和鐘永馨(2021)[6]的觀點，宏觀調控力度和宏觀政策對中國碳金融交易價格及其風險水平具有主導作用，這種主導作用主要通過金融市場發展水平和區域經濟發展水平產生作用。金融發展水平越高，其對實體經濟的支撐作用越強，實體經濟發展速度越快，此時經濟發展過程中的能耗水平更高，從而推動碳金融交易價格的提升。不僅如此，中國各地區域經濟發展水平的區域異質性會導致各地碳排放交易供求關系的非均衡，在中國尚未構建全國統一的碳金融交易市場背景下，這會造成碳金融交易價格的區域差異性和波動性，從而提升了碳金融交易價格風險。其次，碳金融交易市場自身的供求關系變化也會對交易價格風險水平產生影響。在碳排放配額制度下，中國各地碳排放總量和結構具有典型的非均衡特征，這導致了同一時期不同地區的碳金融交易價格差異，這種價格差異有可能造成投機獲利空間。與此同時，碳金融交易產品本身帶有金融衍生品屬性，這進一步放大了碳金融交易價格的波動風險。另外，碳金融交易價格風險還會受到非預期公共事件的影響。根據呂靖燁和王騰飛(2019)[7]的觀點，中國碳金融交易價格具有長期記憶性和杠桿效應，前期碳金融交易價格會對后期交易價格產生顯著影響，且碳交易價格具有顯著的杠桿效應，該杠桿效應容易受到非預期公共事件的沖擊。

基于上述討論，碳金融交易價格風險是由于碳排放權市場受到宏觀調控和宏觀政策、市場供求關系和非預期性公共事件沖擊導致的價格非合理波動。這種非合理價格波動導致的風險為碳金融交易價格風險。

(二)碳金融交易價格風險測度方法

碳金融交易價格風險測度方法主要有兩種：一種是通過分析價格風險因素選擇相應指標，進而結合因子分析或主成分分析提取公共因子來測度風險水平。還有學者在因子分析基礎上通過引入支持向量機方法進行碳金融交易價格的風險測度，如谷慎和汪淑娟(2019)[8]；另一種方法是采用在險價值VaR方法進行，如楊超等(2011)[9]、劉紅琴和胡淑慧(2022)[10]等，其差異主要體現在測量范圍和測量數據方面，基本結論具有一定類似性。在采用VaR模型進行碳金融交易價格測度過程中，一個核心難題是如何識別碳金融交易價格的波動性。從已有研究看，VaR模型中碳金融交易價格波動性的識別可以采用歷史模擬方法、蒙特卡洛模擬方法和基于協方差分析的GARCH模型方法。根據Qi et al.(2016)[11]、宋敏等[12](2020)的研究，歷史模擬法雖然無需對收益率序列分布進行正態假設，但是需要大量數據進行測度才有測度效果，因此在實務中使用頻率較小。蒙特卡洛模擬方法是近年來在VaR模型中測度碳金融交易價格收益序列波動性的新方法，其使用頻率在日漸提高。但是該方法計量算太大，且可能發生計算方向錯誤，這種缺點限制了該方法的進一步推廣。基于協方差分析的GARCH模型可以更準確地描述碳金融交易價格收益序列的波動性，且符合金融經濟數據“尖峰后尾”特征，其應用范圍較廣。也有學者將非參數估計思想引入進來構建介于Copula函數的VaR模型，也取得了較好的測度效果，如柴尚蕾和周鵬(2019)[13]。筆者嘗試將VaR模型和GARCH模型結合，通過GARCH模型識別中國碳金融交易價格收益序列的波動性，并基于在險價值VaR方法對中國碳金融交易價格風險進行測度。

二、GARCH-VaR模型原理

(一)GARCH模型原理

Rt=μt+εt

(1)

(2)

(3)

值得說明的是，在金融時間序列分析中應用最多的模型為GARCH(1，1)模型，該模型平穩的充分必要條件是式(3)中β+γ<1。

(二)VaR模型原理

在險價值模型(VaR)源于20世紀90年代G30集團在金融風險評估過程中的討論。該模型如式(4)所示，其中c為置信水平，VaR為某項金融產品在一定時間內和一定置信水平下可能產生的最大損失，△Loss代表了該金融產品下期的真實損失水平。式(4)中如果取表置信水平c為99%，其含義是該金融產品下一期損失大于VaR值的概率為1%，即該金融產品下一期損失超過VaR值的概率僅為1%。

Prob(△Loss>Var)=1-c

(4)

(5)

(6)

(7)

(8)

(9)

VaR=W0Zcσ

(10)

