融合氣候風險信息的能源行業(yè)股票市場預(yù)測研究

朱衛(wèi)東 王欣冉

【摘 要】 金融體系越來越多地面臨氣候變化帶來的風險，如何避免氣候風險帶來的資產(chǎn)損失已經(jīng)成為了投資者研究的重要問題。文章深入分析了氣候風險對能源行業(yè)股票市場的影響機制，并在該理論的基礎(chǔ)上，構(gòu)建了基于百度搜索指數(shù)的氣候風險信息數(shù)據(jù)，利用基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短期記憶網(wǎng)絡(luò)（LSTM）的能源行業(yè)股票市場預(yù)測深度學習模型，選取電力設(shè)備及新能源行業(yè)、石油石化行業(yè)和煤炭行業(yè)的行業(yè)指數(shù)作為預(yù)測對象，使用2011年9月1日至2022年8月31日的氣候風險關(guān)鍵詞的百度搜索指數(shù)和行業(yè)指數(shù)歷史信息數(shù)據(jù)，檢驗不同類型氣候風險信息數(shù)據(jù)對預(yù)測能源行業(yè)指數(shù)的有效性。實證結(jié)果發(fā)現(xiàn)：將氣候風險信息引入到行業(yè)指數(shù)預(yù)測模型中，可以有效地提高指數(shù)預(yù)測準確度；氣候物理風險和氣候轉(zhuǎn)型風險對不同能源行業(yè)產(chǎn)生不同的影響，且可以提高預(yù)測的準確性。研究結(jié)論能夠為市場參與者制定投資策略、風險防范和戰(zhàn)略選擇提供重要參考。

【關(guān)鍵詞】 氣候風險； 行業(yè)指數(shù)預(yù)測； 深度學習； 混合神經(jīng)網(wǎng)絡(luò)

【中圖分類號】 F832.5? 【文獻標識碼】 A? 【文章編號】 1004-5937（2023）21-0066-07

一、引言

近年來頻發(fā)的氣候風險事件常被認為是影響股票市場變化的重要因素，最近的文獻也指出，氣候風險和極端天氣對股票市場會產(chǎn)生多樣化的影響。Bourdeau-Brien et al.[1]發(fā)現(xiàn)，在非常短的災(zāi)害事件期內(nèi)（1—5天），股票回報率不會產(chǎn)生異?；貓螅坏趦傻饺齻€月的事件期內(nèi)，氣候災(zāi)害會顯著影響股票回報。颶風、洪水、極端溫度和嚴冬天氣后，股票收益的波動會明顯增加。Bansal et al.[2]發(fā)現(xiàn)，未來氣候政策行動的可能性的增加，會導致氣候政策風險敞口較高的公司股票價格下降。世界氣象組織（WMO）對過去50年（1970—2019年）中全球由于極端氣候事件引起的死亡和經(jīng)濟損失進行了評估，指出由于氣候事件引起的災(zāi)害占所有災(zāi)害數(shù)量的50%，占死亡人數(shù)的45%以及經(jīng)濟損失的74%，其中91%的死亡都發(fā)生在發(fā)展中國家[3]。聯(lián)合國亞洲及太平洋經(jīng)濟社會委員會（ESCAP）在2013年也指出，2006—2010年，自然災(zāi)害造成的經(jīng)濟損失超過亞太地區(qū)低收入國家GDP的1%，但僅占發(fā)達國家GDP的0.1%。這是因為發(fā)展中國家抗災(zāi)基礎(chǔ)設(shè)施欠發(fā)達、財政空間不足和應(yīng)對機制有限，導致許多發(fā)展中國家抗災(zāi)能力較低[4]。

中國是最大的發(fā)展中國家，氣候變化帶來的物理風險覆蓋面廣、涉及領(lǐng)域多，氣候脆弱性更強。同時作為世界上最大的能源消費國和碳排放國，中國的金融體系也會面臨嚴重的轉(zhuǎn)型風險。黨的二十大報告指出“我們要推進美麗中國建設(shè)，堅持山水林田湖草沙一體化保護和系統(tǒng)治理，統(tǒng)籌產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、污染治理、生態(tài)保護、應(yīng)對氣候變化，協(xié)同推進降碳、減污、擴綠、增長，推進生態(tài)優(yōu)先、節(jié)約集約、綠色低碳發(fā)展”。在推動碳達峰碳中和的變革中，控制傳統(tǒng)能源消費、推動能源清潔低碳高效利用和加快規(guī)劃建設(shè)新型能源體系，是我國應(yīng)對全球氣候變化的主要方式。那么，氣候風險如何對我國能源行業(yè)股票市場造成波動影響？氣候風險信息能否提高我國能源行業(yè)股票市場的預(yù)測精度？不同類型的氣候風險信息的有效性有何不同？解決這些問題能夠為市場參與者制定投資策略、防范風險和戰(zhàn)略選擇提供重要參考。

