中國碳金融市場壓力：指數構建、狀態識別與趨勢預測

【摘要】構建碳金融市場壓力指數能夠綜合刻畫碳金融市場的風險狀態， 幫助市場參與者前瞻性評估碳金融市場的潛在風險水平。本文將GARCH模型與主成分分析法相結合構建中國碳金融市場壓力指數， 基于MS-AR模型識別碳金融市場風險， 并應用PatchTST神經網絡模型進行壓力指數趨勢預測。結果表明： 中國碳金融市場壓力指數總體呈現階段性和周期性變化特征， 并在疫情前后差異較大； 疫情前壓力指數表現為趨勢性增長態勢且周期較為穩定， 疫情后壓力指數波動加劇且周期顯著縮短。MS（2）-AR（2）模型顯示碳金融市場壓力指數波動存在高低壓力兩種狀態， 狀態內持續性強， 狀態間轉換概率低。與其他模型相比， PatchTST神經網絡模型具有較好的預測效果， 未來64個交易日內壓力指數呈現出向下波動趨勢， 但仍然處于較高水平。

【關鍵詞】碳金融市場；壓力指數；GARCH模型；MS-AR模型

【中圖分類號】F832" " " 【文獻標識碼】A" " " 【文章編號】1004-0994（2024）18-0124-6

一、 引言

隨著全球氣候變暖的加劇， 各國對氣候問題的關注度越來越高， 并逐漸形成發展低碳經濟的共識。2013年以來， 我國相繼在北京、 上海、 重慶、 湖北、 廣東、 深圳等地開展碳排放權交易試點， 并于2021年7月正式上線中國碳排放交易體系， 中國碳金融市場正式建立。然而， 中國建立碳交易市場的時間相對較晚， 各項市場配套措施尚不完善， 碳金融市場管理措施有待進一步優化， 對碳金融市場風險缺乏有效和準確的監測。因此， 建立穩定可靠的碳金融市場壓力指數能夠科學識別碳金融市場的風險承受狀況， 有效反映樣本域內的壓力事件， 并兼具穩健性、 逐日監測等優點， 為決策者和市場參與者前瞻性評估潛在風險水平、 選擇政策實施窗口和評估政策實施效果等提供了有力工具。

在金融市場上構建壓力指數的方法由來已久， 已有文獻主要采用四種方法： 一是等方差加權方法。陳守東和王妍（2011）對所選取的月度數據指標進行標準化處理并賦予每個指標相同的權重后， 合成金融市場壓力指數。此方法忽略了指標之間信息提供程度的差異性， 存在較強的主觀性。二是信用加總權重方法。劉曉星和方磊（2012）將各金融子市場信貸份額作為權重并對每一子市場內指標的權重進行分配， 合成月度金融壓力指數。戴步斌和何文舉（2018）將外匯、 股票、 銀行和保險分別占總市場比例加總并賦予80%的權重， 對國際金融市場變量賦予20%的權重， 將二者加總構建月度金融壓力指數。王培輝和康書生（2017）基于日度和月度混頻數據構建混頻馬爾可夫動態因素模型進行動態賦權并分析金融壓力周期變化特征。此方法僅將信貸份額作為權重， 忽略了指標數據之間的關系， 存在較強的主觀性。三是CRITIC賦權法。許滌龍和陳雙蓮（2015）、 鄧創和趙珂（2018）在考慮指標變異性和指標之間沖突性的情況下， 用CRITIC法對相應的指標進行賦權合成月度金融壓力指數。當指標間的相關性較強時， 可能導致某些指標的權重被低估或高估， 從而無法準確反映指標的實際狀況。四是主成分分析法。陳忠陽和許悅（2016）、 馬勇和黃科（2019）按照各因子方差貢獻率進行加權平均， 進而合成周度金融壓力指數。主成分分析法能夠使指標體系更加簡潔， 有效地剔除數據中的噪聲， 數據特征更易凸顯， 能夠更為高效地合成金融壓力指數。