全文研究對象是碳金融產品交易價格風險的測度問題，其交易價格具有典型的批量化集群性金融時間序列特征，該數據特征非常適用GARCH模型進行實證建模。因此，首先使用GARCH模型對中國碳金融產品價格收益率序列進行建模識別其波動性，并通過估計模型找到其收益序列的標準差σ，進而根據VaR模型計算其不同置信水平下的在線價值，并對在險價值進行不同市場背景的風險比較。

三、碳金融交易價格風險測度及分析

(一)數據說明

由于中國“碳金融”和“碳達峰”戰略目標是在2020年9月提出的，為了減弱政策對時間序列的干擾性，本文數據時間區間為2020年10月15日至2022年1月31日。數據選擇對象為北京、上海、廣東、福建、深圳和湖北等六大碳排放權交易所。重慶碳排放交易中心和天津碳排放交易所由于成交量較低、成交價格波動不足的原因沒有被納入。所有碳金融交易價格數據均來自中國碳交易網官方網站。同時利用6個交易中心官網數據和中國碳交易網數據進行了數據匹配，進一步驗證了數據的準確性。在獲取碳金融交易價格后，本文按照式(11)獲得碳金融產品收益序列R，其中Pt為第t期碳金融產品收盤價格。由于收益序列R數據較小，本文將其擴大100倍后進行后續研究。

R=100×Ln(Pt/Pt-1)

(11)

表1顯示了六大碳金融交易市場收益序列的描述性統計指標。湖北收益序列均值為負值，其余5個市場收益序列均為正值。上海市場收益序列最大值為0.0892，最小值-0.0146，整體標準差達到5.6938，在所有6個市場中波動性最大。廣東市場收益序列最大值0.0302，最小值-0.0046，標準差為3.2102，在6個市場中波動性最小。北京、上海、廣東和湖北收益序列的偏度為負值，說明數據呈現出左偏特征，福建和深圳市場收益序列偏度值為正，說明數據呈現右偏特征。6個市場收益序列峰度值均大于正態分布下的峰度值，對應的JB統計量均在1%顯著性水平拒絕序列正態分布的原假設，說明6個市場收益序列表現出集群波動特征。表1最后一列是將6個市場同一交易日的收益數據進行算術平均后得到的合并數據，其均值為0.0227，標準差達到4.8423，數據呈現左偏特征，峰度值超過正態分布下峰度值，JB統計量拒絕了正態分布原假設，呈現出和六大市場類似的波動集群分布形態。綜合看，無論是六大交易市場還是合并之后的收益序列符合金融數據“尖峰厚尾”的基本分布形態。

表1 六大交易所收益序列描述性統計

(二)測度過程

金融時間序列需要保證數據的平穩性才能進行實證模型構建，否則容易產生“偽回歸”問題。借助使用范圍最廣的ADF檢驗對各市場收益序列進行單位根檢驗，如表2所示，可見6個市場收益序列和合并收益序列的ADF統計量絕對值均大于其1%顯著性水平臨界值的絕對值3.9642，即6個市場收益序列和合并收益序列ADF統計量均在1%顯著性水平上拒絕了存在單位根的原假設，說明上述序列是平穩的，符合金融時間序列實證建模平穩性要求。

為檢驗中國不同市場碳金融交易收益序列是否存在ARCH效應，即其殘差是否存在異方差問題，同時對收益序列均值方程如式(1)的殘差進行自相關檢驗，并同時對均值方程進行ARCH-LM檢驗，檢驗結果如表2第3和第4列所示。根據表2第3列的自相關檢驗結果，6個市場收益序列和合并市場收益序列自相關檢驗F統計量對應的伴隨概率均低于1%，說明7個序列均在1%顯著性水平拒絕了不存在異方差的原假設，即7個序列都存在ARCH效應。7個收益序列ARCH-LM檢驗的統計量對應的伴隨概率均低于1%，說明7個收益序列均拒絕序列不存在異方差的原假設，即說明6個市場收益序列和合并市場收益序列存在ARCH效應。

表2 序列穩健性和ARCH效應檢驗

由于上述收益序列存在ARCH效應，選擇采用GARCH(p，q)模型進行實證建模。在實證過程中，根據AIC和SIC信息準則，發現當GARCH模型中p和q的滯后階數均為1時GARCH模型的擬合效果最好，因此選擇構建GARCH(1，1)模型。表3顯示了GARCH(1，1)模型的估計結果，其中α、β和γ是式(3)中的參數。根據表3，7個收益序列的三個參數均在不同顯著性水平上統計顯著，說明GARCH(1，1)模型構建較為理想。7個收益序列估計序列對應的DW值均在2左右，說明不存在序列相關性。