本文構(gòu)建了結(jié)合CNN和LSTM兩種不同網(wǎng)絡(luò)結(jié)構(gòu)的深度學習模型框架，用于預(yù)測能源行業(yè)股票市場指數(shù)，通過CNN模型提取氣候風險信息時間序列的短時特征，通過LSTM模型提取行業(yè)指數(shù)歷史信息時間序列的長期依賴性特征，再將提取的特征一起輸入全連接神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測的行業(yè)指數(shù)。通過選取2011年9月1日至2022年8月31日的日度數(shù)據(jù)，利用百度搜索提取氣候風險關(guān)鍵詞的指數(shù)信息，作為氣候風險信息的特征數(shù)據(jù)，并根據(jù)氣候風險的特征將其分為氣候物理風險和氣候轉(zhuǎn)型風險，以不同的數(shù)據(jù)集與行業(yè)指數(shù)歷史信息數(shù)據(jù)一起輸入相應(yīng)的模型中，模型預(yù)測能力的強弱能夠反映氣候風險信息數(shù)據(jù)解釋行業(yè)指數(shù)變化的能力強弱，用以解釋氣候風險信息數(shù)據(jù)在預(yù)測能源行業(yè)指數(shù)研究中的有效性。

與現(xiàn)有文獻相比，本文的貢獻如下：第一，在指標的構(gòu)建上，選取了不同類型的氣候風險數(shù)據(jù)，并將其分為氣候物理風險數(shù)據(jù)、氣候轉(zhuǎn)型風險數(shù)據(jù)和總數(shù)據(jù)，完整地包含了不同氣候風險的影響，并利用百度搜索指數(shù)量化衡量氣候風險信息，更好地反映了投資者在氣候變化風險事件中的反應(yīng)；第二，應(yīng)用混合神經(jīng)網(wǎng)絡(luò)的深度學習模型來評估氣候風險對能源行業(yè)股票市場預(yù)測能力的影響，不僅豐富了“氣候變化與金融市場”和“融合外部信息的股價預(yù)測”這兩個領(lǐng)域的研究，還具有一定的實用性；第三，發(fā)現(xiàn)了氣候信息有效性對不同的能源行業(yè)有不同的效果，對電力設(shè)備及新能源行業(yè)的性能提升最大，高達80%，其中氣候轉(zhuǎn)型風險信息的有效性更強。其次是煤炭行業(yè)，性能提升高達60%，最差的是石油石化行業(yè)，但也有30%的性能提升，且對于這兩個行業(yè)來說，綜合兩類氣候風險類型的數(shù)據(jù)帶來的信息有效性最強。

二、文獻綜述與理論分析

氣候風險是一個復(fù)雜的概念，它需要綜合考慮多種因素，包括氣候變化的速度和規(guī)模、社會和經(jīng)濟系統(tǒng)的脆弱性、環(huán)境管理和政策措施等?，F(xiàn)在的學術(shù)研究中，主要將氣候風險分成兩類：物理風險和轉(zhuǎn)型風險。