在壓力狀態識別上， 已有文獻主要采取三種方法： 一是歷史標準法。Hakkio和Keeton（2009）將過往金融危機時期的壓力指數數值作為標準， 當超過這個標準時， 就認定為高風險時期， 但此方法只適合在經歷過金融危機的國家使用。二是標準差法。章曦（2016）以指數標準差的兩倍作為閾值， 超過閾值即為高風險， 反之即為低風險， 但此方法因人為設定閾值而存在較強的主觀性， 且易受到極端值的影響。三是馬爾可夫區制轉化法。黃啟才和王世杰（2021）、 李敏波和梁爽（2021）用MS-AR模型對金融壓力指數進行狀態識別， 此方法避開了以上兩種方法的缺陷， 能夠較為客觀地識別風險轉換狀態。

目前， 關于指數預測方法主要有以下兩類： 一是基于ARMA模型進行預測。陳守東和王妍（2011）通過金融壓力指數構造出ARMA模型預測未來金融壓力指數； 章曦（2016）首次將我國系統性金融風險的測度、 識別與預測相統一， 通過ARMA模型預測未來的金融壓力指數。二是采用深度學習方法進行預測。張永等（2023）利用長短期記憶神經網絡（LSTM）模型對金融壓力指數進行預測； 郭宇辰等（2023）構建基于卷積神經網絡（CNN）、 LSTM的混合模型并與雙向LSTM等模型進行對比， 結果顯示CNN-LSTM混合模型對碳價預測效果更好。Wang等（2023）采用“變分模態分解—梯度提升決策樹—雙向循環神經網絡混合模型”對股指期貨價格進行預測。

現有關于碳金融市場的研究主要體現在以下四個層面： 第一， 碳金融市場的風險研究。張慧等（2023）應用GE-Copula-Var/CVaR模型對碳金融市場風險進行測度。谷慎和汪淑娟（2019）基于支持向量機的碳金融風險預警模型來分析風險， 發現北京、 上海碳市場風險較大， 天津、 深圳碳市場風險居中， 廣東、 湖北碳市場風險相對較小。第二， 碳金融市場價格的影響因素研究。王倩和路京京（2018）發現短期利率會對碳排放權價格產生影響；" Han等（2019）指出碳排放權價格對煤炭價格、 天氣溫度和空氣質量指數的影響比其他因素更為敏感。第三， 碳金融市場的相關產品設計與定價。王春霞和李佳彪（2023）設計出我國碳期權產品， 并用ARMA-GARCH模型、 R/S法完成對市場波動率及Hurst指數的估計。于倩雯等（2020）基于模糊測度參數和Choquet期望積分構建出Choquet期望效用最大化下的碳期權定價模型。第四， 碳市場發展研究。張葉東（2021）、 魯政委等（2021）借鑒國際碳市場的成熟經驗， 分析我國碳金融市場的現狀與存在的問題， 并提出發展建議。

總體來說， 現有研究雖然對碳金融市場以及相關方法進行了一系列有益探索， 但仍存在很大的提升空間。具體來說： 第一， 現有研究大多關注傳統金融市場的壓力指數， 鮮有文獻將壓力指數擴展到碳金融市場領域。第二， 在壓力指數構建的頻率方面， 已有研究構造出的金融壓力指數大多基于月度或周度數據， 指數的風險預警功能發揮相對滯后， 并不符合金融市場高頻特征和滿足及時監管需要。而日度數據可以更好地為后續神經網絡模型提供訓練樣本數據， 更加有效地對壓力指數進行趨勢預測。因此， 本文構建中國碳金融市場壓力日度指數， 旨在更為精準和及時地刻畫我國碳金融市場壓力走勢、 監測碳金融市場的風險狀態。第三， 在壓力指數的預測方面， 已有研究大多基于ARMA、 LSTM等模型進行預測， 而對于長序列時間預測存在著較大誤差。本文對比多個基于Transformer模型的預測結果， 選出誤差較小的PatchTST神經網絡模型對碳金融市場壓力指數進行更為精準的預測， 以幫助各市場參與方前瞻性地對碳金融市場潛在風險進行評估和預警。

