基于機(jī)器學(xué)習(xí)的中國(guó)碳市場(chǎng)風(fēng)險(xiǎn)預(yù)警研究

關(guān)鍵詞：碳排放配額；機(jī)器學(xué)習(xí)；風(fēng)險(xiǎn)預(yù)警；SHAP

中圖分類號(hào)：X22 文獻(xiàn)標(biāo)志碼：A

前言

二氧化碳排放權(quán)交易是減少溫室氣體排放、提高能源利用效率、應(yīng)對(duì)全球氣候變化的關(guān)鍵手段。碳排放權(quán)交易價(jià)格（即碳價(jià)）反映了碳配額的供需情況，其未來(lái)波動(dòng)趨勢(shì)對(duì)碳減排企業(yè)至關(guān)重要。然而，由于碳價(jià)具有非平穩(wěn)和非線性特征，精準(zhǔn)預(yù)測(cè)其未來(lái)波動(dòng)趨勢(shì)面臨挑戰(zhàn)。因此，構(gòu)建精準(zhǔn)的碳價(jià)波動(dòng)趨勢(shì)預(yù)測(cè)模型對(duì)于投資者規(guī)避風(fēng)險(xiǎn)具有重要意義。

目前，關(guān)于碳排放權(quán)交易價(jià)格的研究主要集中在碳價(jià)預(yù)測(cè)上，但針對(duì)碳價(jià)風(fēng)險(xiǎn)預(yù)警的研究相對(duì)有限，且缺乏從風(fēng)險(xiǎn)劃分角度分析碳價(jià)的研究。馬爾科夫區(qū)制轉(zhuǎn)換模型作為一種狀態(tài)劃分方法，通過(guò)狀態(tài)轉(zhuǎn)移概率描述不同狀態(tài)間的轉(zhuǎn)變特征，為風(fēng)險(xiǎn)劃分提供有力支持。

文章提出了一種基于馬爾科夫區(qū)制轉(zhuǎn)換模型、機(jī)器學(xué)習(xí)模型和SHAP方法的碳價(jià)風(fēng)險(xiǎn)預(yù)警框架。該框架通過(guò)馬爾科夫區(qū)制轉(zhuǎn)換模型有效識(shí)別了碳市場(chǎng)的運(yùn)行狀態(tài)和碳價(jià)波動(dòng)區(qū)制，應(yīng)用XGBoost等機(jī)器學(xué)習(xí)模型對(duì)碳價(jià)風(fēng)險(xiǎn)等級(jí)進(jìn)行預(yù)測(cè)，并運(yùn)用SHAP框架對(duì)預(yù)測(cè)結(jié)果進(jìn)行解釋。以廣東試點(diǎn)碳市場(chǎng)的日度碳價(jià)數(shù)據(jù)為例，XGBoost模型的預(yù)測(cè)準(zhǔn)確率達(dá)到81.95%。研究發(fā)現(xiàn)，碳價(jià)波動(dòng)的主要風(fēng)險(xiǎn)因素來(lái)自于國(guó)際碳市場(chǎng)、經(jīng)濟(jì)狀況和能源價(jià)格。該預(yù)警框架具有良好的預(yù)測(cè)性能，為碳價(jià)風(fēng)險(xiǎn)管理提供了有效的決策依據(jù)。

1模型與方法

1.1馬爾科夫區(qū)制轉(zhuǎn)換模型

為了衡量碳價(jià)的風(fēng)險(xiǎn)狀況，文章采用Hamilton（1989）提出的馬爾科夫區(qū)制轉(zhuǎn)換模型來(lái)實(shí)現(xiàn)碳價(jià)風(fēng)險(xiǎn)等級(jí)的劃分，將碳價(jià)序列按照波動(dòng)程度劃分為區(qū)制1、區(qū)制2、區(qū)制3，分別表示碳價(jià)處于低波動(dòng)區(qū)域、中波動(dòng)區(qū)域、高波動(dòng)區(qū)域。馬爾科夫區(qū)制轉(zhuǎn)換模型如式（1）-式（3）所示：