氣候物理風險是指由氣候變化所引起的自然災(zāi)害、極端氣候事件等對實體經(jīng)濟和金融市場帶來的風險。Bansal et al.[2]指出物理氣候風險與股票回報相關(guān)的經(jīng)濟學原理是，如果溫度風險代表了消費的未來風險，那么更容易受到長期風險影響的公司在當下應(yīng)該向投資者提供更高的風險溢價。能源行業(yè)是全球溫室氣體排放的主要來源之一，同時也是氣候變化的直接受益者或受害者之一。Giglio et al.[5]指出，金融市場是緩解和對沖氣候風險的主要工具，通過促進投資資本流向綠色項目，遠離棕色產(chǎn)業(yè)和企業(yè)，對相關(guān)產(chǎn)業(yè)的股票池上產(chǎn)生不同的影響，來減輕氣候風險。具體而言，氣候變化對煤炭、石油、天然氣等傳統(tǒng)能源行業(yè)的影響最為顯著。Giglio et al.[5]指出，化石燃料是生產(chǎn)的關(guān)鍵投入，因此經(jīng)濟增長會增加溫室氣體排放，這些排放導致了氣候變化，而氣候變化對未來的經(jīng)濟活動具有潛在的巨大負反饋效應(yīng)。首先，極端氣候事件可能導致能源企業(yè)的生產(chǎn)和運營受到影響。例如，氣候變化引發(fā)的極端氣候事件可能導致煤炭、石油和天然氣的產(chǎn)量下降，供應(yīng)鏈中斷和生產(chǎn)設(shè)施受損，氣候變化對鐵路、港口等交通基礎(chǔ)設(shè)施的破壞會導致銷售渠道阻塞[6]，從而影響能源企業(yè)的利潤和股票價格。楊璐等[7]利用天氣數(shù)據(jù)和中國工業(yè)企業(yè)的微觀數(shù)據(jù)，發(fā)現(xiàn)高溫會降低工業(yè)企業(yè)的全要素生產(chǎn)率、固定資產(chǎn)總值和創(chuàng)新能力，進而會影響企業(yè)的產(chǎn)出。其次，氣候變化帶來的極端天氣事件和自然災(zāi)害可能引發(fā)全球能源市場供需變化。消費者或?qū)⑻幱诒Ｗo環(huán)境的責任感拒絕購買高能耗、高排放企業(yè)提供的產(chǎn)品和服務(wù)[8]。對于進口依賴度較高的國家而言，這種供需變化可能導致能源價格上漲，進而影響能源企業(yè)的成本和股票價格。此外，氣候變化還可能影響傳統(tǒng)能源企業(yè)的品牌價值和聲譽，如傳統(tǒng)能源企業(yè)的環(huán)保形象和社會責任形象，可能因為氣候物理風險事件的發(fā)生而受到損害，從而影響其股票價格。

對于新能源行業(yè)的企業(yè)，氣候物理風險對其的影響是復(fù)雜的。當氣候物理風險導致市場需求變化時，新能源企業(yè)的股票價格可能會受到積極影響。例如，由于干旱導致傳統(tǒng)能源需求減少，新能源企業(yè)可能會受益于其更環(huán)保和可持續(xù)的生產(chǎn)方式，進而獲得更多的市場份額和更高的收益，從而提高其股票價格。盡管可再生能源在生產(chǎn)過程中不會產(chǎn)生溫室氣體，但氣候物理風險仍可能對其股票價格產(chǎn)生負面影響。例如，當颶風或暴雨導致太陽能或風力發(fā)電站無法正常運轉(zhuǎn)時，新能源企業(yè)的收益可能會下降，從而降低其股票價格。此外，由于新能源企業(yè)的成本較高，當氣候物理風險導致其生產(chǎn)和運營成本增加時，企業(yè)的收益可能會受到影響，進而降低其股票價格。

氣候轉(zhuǎn)型風險是指在應(yīng)對氣候變化、轉(zhuǎn)向可持續(xù)發(fā)展型經(jīng)濟的過程中，由于政策轉(zhuǎn)變、技術(shù)革新、市場情緒與偏好變化、商業(yè)模式改變等帶來的風險。氣候轉(zhuǎn)型風險對傳統(tǒng)能源行業(yè)股票價格產(chǎn)生多為負面影響。隨著政策趨勢向可再生能源的轉(zhuǎn)型，政府對于傳統(tǒng)能源行業(yè)的監(jiān)管力度也在不斷加強，煤炭和石油公司會面臨更嚴格的監(jiān)管和環(huán)境稅收，額外的環(huán)境成本和法律訴訟風險，如碳稅、排放限制和環(huán)保訴訟等。這些額外的成本和風險可能影響能源企業(yè)的利潤率和股票價格。Barnett[9]使用事件研究法探索了監(jiān)管風險對金融市場的影響。他發(fā)現(xiàn)，未來氣候政策行動的可能性的增加，會導致氣候政策風險敞口較高的公司股票價格下降。同時，隨著可再生能源技術(shù)的持續(xù)開發(fā)與應(yīng)用，新能源的成本越來越低，市場規(guī)模越來越大，世界上也有越來越多的國家與地區(qū)正在推進向低碳經(jīng)濟的轉(zhuǎn)變，他們已經(jīng)開始逐漸改變對傳統(tǒng)能源的依賴，以可再生能源為主要的能源來源。這些都會導致傳統(tǒng)能源行業(yè)的成本增加和盈利減少。Faccini et al.[10]通過文本分析發(fā)現(xiàn)，美國的氣候政策變化風險在股票價格中被定價，且投資者會采用更具環(huán)保意愿的公司對沖即將到來的轉(zhuǎn)型風險。