二、 碳金融市場壓力指數構建

（一） 基礎指標選取

參考王小燕等（2022）的方法， 結合中國碳金融市場自身發展的實際狀況， 本文從宏觀市場、 金融市場、 國內碳市場、 國際碳市場、 能源市場、 外匯市場和氣候因素等7個維度選取13個基礎指標， 構建中國碳金融市場壓力指數的基礎指標體系， 如表1所示。

（二）碳金融市場壓力指數的構建方法

1. 數據預處理。借鑒黃啟才和王世杰（2021）的方法， 運用Z-score標準化方法對數據進行處理， 得到量綱一致的標準化數據。所有數據均來自Wind數據庫和同花順iFinD數據庫， 樣本時間為2014年4月1日至2023年6月30日。由于GARCH模型可以較好地刻畫金融時間序列的波動情況， 這里將標準化后的數據經過GARCH（p， q）模型處理用以測度各指標的波動程度。為了確定參數p與q的數值， 這里采用赤池信息量準則（AIC）進行選取， 具體參數值如表2所示。

2. 碳金融市場壓力指數合成與測度。本文采用主成分分析方法對上述經過GARCH模型處理的數據提取主成分， 并以方差貢獻率作為權重對各主成分進行合成， 進而得到碳金融市場壓力指數， 結果如圖1所示。

圖1給出了2014年4月1日至2023年6月29日我國碳金融市場壓力指數的變化趨勢。總體來說， 我國碳金融市場的壓力指數呈現趨勢性增長態勢并在2020年上半年達到最高點， 且存在著明顯的周期性特征。同時， 直觀上可以看到碳金融市場壓力指數在2020年疫情前后發生了結構性變化。為了驗證這一現象， 以2020年2月3日為界， 將壓力指數數據一分為二， 分別統計兩個時間段的均值、 標準差、 最大值和最小值等統計量， 如表3所示。可以看出， 碳金融市場壓力指數確實在疫情前后發生了結構性變化， 存在明顯的階段性特征， 疫情后市場的風險更大、 波動性更強， 且疫情前的周期性逐漸擴大， 在疫情爆發后壓力指數明顯回落， 跌回到前一周期最低點處附近， 并開始圍繞均線0.1818處不斷震蕩， 周期明顯縮短。

表4給出了中國碳金融市場壓力指數的高低點所對應的主要影響因素。

由表4可知， 在能源市場方面， 能源價格變化與經濟發展密切相關， 特別是電力行業對于能源的需求比較大， 是碳排放主要的來源。能源價格的波動會引起企業在能源需求、 結構方面的變化。2016年11月， OPEC成員國達成減產協議促使國際原油價格上升， 從而導致我國原油價格也開始上漲， 原油價格的波動使得國內企業的能源結構發生變化， 逐步開始使用同時期能源價格相對低廉的天然氣， 天然氣與原油相比碳排放量較小， 所以使得碳金融市場壓力指數下降。

在國際碳金融市場方面， 由于我國碳金融市場相較于歐盟碳金融市場仍處在起步階段， 碳資產相關的研究與法規相對較少， 缺乏成熟的定價機制， 往往會參考國外碳資產價格， 因此國際碳資產價格的變更與波動在一定程度上會影響我國碳資產價格。另外， 套利行為在碳金融市場中并不少見， 一旦我國的碳資產價格存在套利空間， 套利者就會在我國碳市場中買入一定量的碳排放權， 轉手賣到國際碳市場中以賺取差價， 驅動我國碳價波動（易蘭等，2017）。2016年6月份英國舉行脫歐公投、 2019年初歐盟啟動市場穩定儲備機制， 都導致歐洲碳交易價格波動加劇。歐洲碳金融價格的變動會影響我國碳金融價格的變動， 引起碳金融市場壓力指數的上升。

在宏觀經濟市場方面： 一方面， 各個產業的生產量對拉動經濟增長起著非常重要的作用， 直接決定了生產所需的碳排放量； 另一方面， 經濟發展水平決定了宏觀經濟的形勢， 驅使企業做出相應的戰略與投資決策， 制定生產目標， 進而影響企業的碳排放需求， 最終影響碳價（原嫄和孫欣彤，2020）。2020年初疫情爆發， 市場情緒悲觀， 企業生產活動受阻、 投資放緩， 導致企業的碳排放需求下降， 進而導致碳金融市場壓力指數呈下降趨勢。