表3 GARCH(1，1)模型估計結果

為驗證構建的GARCH(1，1)模型是否消除了異方差問題，本文同時采用ARCH-LM檢驗和Ljung的Box-Q檢驗對其進行檢驗，檢驗結果如表4所示。可見，對7個收益序列的GARCH(1，1)模型的殘差進行ARCH-LM檢驗后，其ARCH-LM統計量的相伴概率均大于10%，說明7個回歸結果的殘差都不能拒絕不存在ARCH效應的原假設，即說明GARCH(1，1)模型已經消除了殘差的異方差性。Ljung的Box-Q的原假設是殘差存在異方差，本文對GARCH(1，1)模型的殘差序列的滯后9期數據進行Box-Q檢驗后發現其統計量均大于1%顯著性水平的臨界值，其伴隨概率均低于1%，說明7個收益序列的GARCH(1，1)模型的殘差不存在異方差，即GARCH(1，1)模型消除了異方差性。綜合ARCH-LM檢驗和Box-Q檢驗結果，說明本文構建的GARCH(1，1)模型具有穩健性，可以用于后續VaR計算。

表4 GARCH(1，1)模型穩健性

根據表3可得北京市場碳金融交易價格的GARCH(1，1)模型，如式(12)所示。其他5個市場和合并市場序列的GARCH(1，1)模型表達式同理可得。根據式(12)結合Eviews10.0軟件的預測功能，可預測下一期北京市場碳金融交易價格波動方差σ2和標準差σ，本文預測值為0.1586。同理可得到其余6個收益序列的波動標準差，如表5第2列所示。

(12)

在得到各市場碳金融交易收益序列下期波動標準差后，假設投資金額為100元，根據式(10)可得到99%和95%置信水平下不同市場的VaR值，如表5所示。其中，在99%置信水平下6個市場VaR值從大到小依次是上海(45.5049)、北京(36.9538)、深圳(23.3932)、福建(19.9448)、廣東(18.0109)和湖北(17.5915)。在95%置信水平下6個市場的VaR值從大到小依次是上海(32.2245)北京(26.1690)、深圳(16.5660)、福建(14.1240)、廣東(12.7545)和湖北(12.4575)。如果將6個市場合并，其99%和95%置信水平的VaR值分別為29.8939和21.1695。

表5 基于GARCH(1，1)預測值的下期VaR值計算

(三)測度結果的經濟分析

在險價值VaR的含義是：在某個置信水平下一項投資在未來交易過程中可能產生的最大損失。以表5中99%置信水平的北京碳金融收益序列為例，當投資金額為100元時期在險價值VaR為36.9538，其含義有兩層：一是下一個交易日北京市場碳金融產品損失超過36.9538萬的概率不高于1%。二是當置信水平99%被確定后，北京市場碳金融產品交易價格在下一個交易日可能的最大損失為36.9538元。在此基礎上，根據表5可得到如下結論。

第一，當置信水平為99%時，6個市場在險價值VaR最大的是上海市場，其余從大到小依次是北京、深圳、福建、廣東和湖北，即在當前中國碳金融產品交易市場中，價格風險最大的是上海市場，其次是北京市場，風險水平排在第二至第五位的分別是深圳、福建和廣東，湖北碳金融交易市場的交易價格風險最低。當置信水平為95%時上述結論不變。

第二，從在險價值VaR最小的湖北市場看，當置信水平為99%時，其VaR值為17.5915，當置信水平變為95%時，其VaR值下降為12.4575?？梢?，即使是在險價值最小的湖北市場，當把置信水平從99%降為95%后該市場碳金融交易價格的風險水平仍達到了投資總額100元的12.46%，仍處在較高的風險水平。剩余5個市場的VaR值都大于相同置信水平的湖北VaR值，這說明中國碳金融交易市場價格風險水平較高。

第三，從市場合并數據看，當置信水平為99%時，6個市場的綜合VaR值為29.8939。6個市場中只有上海和北京市場的VaR值大于合并市場VaR，剩余4個市場VaR值均低于市場合并后的VaR值。當置信水平變為95%后，上述結論不變。基于此可將6個市場分為兩個風險梯隊，第一梯隊為高價格風險市場，包括上海和北京市場；第二梯隊為中高風險市場，包括深圳、福建、廣東和湖北市場。由此可見，中國碳金融市場價格風險存在顯著區域異質性，北京和上海市場的交易量較大是中國碳金融交易的主要市場，其總體價格風險水平較高。深圳、福建、廣東和湖北市場價格風險水平低于上海和北京市場，但是其總體風險水平仍處在較高水平。