對于新能源行業(yè)，氣候轉(zhuǎn)型風險使其面臨著重大的市場機遇和風險。首先，隨著全球?qū)稍偕茉吹男枨笾饾u增加，新能源行業(yè)的市場規(guī)模也在不斷擴大，新能源行業(yè)已經(jīng)成為未來主流發(fā)展行業(yè)的趨勢之一。例如，太陽能、風能和水力發(fā)電等可再生能源已經(jīng)成為了市場上的主流，這些行業(yè)的股票價格也在不斷上漲。Antoniuk et al.[11]認為，對清潔能源發(fā)展的預(yù)期是推動新能源行業(yè)和其行業(yè)股價的主要因素之一，如果氣候變化政策支持向低碳經(jīng)濟轉(zhuǎn)型，就可以為清潔能源創(chuàng)造有利條件，使得未來清潔能源的價格可能進一步下降。政府對可再生能源的支持力度不斷加強，不斷推動向可再生能源的轉(zhuǎn)型方面投入更多的資金和資源，新能源行業(yè)的技術(shù)創(chuàng)新也在不斷提高，這些因素提高了新能源行業(yè)的市場競爭力，共同推動了新能源行業(yè)的發(fā)展和壯大，對該行業(yè)的股票價格產(chǎn)生了積極的影響。但是，由于新能源行業(yè)發(fā)展時間相對較短，其產(chǎn)能和市場份額相對較小，技術(shù)和商業(yè)模式也相對不穩(wěn)定，市場風險也相對較大，因此在競爭激烈的市場中難以與傳統(tǒng)能源行業(yè)一較高下。

三、研究設(shè)計

（一）數(shù)據(jù)集的設(shè)置

在現(xiàn)有文獻中，許多方法被用來衡量氣候風險信息，例如當?shù)氐钠骄鶜鉁?、華爾街日報的新聞指數(shù)等。但隨著信息技術(shù)的進步，越來越多的研究人員開始使用新的數(shù)據(jù)技術(shù)來衡量影響因素，試圖從行為金融的角度研究其在股票回報預(yù)測方面的能力[12-15]。Engle et al.[16]從投資者注意力的角度，提出利用新聞指數(shù)構(gòu)建氣候風險信息時間序列。他認為，當有關(guān)氣候風險變化的事件發(fā)生時，可能會導致報紙報道這些事件，同時報紙甚至可能是投資者用來更新其氣候風險主觀認知的直接來源。因此，從新聞的文本中提取氣候新聞，并進行相應(yīng)的計算，構(gòu)建了一個氣候風險時間序列。

但新聞報道往往會造成信息不對稱，并且會向投資者傳達撰寫者的新聞情緒，促使新聞產(chǎn)生一定的偏向性。許多學者指出搜索量指數(shù)被認為是衡量投資者對事件的認知和關(guān)注更為合理的方法，主要原因如下：（1）不管是國內(nèi)還是國外，搜索引擎能夠提供高度多樣化的信息，這意味著投資者注意力的變化會直接反映在搜索引擎的搜索量上[17]；（2）現(xiàn)代投資者更喜歡通過網(wǎng)絡(luò)媒體獲取信息；（3）在線搜索有助于避免間接代理帶來的問題，如新聞標題[18]、心理障礙[19]或銷量[20]。Gu et al.[21]也指出，每一次極端天氣事件的發(fā)生都會增加人們對氣候變化的感知風險。因此，本文選取百度搜索指數(shù)，主要是因為百度是國內(nèi)網(wǎng)民比較傾向于使用的搜索引擎之一，人們也習慣了用該平臺來查詢自己感興趣的事情。因此，將選取以下關(guān)鍵詞作為氣候風險信息的關(guān)鍵詞，具體如表1所示。

由于百度搜索指數(shù)的時間限制，本文選取從2011年9月1日到2022年8月31日的百度搜索指數(shù)。針對這些氣候風險關(guān)鍵詞，在百度搜索指數(shù)中進行搜索，選取PC+移動的總數(shù)據(jù)，利用Python爬蟲技術(shù)，將每日的數(shù)據(jù)匯總起來。