在傳統金融市場方面， 國內傳統金融市場主要通過匯率和利率兩方面影響碳價： 匯率的波動直接影響進出口貿易價格水平， 從而影響企業的生產活動； 利率波動直接作用于企業的融資成本、 減排成本， 對碳排放量產生影響， 從而碳價發生波動（王倩和路京京，2018）。2014年10月的低點是由于經濟下行采取寬松的貨幣政策， 利率下降， 企業減排成本下降， 由此使得碳金融市場壓力指數下降。2015年“811”匯改、 2019年美元兌人民幣匯率破七導致匯率升高， 造成企業的成本增加， 影響企業的生產活動， 碳金融市場壓力指數開始出現下降趨勢。

在政策影響方面， 政策的利好會推動壓力指數的上升。2020年9月我國提出“雙碳”目標， 疊加美國決定重返《巴黎協定》， 兩項政策因素利好碳金融市場， 一定程度上推動2021年1月的碳金融市場壓力指數達到高點。

三、 碳金融市場的壓力識別

借鑒黃啟才和王世杰（2021）、 李敏波和梁爽（2021）的方法， 基于上述構建的中國碳金融市場壓力指數， 可利用馬爾科夫區制轉移自回歸模型（MS-AR）識別我國碳金融市場壓力狀況。ADF檢驗表明， 中國碳金融市場壓力指數在5%的顯著性水平上平穩， 再結合Log likelihood、 AIC、 SC和HQ等準則發現MS（2）-AR（2）模型的擬合效果最好， 接下來主要基于該模型對碳金融市場壓力狀態進行識別。

表5給出了MS（2）-AR（2）模型的高低壓力轉移概率矩陣。可以看出， 中國碳金融市場壓力指數波動主要存在低壓力和高壓力兩個狀態， 我國碳金融市場處于低壓力狀態主要集中在2014年4月 ～ 2017年7月、 2018年1 ～ 6月， 高壓力時期主要有2017年8 ～ 12月、 2018年7 ～ 12月、 2020年4月 ～ 2023年6月， 高低壓力交替出現主要出現在2019年1月 ～ 2020年3月。另外， 在狀態內具有較強的持續性， 低壓力狀態持續時間比高壓力狀態稍長， 而狀態間高低壓力轉換概率較低。

四、 基于深度神經網絡模型的中國碳金融市場壓力指數預測

（一） 基于PatchTST深度神經網絡

1. 基于PatchTST深度神經網絡訓練測試結果。PatchTST模型的核心思想是將時間序列分成若干個時間段， 然后將每個時間段視為一個詞元（token）， 并對其進行編碼以及加上位置編碼作為Transformer Encoder的輸入， 最后將向量展平之后輸入到一個預測頭得到預測的單變量輸出序列。將時間序列分為若干個時間段這一操作， 可以將輸入的token數量大大減少， 進而將計算的復雜度成倍降低， 這可以顯著提升模型預測性能。PatchTST模型的主要架構如圖2所示。

以上述碳金融市場壓力指數為數據集， 將其按照8∶2的比例劃分為訓練集與測試集， 其中訓練集的數據劃分為2014年4月1日 ～ 2021年6月4日， 測試集劃分為2021年6月7日 ～ 2023年6月30日。為了更清晰地展現PatchTST模型的預測效果， 這里同時應用Informer、 Autoformer、 FEDformer、 TimesNet、 ITransformer等模型進行預測和對比分析， 輸入序列步長為64、 先驗序列步長為32、 預測步長為1， 結果如圖3所示。

2. 模型評價。為更加合理地評價預測模型的性能， 采用均方誤差（MSE）、 均方根誤差（RMSE）、 平均絕對誤差（MAE）對預測結果進行評價， 具體公式如下：

MSE=" " " " " "（Xp，t-Xr，t）2" " " " " " " " " " " " "（1）

RMSE= （2）

MAE=" " " " " "|Xp，t-Xr，t|" " " " " " " " " " " " "（3）

根據測試集的真實值與預測值， 計算出MSE、 RMSE、 MAE的值， 結果如表6所示。可以看出， 相對于其他模型來說， PatchTST模型的MSE、 RMSE、 MAE的值最小， 預測效果最好， 說明PatchTST模型更適用于此數據集的預測分析。