根據(jù)樣本點(diǎn)在不同區(qū)制的平滑概率，本研究將碳價(jià)劃分為低風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)、高風(fēng)險(xiǎn)三個(gè)分類變量。如圖1所示得出以下結(jié)論：（1）樣本在低、中風(fēng)險(xiǎn)區(qū)的出現(xiàn)頻率最高，且兩者易互相轉(zhuǎn)換；（2） 2014年廣東碳市場(chǎng)啟動(dòng)至2019年，高波動(dòng)平滑概率覆蓋范圍廣，可能因政策變化及初期配額分配不完善，2021年后期至2022年初也歸為高風(fēng)險(xiǎn)，或因全國(guó)碳交易啟動(dòng)及經(jīng)濟(jì)復(fù)蘇帶動(dòng)能源消耗增加；（3）自2023年以來(lái)，碳價(jià)基本維持低波動(dòng)狀態(tài)，反映出碳市場(chǎng)的穩(wěn)定與成熟。

2.3風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建

采用極端梯度提升（XGBoost）訓(xùn)練模型，以能源價(jià)格、經(jīng)濟(jì)狀況、國(guó)際碳價(jià)等六個(gè)方面15個(gè)指標(biāo)為特征，預(yù)測(cè)低、中、高碳價(jià)風(fēng)險(xiǎn)（分類變量0、1、2），并按7：3比例劃分訓(xùn)練集和測(cè)試集，計(jì)算準(zhǔn)確率、精確率、召回率和F1得分。為評(píng)估XGBoost性能，我們還使用了隨機(jī)森林（RF）、決策樹(shù)（DT）、支持向量機(jī)（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）進(jìn)行對(duì)比，結(jié)果見(jiàn)表2。

由表2可見(jiàn)，XGBoost模型在四個(gè)評(píng)估指標(biāo)上的表現(xiàn)均最優(yōu)，因此文章選擇XGBoost作為碳市場(chǎng)風(fēng)險(xiǎn)預(yù)警模型。五種模型的預(yù)測(cè)效果依次為：XG-Boostgt;RFgt;DTgt;SVMgt;ANN。集成分類器（XG-Boost，RF）優(yōu)于單個(gè)分類器（DT，SVM），因?yàn)樗鼈兘Y(jié)合了多個(gè)弱分類器的預(yù)測(cè)結(jié)果以形成最終決策，并通過(guò)不斷修正誤差改進(jìn)結(jié)果。在測(cè)試集的543個(gè)樣本中，XGBoost模型正確分類的低風(fēng)險(xiǎn)樣本162個(gè)，中風(fēng)險(xiǎn)樣本98個(gè)，高風(fēng)險(xiǎn)樣本185個(gè)，正確率高達(dá)81.95%，少數(shù)樣本被錯(cuò)誤分類，顯示了良好的預(yù)警效果。

2.4預(yù)警模型的SHAP解釋

文章運(yùn)用SHAP解釋工具，以提升XGBoost模型的可解釋性。SHAP匯總圖能夠清晰展示預(yù)警模型中特征的重要性。根據(jù)輸出標(biāo)簽，SHAP圖分為三種，文章聚焦于高風(fēng)險(xiǎn)狀態(tài)。如圖2所示，當(dāng)樣本i的第j個(gè)特征的SHAP值為正時(shí)，該樣本更可能被視為高風(fēng)險(xiǎn)，表明特征j對(duì)此預(yù)測(cè)有正向邊際貢獻(xiàn)。圖左側(cè)為特征名，右側(cè)顏色從藍(lán)到紅代表特征值遞增，橫軸為SHAP值。每行代表一個(gè)特征，且樣本數(shù)保持一致，便于直觀比較各特征對(duì)預(yù)測(cè)結(jié)果的影響。

從圖2可以明顯看出，EUA期貨結(jié)算價(jià)在影響樣本被預(yù)測(cè)為高風(fēng)險(xiǎn)狀態(tài)的因素中排名第一，顯示出對(duì)高風(fēng)險(xiǎn)狀態(tài)的顯著貢獻(xiàn)。當(dāng)EUA期貨結(jié)算價(jià)處于較低水平時(shí)，SHAP值為正；然而，隨著該結(jié)算價(jià)的逐步增加，SHAP值轉(zhuǎn)變?yōu)樨?fù)。值得注意的是，EPU指數(shù)、金融指數(shù)、滬深300指數(shù)、NYMEX天然氣期貨收盤(pán)價(jià)以及廣州最低氣溫等因素也表現(xiàn)出類似的影響趨勢(shì)，但動(dòng)力煤期貨結(jié)算價(jià)的影響方式則與之相反。