本文選取A股上市公司的行業(yè)指數(shù)作為能源股票市場的研究對象，按中信證券的一級分類，選擇石油石化行業(yè)、煤炭行業(yè)、電力設(shè)備和新能源行業(yè)的行業(yè)指數(shù)。本文所選取的數(shù)據(jù)時間跨度為2011年9月1日至2022年8月31日，收集行業(yè)指數(shù)的日度信息，共計2 674個交易日。選取的行業(yè)指數(shù)歷史信息特征變量分別是開盤價、收盤價、最高價、最低價、成交量（手）、成交金額（萬元）、換手率（%），輸出數(shù)據(jù)為下一天的行業(yè)指數(shù)。所有數(shù)據(jù)均來自于Choice金融終端。

在模型訓練之前，有必要將所有的行業(yè)指數(shù)進行歸一化操作，其他指標也需進行歸一化處理，從而統(tǒng)一量綱。本文采用min-max標準化方法進行數(shù)據(jù)的標準化，轉(zhuǎn)換公式如下所示：

其中，Xmin是樣本中該指標的最小值，Xmax是樣本中該指標的最大值，通過該方法，可將變換后的數(shù)據(jù)范圍控制在［0，1］內(nèi)。

由于所使用的數(shù)據(jù)是一組時間序列，所以本文將這些數(shù)據(jù)按時間順序進行了8■2的劃分，即所選股票2011年9月1日至2020年6月22日的數(shù)據(jù)作為訓練集，2020年6月23日至2022年8月31日的數(shù)據(jù)作為測試集。

（二）預(yù)測模型的構(gòu)建及評價指標

1.預(yù)測模型的構(gòu)建

行業(yè)指數(shù)預(yù)測任務(wù)的基本數(shù)據(jù)是行業(yè)指數(shù)的歷史信息，通過模型從歷史數(shù)據(jù)中挖掘出有利于行業(yè)指數(shù)預(yù)測的信息，對行業(yè)指數(shù)的未來趨勢做出預(yù)測。但是，時間序列數(shù)據(jù)還受到其他因素的影響，例如季節(jié)性、趨勢性、市場因素等。如果只考慮時間，可能會忽略其他影響因素對時間序列數(shù)據(jù)的影響，導致對數(shù)據(jù)的分析和預(yù)測出現(xiàn)偏差。在我國股票市場中，中小投資者數(shù)量眾多，他們獲取信息的渠道有限，網(wǎng)絡(luò)搜索是他們獲取信息、尋找投資機會的重要且最直接的方式。當投資者在網(wǎng)絡(luò)上搜索氣候風險的相關(guān)信息時（例如：洪水、颶風、節(jié)能減排等），說明投資者對氣候風險產(chǎn)生了關(guān)注，并進一步了解到氣候風險的概念和產(chǎn)生的相關(guān)損失，而這種關(guān)注在發(fā)生極端天氣后更加明顯。當投資者經(jīng)歷并意識到氣候風險時，他們通過了解氣候風險的相關(guān)信息，改變認知。如果投資者改變了對氣候風險的看法，他們就可能會買入氣候敏感性較低的股票，賣出敏感性較高的股票。投資者對于氣候風險的關(guān)注是影響股票市場的重要因素。因此，引入氣候風險這一相關(guān)性因素可以提高行業(yè)指數(shù)預(yù)測模型的可解釋性和輸入特征的豐富性，從而提高模型的準確度。這種方法可以在一定程度上提高模型對時間序列數(shù)據(jù)的預(yù)測準確度，使預(yù)測結(jié)果更加可靠。

不同的深度學習模型有不同的數(shù)據(jù)提取特點，CNN模型通過局部連接、權(quán)重共享和下采樣這三個特性，使得CNN模型可以很好地捕捉數(shù)據(jù)中的局部特征；LSTM模型通過記憶單元和門結(jié)構(gòu)，通過信息傳遞過程中對信息進行保留或舍棄的操作，能夠捕捉到時間序列中的長期信息特征。兩者相結(jié)合，可以彌補LSTM對異常值過于敏感的缺點，也能夠解決CNN模型無法學習時間序列數(shù)據(jù)的問題。因此，本文基于集成學習的思想，使用CNN-LSTM模型，對氣候風險數(shù)據(jù)和行業(yè)指數(shù)歷史數(shù)據(jù)進行建模，預(yù)測行業(yè)指數(shù)的漲跌情況。