（二） 基于PatchTST模型的預測結果

基于2014年4月1日至2023年6月30日的中國碳金融市場壓力指數， 利用PatchTST模型對未來64個交易日的碳金融市場壓力指數進行預測， 結果如圖4所示。

基于PatchTST模型預測的2023年7月3日到2023年9月28日的碳金融市場壓力指數總體呈現出向下波動趨勢， 且周期性短， 預測的壓力指數均為正值， 平均值為0.3375， 方差為0.0125， 高于發生疫情后的壓力指數平均值0.1818， 小于疫情后的壓力指數的方差， 說明預測時間段內我國碳金融市場的風險處在略高的水平。這主要是因為， 從能源市場來看， 2023年4月“OPEC+”組織宣布減產， 同年6月又將減產計劃延長至2024年年底， 導致國際原油價格從5月開始逐步上升， 一直持續到10月中下旬。從國際碳金融市場來看， 歐洲碳排放期貨價格因歐洲經濟的放緩從2023年4月份的高位開始逐漸回落， 一直持續到2024年年初。從宏觀經濟市場來看， 美聯儲在2023年2 ～ 7月連續加息4次， 美元兌人民幣匯率持續上升， 加之我國經濟復蘇需求不足， 在一定程度上使得碳金融市場壓力指數下降， 這與PatchTST模型預測的碳金融市場壓力指數下降趨勢是一致的。

五、 結論與建議

碳金融市場壓力指數能夠有效地刻畫樣本區域內的壓力事件， 較好地反映一國碳金融市場承受風險的壓力狀況， 幫助決策者和市場參與各方及時準確地前瞻性評估潛在風險水平。本文運用主成分分析方法綜合構建中國碳金融市場壓力指數， 樣本期內碳金融市場壓力指數整體呈現出波動上升趨勢， 疫情前周期性呈現出逐漸變大的趨勢， 此后因疫情反復， 波動性增大且周期性明顯縮短。此外， 運用MS（2）-AR（2）模型進行風險識別， 發現碳金融市場壓力指數波動存在高低壓力兩種狀態， 狀態內持續性強， 狀態間轉換概率低。然后對比多個基于Transformer深度神經網絡模型得出PatchTST模型對碳金融市場壓力指數具有較好的預測效果， 基于此模型對碳金融市場壓力指數進行預測， 在未來一段時間內碳金融市場壓力指數呈現出向下波動趨勢。

根據上述結論， 提出以下政策建議： 第一， 建立并完善碳金融市場風險的動態預警體系。自碳金融市場建立以來， 我國碳金融市場風險的相關研究并不充分， 沒有建立有效的風險預警體系， 而本文的研究方法可以作為建立預警體系的參考和借鑒。第二， 完善我國碳金融市場的監管體系。我國碳金融市場尚不成熟， 監管體系并不完善， 應完善碳金融市場相關法律體系， 建立健全碳金融市場的多部門協同監管機制， 完善監管制度和框架， 對碳金融市場形成全方位監管。第三， 在全球經濟、 金融一體化的背景下， 碳金融市場與傳統金融市場等市場之間的聯動性增強， 應關注其他市場的重大事件、 政策變化等， 在碳金融市場劇烈波動之前， 提前采取相應措施， 防范極端風險所造成的巨大損失。

