中國(guó)碳金融市場(chǎng)壓力：指數(shù)構(gòu)建、狀態(tài)識(shí)別與趨勢(shì)預(yù)測(cè)

【摘要】構(gòu)建碳金融市場(chǎng)壓力指數(shù)能夠綜合刻畫(huà)碳金融市場(chǎng)的風(fēng)險(xiǎn)狀態(tài)， 幫助市場(chǎng)參與者前瞻性評(píng)估碳金融市場(chǎng)的潛在風(fēng)險(xiǎn)水平。本文將GARCH模型與主成分分析法相結(jié)合構(gòu)建中國(guó)碳金融市場(chǎng)壓力指數(shù)， 基于MS-AR模型識(shí)別碳金融市場(chǎng)風(fēng)險(xiǎn)， 并應(yīng)用PatchTST神經(jīng)網(wǎng)絡(luò)模型進(jìn)行壓力指數(shù)趨勢(shì)預(yù)測(cè)。結(jié)果表明： 中國(guó)碳金融市場(chǎng)壓力指數(shù)總體呈現(xiàn)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(shù)表現(xiàn)為趨勢(shì)性增長(zhǎng)態(tài)勢(shì)且周期較為穩(wěn)定， 疫情后壓力指數(shù)波動(dòng)加劇且周期顯著縮短。MS（2）-AR（2）模型顯示碳金融市場(chǎng)壓力指數(shù)波動(dòng)存在高低壓力兩種狀態(tài)， 狀態(tài)內(nèi)持續(xù)性強(qiáng)， 狀態(tài)間轉(zhuǎn)換概率低。與其他模型相比， PatchTST神經(jīng)網(wǎng)絡(luò)模型具有較好的預(yù)測(cè)效果， 未來(lái)64個(gè)交易日內(nèi)壓力指數(shù)呈現(xiàn)出向下波動(dòng)趨勢(shì)， 但仍然處于較高水平。

【關(guān)鍵詞】碳金融市場(chǎng)；壓力指數(shù)；GARCH模型；MS-AR模型

【中圖分類號(hào)】F832" " " 【文獻(xiàn)標(biāo)識(shí)碼】A" " " 【文章編號(hào)】1004-0994（2024）18-0124-6

一、 引言

隨著全球氣候變暖的加劇， 各國(guó)對(duì)氣候問(wèn)題的關(guān)注度越來(lái)越高， 并逐漸形成發(fā)展低碳經(jīng)濟(jì)的共識(shí)。2013年以來(lái)， 我國(guó)相繼在北京、 上海、 重慶、 湖北、 廣東、 深圳等地開(kāi)展碳排放權(quán)交易試點(diǎn)， 并于2021年7月正式上線中國(guó)碳排放交易體系， 中國(guó)碳金融市場(chǎng)正式建立。然而， 中國(guó)建立碳交易市場(chǎng)的時(shí)間相對(duì)較晚， 各項(xiàng)市場(chǎng)配套措施尚不完善， 碳金融市場(chǎng)管理措施有待進(jìn)一步優(yōu)化， 對(duì)碳金融市場(chǎng)風(fēng)險(xiǎn)缺乏有效和準(zhǔn)確的監(jiān)測(cè)。因此， 建立穩(wěn)定可靠的碳金融市場(chǎng)壓力指數(shù)能夠科學(xué)識(shí)別碳金融市場(chǎng)的風(fēng)險(xiǎn)承受狀況， 有效反映樣本域內(nèi)的壓力事件， 并兼具穩(wěn)健性、 逐日監(jiān)測(cè)等優(yōu)點(diǎn)， 為決策者和市場(chǎng)參與者前瞻性評(píng)估潛在風(fēng)險(xiǎn)水平、 選擇政策實(shí)施窗口和評(píng)估政策實(shí)施效果等提供了有力工具。