本文所構(gòu)建的CNN-LSTM模型如圖1所示，共包含三個過程：（1）用于提取氣候風險信息時間序列短期特征的CNN模型，通過卷積層與池化層的特征提取后，獲得［64，64］的短時特征向量；（2）用于提取行業(yè)指數(shù)歷史信息長期依賴性的LSTM模型，通過輸入模型后，提取出隱藏層特征，獲得［64，64］的歷史信息特征數(shù)據(jù)；（3）通過將兩個模型提取的特征數(shù)據(jù)進行拼接，同時輸入全連接神經(jīng)網(wǎng)絡(luò)，最終預(yù)測行業(yè)指數(shù)的第二日收盤價。

2.預(yù)測模型的參數(shù)設(shè)置

本文所構(gòu)造的CNN-LSTM模型主要有3個主體結(jié)構(gòu)，分別為提取氣候風險信息時間序列短期特征的CNN模型、提取行業(yè)指數(shù)歷史信息時間序列長期依賴性的LSTM模型、對合并的數(shù)據(jù)進行處理并輸出預(yù)測值的全連接神經(jīng)網(wǎng)絡(luò)模型。

本文設(shè)置兩個卷積層和池化層，結(jié)構(gòu)是“輸入層——卷積層——池化層——卷積層——池化層”。具體的參數(shù)如表2所示。

LSTM模型的架構(gòu)由2層網(wǎng)絡(luò)層構(gòu)成：輸入層和隱藏層（LSTM layer1）。具體參數(shù)選擇如表3。

最后一個模型是全連接神經(jīng)網(wǎng)絡(luò)模型，通過CNN模型和LSTM模型對特征進行提取，并將提取特征進行拼合，輸入到全連接神經(jīng)網(wǎng)絡(luò)模型中。全連接神經(jīng)網(wǎng)絡(luò)模型的輸入層節(jié)點數(shù)為128，輸出層節(jié)點數(shù)為1。

3.模型預(yù)測精度的評價指標

本文進行的試驗是對股票價格的預(yù)測，因此選取的評價指標為均方誤差（MSE）、平均絕對誤差（MAE）以及可解釋方差值（R2），計算公式如下所示。

其中，yi是真實結(jié)果，i是預(yù)測結(jié)果，代表均值，m表示預(yù)測的數(shù)量。MSR與MAE的值越小，則表示該模型的預(yù)測準確度越高，R2的結(jié)果越接近1，訓練出的模型效果越好。

（三）對比模型設(shè)置

為了探討氣候風險信息對股價預(yù)測精度的提高，本文通過對比輸入不同數(shù)據(jù)集的預(yù)測模型準確度，包括：（1）對比本文構(gòu)建的模型CNN-LSTM-CRI與只有行業(yè)指數(shù)歷史信息數(shù)據(jù)的LSTM模型和只加入物理風險信息或轉(zhuǎn)型風險信息的預(yù)測模型的表現(xiàn)，評估氣候風險信息的作用；（2）通過對比不同行業(yè)指數(shù)的CNN-LSTM-Physical與CNN-LSTM-Transition模型表現(xiàn)，探尋物理風險信息和轉(zhuǎn)型風險信息對不同行業(yè)股票市場的貢獻差異。具體模型數(shù)據(jù)集設(shè)置如表4所示。

四、實證結(jié)果分析

通過將不同的氣候風險信息數(shù)據(jù)與行業(yè)指數(shù)歷史信息數(shù)據(jù)相組合，將其輸入CNN-LSTM模型中，對不同數(shù)據(jù)集下的模型預(yù)測效果進行評價。

在對三種行業(yè)指數(shù)進行的數(shù)據(jù)集預(yù)測性能對比實驗中，僅包含行業(yè)指數(shù)歷史信息特征數(shù)據(jù)（Feature）的預(yù)測效果最差。相比于Feature數(shù)據(jù)集，添加氣候轉(zhuǎn)型風險信息數(shù)據(jù)（Physical）和氣候轉(zhuǎn)型風險信息數(shù)據(jù)（Transition）的數(shù)據(jù)集預(yù)測經(jīng)過均得到了顯著提升，且不同的數(shù)據(jù)集在不同的行業(yè)指數(shù)中所起到的提升效果不同。相比于單一數(shù)據(jù)集，混合數(shù)據(jù)集的預(yù)測效果有些有顯著提升，有些反而產(chǎn)生噪聲，降低了預(yù)測準確性。