【 主 要 參 考 文 獻 】

陳守東，王妍．金融壓力指數與工業一致合成指數的動態關聯研究［ J］．財經問題研究，2011（10）：39 ～ 46．

陳忠陽，許悅．我國金融壓力指數的構建與應用研究［ J］．當代經濟科學，2016（1）：27 ～ 35．

戴步斌，何文舉．中國金融壓力指數構建與經濟預警的實證研究［ J］．財經理論與實踐，2018（1）：27 ～ 32．

鄧創，趙珂．中國的金融壓力及其對宏觀經濟景氣的影響動態［ J］．財經研究，2018（7）：86 ～ 98．

谷慎，汪淑娟．基于SVM的碳金融風險預警模型研究［ J］．華東經濟管理，2019（3）：179 ～ 184．

郭宇辰，加鶴萍，余濤等．基于CNN-LSTM組合模型的碳價預測方法［ J］．科技管理研究，2023（11）：200 ～ 206．

黃啟才，王世杰．中國金融壓力指數測度與金融風險識別［ J］．亞太經濟，2021（3）：25 ～ 34．

李敏波，梁爽．監測系統性金融風險——中國金融市場壓力指數構建和狀態識別［ J］．金融研究，2021（6）：21 ～ 38．

劉曉星，方磊．金融壓力指數構建及其有效性檢驗——基于中國數據的實證分析［ J］．管理工程學報，2012（3）：1 ～ 6．

魯政委，葉向峰，錢立華等．“碳中和”愿景下我國碳市場與碳金融發展研究［ J］．西南金融，2021（12）：3 ～ 14．

馬勇，黃科．金融壓力指數及其政策應用——基于中國的實證分析［ J］．金融監管研究，2019（7）：1 ～ 17．

王春霞，李佳彪．碳排放配額約束下碳期權設計及估值研究［ J］．價格理論與實踐，2023（7）：156 ～ 159．

王培輝，康書生．中國金融壓力周期特征及實時監測——基于混頻Markov動態因素模型的研究［ J］．經濟學家，2017（10）：77 ～ 85．

王倩，路京京．短期利率波動對碳交易價格影響的區域異質性［ J］．社會科學輯刊，2018（1）：101 ～ 110．

王小燕，周思敏，徐曉莉等．基于圖結構自適應Lasso的碳排放權價格影響因素分析［ J］．統計與信息論壇，2022（4）：73 ～ 83．

許滌龍，陳雙蓮．基于金融壓力指數的系統性金融風險測度研究［ J］．經濟學動態，2015（4）：69 ～ 78．

易蘭，楊歷，李朝鵬等．歐盟碳價影響因素研究及其對中國的啟示［ J］．中國人口·資源與環境，2017（6）：42 ～ 48．

于倩雯，吳鳳平，沈俊源等．碳金融市場下基于模糊測度和Choquet積分的碳期權估值［ J］．北京理工大學學報（社會科學版），2020（1）：13 ～ 20．

原嫄，孫欣彤．城市化、產業結構、能源消費、經濟增長與碳排放的關聯性分析——基于中國省際收入水平異質性的實證研究［ J］．氣候變化研究進展，2020（6）：738 ～ 747．

張慧，魏佳琪，孟紋羽．碳金融市場集成風險測度的新方法［ J］．統計與決策，2023（3）：55 ～ 60．

張葉東．“雙碳”目標背景下碳金融制度建設：現狀、問題與建議［ J］．南方金融，2021（11）：65 ～ 74．

張永，鄭鋒淇，楊興雨等．基于長短期記憶神經網絡的金融壓力指數預測［ J］．系統工程，2023（5）：115 ～ 123．

章曦．中國系統性金融風險測度、識別和預測［ J］．中央財經大學學報，2016（2）：45 ～ 52．

Hakkio C. S.， Keeton W. R.. Financial stress： What is it， how can it be measured， and why does it matter？［ J］．Economic Review，2009（2）：5 ～ 50．

Han M.， Ding L.， Zhao X.， et al.. Forecasting carbon prices in the Shenzhen market， China： The role of mixed-frequency factors［ J］．Energy，2019（171）：69 ～ 76．

Wang J. J.， Cheng Q.， Dong Y.. An XGBoost-based multivariate deep learning framework for stock index futures price forecasting［ J］．Kybernetes，2023（10）：4158 ～ 4177．

（責任編輯·校對： 李小艷" 黃艷晶）

DOI：10．19641/j．cnki．42-1290/f．2024．18．019

【基金項目】國家自然科學基金青年項目（項目編號：71803002）；安徽省哲學社會科學規劃項目（項目編號：AHSKY2021D135）