EUA期貨對(duì)廣東碳價(jià)高風(fēng)險(xiǎn)預(yù)測(cè)的重大貢獻(xiàn)，主要源于歐盟作為全球最大碳排放交易體系的重要地位，市場(chǎng)變動(dòng)對(duì)全球碳市場(chǎng)產(chǎn)生深遠(yuǎn)影響。同時(shí)，在歐盟即將實(shí)施的碳邊界調(diào)整機(jī)制（CBAM）背景下，中國(guó)碳價(jià)也將顯著受到國(guó)際碳價(jià)的影響。此外，經(jīng)濟(jì)政策不確定性指數(shù)（EPU）也是重要的影響因素，它反映了宏觀經(jīng)濟(jì)的波動(dòng)情況，這種波動(dòng)直接影響企業(yè)生產(chǎn)活動(dòng)和碳排放量，從而導(dǎo)致碳價(jià)的變動(dòng)。相比之下，地緣政治風(fēng)險(xiǎn)指數(shù)（GPR）由于長(zhǎng)期重大風(fēng)險(xiǎn)事件發(fā)生頻率較低，對(duì)碳價(jià)波動(dòng)的影響相對(duì)較小。

在經(jīng)濟(jì)方面，金融指數(shù)、匯率及滬深300指數(shù)對(duì)廣東碳市場(chǎng)有顯著影響，表明碳市場(chǎng)與宏觀經(jīng)濟(jì)緊密相關(guān)。金融指數(shù)排第三，反映了金融市場(chǎng)與碳排放的關(guān)聯(lián)。匯率位列第五，其波動(dòng)影響國(guó)際能源價(jià)格及進(jìn)出口，進(jìn)而改變企業(yè)能耗與碳排放。經(jīng)濟(jì)金融指標(biāo)整體靠前，驗(yàn)證了經(jīng)濟(jì)狀況對(duì)碳價(jià)波動(dòng)的影響。相較之下，工業(yè)指數(shù)排名靠后，因其僅涵蓋少數(shù)能源公司，而多數(shù)受碳市場(chǎng)監(jiān)管行業(yè)未納入。

此外，中國(guó)碳市場(chǎng)易受國(guó)內(nèi)能源價(jià)格影響。煤炭、天然氣和油價(jià)等能源價(jià)格指標(biāo)排名均較高，其中煤炭?jī)r(jià)格影響最大。廣東碳市場(chǎng)主要涉及高排放的發(fā)電、化工企業(yè)，動(dòng)力煤是主要能源，故煤炭?jī)r(jià)格對(duì)碳價(jià)預(yù)警至關(guān)重要。天然氣作為發(fā)電比例逐漸增加的低碳轉(zhuǎn)型能源，價(jià)格也對(duì)碳價(jià)有重要影響。盡管油價(jià)影響不及煤炭和天然氣，但仍不可忽視。

環(huán)境因素指標(biāo)排名靠后。極端氣溫導(dǎo)致能源公司碳排放量增加，引發(fā)碳價(jià)高波動(dòng)。公眾關(guān)注度方面，“碳交易”搜索指數(shù)和GDEA成交量排名靠后，可能因公眾關(guān)注度滯后，成交量與價(jià)格關(guān)系復(fù)雜，故搜索趨勢(shì)和成交量對(duì)碳價(jià)影響不顯著。

3結(jié)論

文章采用馬爾科夫區(qū)制轉(zhuǎn)換模型對(duì)碳價(jià)風(fēng)險(xiǎn)狀態(tài)進(jìn)行劃分，高風(fēng)險(xiǎn)狀態(tài)與實(shí)際相符，能準(zhǔn)確反映碳價(jià)高波動(dòng)期。同時(shí)，XGBoost預(yù)測(cè)性能顯著優(yōu)于其他機(jī)器學(xué)習(xí)模型，準(zhǔn)確率高，適用于碳價(jià)預(yù)警。SHAP解釋結(jié)果顯示，廣東碳價(jià)高風(fēng)險(xiǎn)狀態(tài)的前八個(gè)關(guān)鍵影響特征主要來(lái)自國(guó)際碳價(jià)、不確定因素、經(jīng)濟(jì)狀況和能源價(jià)格。其中，EUA期貨結(jié)算價(jià)、EPU、金融指數(shù)、滬深300指數(shù)、NYMEX天然氣期貨收盤(pán)價(jià)特征值越大，高風(fēng)險(xiǎn)概率越小；而動(dòng)力煤期貨結(jié)算價(jià)特征值增加時(shí)，高風(fēng)險(xiǎn)概率增加。