四、對策建議

本文在對碳金融交易價格風險進行了科學界定并對其交易風險測度方法進行分析后，通過采用GARCH-VaR模型檢驗了中國6個碳金融交易市場的價格風險水平。研究發現，中國碳金融交易價格風險總體水平較高，且表現出顯著的區域差異性。基于此，為進一步提升中國應對碳金融交易價格風險的水平，提出如下對策建議。

第一，健全碳金融產品定價機制和碳金融交易平臺。根據本文測度結果，中國碳金融市場價格風險總體水平較高且表現出顯著的區域異質性，基于此，建議中國應該進一步構建科學有效的碳金融產品定價機制。為此，可以從如下方面入手：一是鑒于當前中國各地碳金融交易價格受到地方政府政策和經濟發展需求的影響較為嚴重，中國應該適度弱化地方政府行政干預碳金融產品交易價格的程度，逐步提高碳金融產品價格的市場屬性，進而為中國碳金融市場的全國統一奠定基礎。二是中國可以借鑒歐美國家碳金融交易定價經驗，積極引入拍賣定價、期權定價等成熟的定價機制，并對市場中的惡意控制交易價格的行為給予對應處罰。與此同時，還應該進一步推進碳金融交易平臺建設，最終構建全國統一的碳金融交易市場。為此，可以進一步細化碳金融交易市場準入機制，對那些交易基礎差、交易規范度較低的市場交易者構建強制退出機制，并要求每個交易平臺必須按照國家要求設立專門的價格風險預警機構。不僅如此，為了推進碳金融交易平臺的科學發展，中國還應積極鼓勵各類相關中介服務機構的發展，提升各類中介機構有效利用其專業知識能力服務碳金融市場發展的水平。

第二，建立高效的碳金融價格風險防控機制。根據測度結果，中國碳金融交易總體價格波動性較大，其風險水平較高，因此中國應該構建更加高效的價格風險防控機制。為此中國可以從如下幾個方面入手：一是適時推出碳金融交易價格風險法律法規規制體系，并將該規制體系和《公司法》《證券法》等法律形成有效對接，構建全國統一、標準一致的碳金融交易價格法律規制體系。二是在保證政府不過分干預碳交易市場的前提下，強化政府對宏觀碳金融交易風險的監管責任。三是構建涵蓋事前風險防范、事中風險識別和風險化解及事后風險追責的系統風險防范體系。在事前風險防范中，政府應該針對各地差異化政策對碳金融價格的不利沖擊進行系統梳理，從能源市場、金融市場和宏觀經濟運行等角度進行系統的政策協調。同時應該構建碳金融交易柔性配給調節機制，進一步提升市場的自我調節能力。在事中風險識別和風險化解環節，應該進一步強化交易平臺結算制度，依托專業中介結構對碳金融價格風險進行系統識別，同時還可以借鑒金融衍生品市場的大額交易報告機制和強制清算機制，將碳金融交易價格風險通過恰當的機制設計予以化解。在事后風險追責過程中，應該構建全方位多維度的價格風險責任追責機制，如可以將碳金融交易追責問題和全國征信系統進行有效銜接，并構建全國范圍的碳金融交易價格風險應急策略平臺。

第三，明確碳金融交易價格風險的監管重點。在“碳達峰”和“碳中和”戰略目標引領下，中國碳金融交易規模會越來越大，其交易價格風險會隨著交易規模和交易頻率的增加而不斷放大?；诖?，中國應該在碳金融交易市場總體風險水平較高背景下積極提升對碳金融交易市場價格風險的宏觀審慎監管水平，并進一步厘清碳金融交易價格風險的監管重點。中國當前碳金融交易監管的重點包括市場操縱和欺詐行為、持倉限額、對交易注冊的要求、對相關報告的要求和對碳抵消權的監管等方面。其中市場操縱和欺詐行為直接擾亂了市場交易秩序，導致市場交易的混亂，應該在宏觀監管中予以重點關注。另外在市場操縱監管中應該重視對碳金融交易的杠桿性賣空行為的監管。在交易注冊要求方面，應該進一步強化交易商、經紀人和交易員的注冊制度，并進行積極統一管理。在報告要求方面，應該要求相關交易機構和人員嚴格執行國家關于碳金融交易價格、交易量、持倉量等的相關報告制度，并鼓勵交易參與者進一步公開詳細交易數據。在碳抵消權監管方面，應該盡快制定與碳抵消權相關的交易政策，進一步明確碳抵消交易是否也需要遵循碳金融交易配額和相關衍生品交易的基本制度問題。綜上，只有對上述方面重點對待，才能有效提高碳金融交易宏觀審慎監管水平。