通過對試驗結(jié)果進行進一步的分析，可以得出：第一，投資者對氣候風險的關(guān)注數(shù)據(jù)顯著優(yōu)于單一指數(shù)信息數(shù)據(jù)集的表現(xiàn)。極端氣候風險的突發(fā)事件（例如洪水、颶風、干旱、野火、極端溫度等）可能會導致投資者注意力的變化，并導致投資者對下一階段的宏觀經(jīng)濟狀況和相關(guān)行業(yè)公司的股票價格做出新的判斷，促使投資者做出新的投資決策，并影響公司的股票回報。投資者關(guān)注度的變化是多種因素綜合作用的結(jié)果，包括新聞報道和氣候風險的突發(fā)事件，所有這些因素都會導致公司股票價格的變化。因此，使用投資者對氣候風險的關(guān)注數(shù)據(jù)，對能源行業(yè)股票市場進行預(yù)測，既可測出極端氣候事件對股市的沖擊，又可測出"非理性"的人為因素對股市的沖擊，使神經(jīng)網(wǎng)絡(luò)能更好地從原始噪音中挖掘出更多更有用的信息，進而提升股市的預(yù)測精度。

第二，不同的氣候風險類型信息對不同行業(yè)所產(chǎn)生的影響也不同。對于電氣設(shè)備及新能源行業(yè)來說，氣候轉(zhuǎn)型風險信息數(shù)據(jù)對行業(yè)指數(shù)的預(yù)測提升十分顯著，在行業(yè)指數(shù)歷史信息特征數(shù)據(jù)的基礎(chǔ)上添加氣候轉(zhuǎn)型風險信息數(shù)據(jù)，預(yù)測模型的MSE值下降了85.72%，MAE值下降了55.63%；而在加入氣候物理風險信息數(shù)據(jù)后，MSE值和MAE值反而上升，這說明對于電氣設(shè)備及新能源行業(yè)來說，氣候轉(zhuǎn)型風險信息所帶來的預(yù)測性能提升遠大于氣候物理風險，再加入氣候物理風險數(shù)據(jù)還會對模型產(chǎn)生一定的噪聲干擾，影響氣候轉(zhuǎn)型風險信息的預(yù)測效果。這可能是由于樣本數(shù)量的限制，使得有效性不高的數(shù)據(jù)無法被模型完全學習，對模型的預(yù)測造成一定的干擾。而對于石油石化和煤炭行業(yè)，氣候轉(zhuǎn)型風險信息數(shù)據(jù)和氣候轉(zhuǎn)型風險信息數(shù)據(jù)都對模型預(yù)測性能有明顯的提升，同時加入兩個數(shù)據(jù)集，更是使得模型的預(yù)測能力進一步提升。

五、結(jié)論與啟示

隨著極端天氣的發(fā)生頻率和強度不斷增加，氣候風險在金融市場中已經(jīng)成為了不可避免的風險，世界各地的投資者都渴望能夠有效地避免氣候風險帶來的損失。本文深入分析了氣候風險對能源行業(yè)股票市場的影響機制，在該理論的基礎(chǔ)上，提出了融合氣候風險信息的能源行業(yè)股票市場預(yù)測深度學習模型，選取電力設(shè)備及新能源行業(yè)、石油石化行業(yè)和煤炭行業(yè)的行業(yè)指數(shù)作為預(yù)測對象。并根據(jù)氣候風險的特征，將其分為氣候物理風險和氣候轉(zhuǎn)型風險，構(gòu)建不同的數(shù)據(jù)集，檢驗數(shù)據(jù)的有效性。為了更好地提取特征的信息，構(gòu)建了CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)，利用CNN模型提取氣候風險信息時間序列的短時特征，利用LSTM模型提取行業(yè)指數(shù)歷史信息的長期依賴性特征，再將提取的特征組合輸入全連接神經(jīng)網(wǎng)絡(luò)，用以預(yù)測第二日的收盤價。

本文的研究結(jié)論如下：（1）將氣候風險信息引入到行業(yè)指數(shù)預(yù)測模型中，可以有效地提高指數(shù)預(yù)測準確度。（2）氣候轉(zhuǎn)型風險和氣候物理風險對電力設(shè)備及新能源行業(yè)指數(shù)的預(yù)測性能提升80%，極大地改善了對新能源行業(yè)的預(yù)測能力；石油石化行業(yè)提升了60%，煤炭行業(yè)提升效果最差，但也可以提升約30%。