在金融市場(chǎng)上構(gòu)建壓力指數(shù)的方法由來(lái)已久， 已有文獻(xiàn)主要采用四種方法： 一是等方差加權(quán)方法。陳守東和王妍（2011）對(duì)所選取的月度數(shù)據(jù)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理并賦予每個(gè)指標(biāo)相同的權(quán)重后， 合成金融市場(chǎng)壓力指數(shù)。此方法忽略了指標(biāo)之間信息提供程度的差異性， 存在較強(qiáng)的主觀性。二是信用加總權(quán)重方法。劉曉星和方磊（2012）將各金融子市場(chǎng)信貸份額作為權(quán)重并對(duì)每一子市場(chǎng)內(nèi)指標(biāo)的權(quán)重進(jìn)行分配， 合成月度金融壓力指數(shù)。戴步斌和何文舉（2018）將外匯、 股票、 銀行和保險(xiǎn)分別占總市場(chǎng)比例加總并賦予80%的權(quán)重， 對(duì)國(guó)際金融市場(chǎng)變量賦予20%的權(quán)重， 將二者加總構(gòu)建月度金融壓力指數(shù)。王培輝和康書(shū)生（2017）基于日度和月度混頻數(shù)據(jù)構(gòu)建混頻馬爾可夫動(dòng)態(tài)因素模型進(jìn)行動(dòng)態(tài)賦權(quán)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(quán)重， 忽略了指標(biāo)數(shù)據(jù)之間的關(guān)系， 存在較強(qiáng)的主觀性。三是CRITIC賦權(quán)法。許滌龍和陳雙蓮（2015）、 鄧創(chuàng)和趙珂（2018）在考慮指標(biāo)變異性和指標(biāo)之間沖突性的情況下， 用CRITIC法對(duì)相應(yīng)的指標(biāo)進(jìn)行賦權(quán)合成月度金融壓力指數(shù)。當(dāng)指標(biāo)間的相關(guān)性較強(qiáng)時(shí)， 可能導(dǎo)致某些指標(biāo)的權(quán)重被低估或高估， 從而無(wú)法準(zhǔn)確反映指標(biāo)的實(shí)際狀況。四是主成分分析法。陳忠陽(yáng)和許悅（2016）、 馬勇和黃科（2019）按照各因子方差貢獻(xiàn)率進(jìn)行加權(quán)平均， 進(jìn)而合成周度金融壓力指數(shù)。主成分分析法能夠使指標(biāo)體系更加簡(jiǎn)潔， 有效地剔除數(shù)據(jù)中的噪聲， 數(shù)據(jù)特征更易凸顯， 能夠更為高效地合成金融壓力指數(shù)。

在壓力狀態(tài)識(shí)別上， 已有文獻(xiàn)主要采取三種方法： 一是歷史標(biāo)準(zhǔn)法。Hakkio和Keeton（2009）將過(guò)往金融危機(jī)時(shí)期的壓力指數(shù)數(shù)值作為標(biāo)準(zhǔn)， 當(dāng)超過(guò)這個(gè)標(biāo)準(zhǔn)時(shí)， 就認(rèn)定為高風(fēng)險(xiǎn)時(shí)期， 但此方法只適合在經(jīng)歷過(guò)金融危機(jī)的國(guó)家使用。二是標(biāo)準(zhǔn)差法。章曦（2016）以指數(shù)標(biāo)準(zhǔn)差的兩倍作為閾值， 超過(guò)閾值即為高風(fēng)險(xiǎn)， 反之即為低風(fēng)險(xiǎn)， 但此方法因人為設(shè)定閾值而存在較強(qiáng)的主觀性， 且易受到極端值的影響。三是馬爾可夫區(qū)制轉(zhuǎn)化法。黃啟才和王世杰（2021）、 李敏波和梁爽（2021）用MS-AR模型對(duì)金融壓力指數(shù)進(jìn)行狀態(tài)識(shí)別， 此方法避開(kāi)了以上兩種方法的缺陷， 能夠較為客觀地識(shí)別風(fēng)險(xiǎn)轉(zhuǎn)換狀態(tài)。

目前， 關(guān)于指數(shù)預(yù)測(cè)方法主要有以下兩類： 一是基于ARMA模型進(jìn)行預(yù)測(cè)。陳守東和王妍（2011）通過(guò)金融壓力指數(shù)構(gòu)造出ARMA模型預(yù)測(cè)未來(lái)金融壓力指數(shù)； 章曦（2016）首次將我國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)的測(cè)度、 識(shí)別與預(yù)測(cè)相統(tǒng)一， 通過(guò)ARMA模型預(yù)測(cè)未來(lái)的金融壓力指數(shù)。二是采用深度學(xué)習(xí)方法進(jìn)行預(yù)測(cè)。張永等（2023）利用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）模型對(duì)金融壓力指數(shù)進(jìn)行預(yù)測(cè)； 郭宇辰等（2023）構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）、 LSTM的混合模型并與雙向LSTM等模型進(jìn)行對(duì)比， 結(jié)果顯示CNN-LSTM混合模型對(duì)碳價(jià)預(yù)測(cè)效果更好。Wang等（2023）采用“變分模態(tài)分解—梯度提升決策樹(shù)—雙向循環(huán)神經(jīng)網(wǎng)絡(luò)混合模型”對(duì)股指期貨價(jià)格進(jìn)行預(yù)測(cè)。