本文的研究結(jié)果有利于規(guī)避氣候風險的投資者對能源行業(yè)進行投資，尤其是電力設(shè)備及新能源行業(yè)，在添加氣候風險信息數(shù)據(jù)前，深度學習模型難以從歷史信息中提取到有效的預(yù)測信息，而加入氣候風險信息后，大大提高了模型的預(yù)測能力。利用該模型，能夠為投資者提供有效的投資建議。

除此之外，本文的實證結(jié)果表明，氣候物理風險和氣候轉(zhuǎn)型風險對傳統(tǒng)能源和新能源行業(yè)的影響都很大，對于傳統(tǒng)行業(yè)的公司管理者來說，收縮公司的氣候風險敞口，積極關(guān)注氣候轉(zhuǎn)型風險的政策和技術(shù)，對于保持公司的長遠穩(wěn)定發(fā)展十分重要。對于新能源行業(yè)，轉(zhuǎn)型風險對新能源行業(yè)的影響程度更深，該行業(yè)的公司管理者更應(yīng)時刻關(guān)注相關(guān)政策，不斷研發(fā)精進新能源技術(shù)，抓住市場機遇，提高自身能力，提高公司的價值。

【參考文獻】

［1］ BOURDEAU-BRIEN M，KRYZANOWSKI L.The impact of natural disasters on the stock returns and volatilities of local firms［J］.The Quarterly Review of Economics and Finance，2017，63：259-270.

［2］ BANSAL R，OCHOA M，KIKU D.Climate change and growth risks［R］.National Bureau of Economic Research，2016.

［3］ 張帥，陸利平，張興敏.金融系統(tǒng)氣候風險的評估、定價與政策應(yīng)對：基于文獻的評述［J］.金融評論，2022，

14（1）：99-120，124.

［4］ BAYOUMI M T，QUAYYUM M S N，DAS S.Growth at risk from natural disasters［M］.International Monetary Fund，2021.

［5］ GIGLIO S，KELLY B，STROEBEL J.Climate finance［D］.CESifo Working Paper Series，2020.

［6］ JONES B F，OLKEN B A.Climate shocks and exports［J］.American Economic Review，2010，100.

［7］ 楊璐，史京曄，陳曉光.溫度變化對中國工業(yè)生產(chǎn)的影響及其機制分析［J］.經(jīng)濟學（季刊），2020（5）：22.

［8］ 高睿，王營，曹廷求.氣候變化與宏觀金融風險——來自全球58個代表性國家的證據(jù)［J］.南開經(jīng)濟研究，2022，225（3-20）.

［9］ BARNETT M.Climate change and uncertainty：An asset pricing perspective［Z］.Management Science，2023.

［10］ FACCINI R，MATIN R，SKIADOPOULOS G S.Dissecting climate risks：are they reflected in stock prices？［J］.Journal of Banking & Finance，2023，115.

［11］ ANTONIUK Y，THOMAS L.Climate change events and stock market returns［J］.Journal of Sustainable Finance & Investment，2021：27.

［12］ 趙慶國，曲曉宇.投資者情緒對中國不同行業(yè)股票收益率的影響［J］.會計之友，2022（14）：54-60.

［13］ 杜劍，楚琦，楊楊.投資者情緒、衍生金融工具與股票收益［J］.會計之友，2020（13）：8-14.

［14］ AUDRINO F，TETEREVA A.Sentiment spillover effects for US and European companies［J］.Journal of Banking & Finance，2019，106：542-567.

［15］ YIN L，F(xiàn)ENG J.Can investors attention on oil markets predict stock returns？［J］.The North American Journal of Economics and Finance，2019，4（48）：786-800.

［16］ ENGLE R F，GIGLIO S，KELLY B.Hedging climate change news［J］.The Review of Financial Studies，2020，33（3）：1184-1216.

［17］ YU L，ZHAO Y，LING T.Online big data-driven oil consumption forecasting with Google trends［J］.International Journal of Forecasting，2018，35（1）：213-223.

［18］ YU，YUAN.Market-wide attention，trading，and stock returns［J］.Journal of Financial Economics，2015，116（3）：548-564.

［19］ AGGARWAL R，LUCEY B M.Psychological barriers in gold prices？［J］.Institute for International Integration Studies Discussion Paper，2005，16（2）：217-230.

［20］ BARBER B M，ODEAN T.All that glitters：The effect of attention and news on the buying behavior of individual and institutional investors［J］.Review of Financial Studies，2008（2）：785-818.

［21］ GU G W，HALE G.Climate risks and FDI［J/OL］.Journal of International Economics，2023.