現(xiàn)有關(guān)于碳金融市場(chǎng)的研究主要體現(xiàn)在以下四個(gè)層面： 第一， 碳金融市場(chǎng)的風(fēng)險(xiǎn)研究。張慧等（2023）應(yīng)用GE-Copula-Var/CVaR模型對(duì)碳金融市場(chǎng)風(fēng)險(xiǎn)進(jìn)行測(cè)度。谷慎和汪淑娟（2019）基于支持向量機(jī)的碳金融風(fēng)險(xiǎn)預(yù)警模型來(lái)分析風(fēng)險(xiǎn)， 發(fā)現(xiàn)北京、 上海碳市場(chǎng)風(fēng)險(xiǎn)較大， 天津、 深圳碳市場(chǎng)風(fēng)險(xiǎn)居中， 廣東、 湖北碳市場(chǎng)風(fēng)險(xiǎn)相對(duì)較小。第二， 碳金融市場(chǎng)價(jià)格的影響因素研究。王倩和路京京（2018）發(fā)現(xiàn)短期利率會(huì)對(duì)碳排放權(quán)價(jià)格產(chǎn)生影響；" Han等（2019）指出碳排放權(quán)價(jià)格對(duì)煤炭?jī)r(jià)格、 天氣溫度和空氣質(zhì)量指數(shù)的影響比其他因素更為敏感。第三， 碳金融市場(chǎng)的相關(guān)產(chǎn)品設(shè)計(jì)與定價(jià)。王春霞和李佳彪（2023）設(shè)計(jì)出我國(guó)碳期權(quán)產(chǎn)品， 并用ARMA-GARCH模型、 R/S法完成對(duì)市場(chǎng)波動(dòng)率及Hurst指數(shù)的估計(jì)。于倩雯等（2020）基于模糊測(cè)度參數(shù)和Choquet期望積分構(gòu)建出Choquet期望效用最大化下的碳期權(quán)定價(jià)模型。第四， 碳市場(chǎng)發(fā)展研究。張葉東（2021）、 魯政委等（2021）借鑒國(guó)際碳市場(chǎng)的成熟經(jīng)驗(yàn)， 分析我國(guó)碳金融市場(chǎng)的現(xiàn)狀與存在的問(wèn)題， 并提出發(fā)展建議。

總體來(lái)說(shuō)， 現(xiàn)有研究雖然對(duì)碳金融市場(chǎng)以及相關(guān)方法進(jìn)行了一系列有益探索， 但仍存在很大的提升空間。具體來(lái)說(shuō)： 第一， 現(xiàn)有研究大多關(guān)注傳統(tǒng)金融市場(chǎng)的壓力指數(shù)， 鮮有文獻(xiàn)將壓力指數(shù)擴(kuò)展到碳金融市場(chǎng)領(lǐng)域。第二， 在壓力指數(shù)構(gòu)建的頻率方面， 已有研究構(gòu)造出的金融壓力指數(shù)大多基于月度或周度數(shù)據(jù)， 指數(shù)的風(fēng)險(xiǎn)預(yù)警功能發(fā)揮相對(duì)滯后， 并不符合金融市場(chǎng)高頻特征和滿足及時(shí)監(jiān)管需要。而日度數(shù)據(jù)可以更好地為后續(xù)神經(jīng)網(wǎng)絡(luò)模型提供訓(xùn)練樣本數(shù)據(jù)， 更加有效地對(duì)壓力指數(shù)進(jìn)行趨勢(shì)預(yù)測(cè)。因此， 本文構(gòu)建中國(guó)碳金融市場(chǎng)壓力日度指數(shù)， 旨在更為精準(zhǔn)和及時(shí)地刻畫(huà)我國(guó)碳金融市場(chǎng)壓力走勢(shì)、 監(jiān)測(cè)碳金融市場(chǎng)的風(fēng)險(xiǎn)狀態(tài)。第三， 在壓力指數(shù)的預(yù)測(cè)方面， 已有研究大多基于ARMA、 LSTM等模型進(jìn)行預(yù)測(cè)， 而對(duì)于長(zhǎng)序列時(shí)間預(yù)測(cè)存在著較大誤差。本文對(duì)比多個(gè)基于Transformer模型的預(yù)測(cè)結(jié)果， 選出誤差較小的PatchTST神經(jīng)網(wǎng)絡(luò)模型對(duì)碳金融市場(chǎng)壓力指數(shù)進(jìn)行更為精準(zhǔn)的預(yù)測(cè)， 以幫助各市場(chǎng)參與方前瞻性地對(duì)碳金融市場(chǎng)潛在風(fēng)險(xiǎn)進(jìn)行評(píng)估和預(yù)警。

二、 碳金融市場(chǎng)壓力指數(shù)構(gòu)建

（一） 基礎(chǔ)指標(biāo)選取

參考王小燕等（2022）的方法， 結(jié)合中國(guó)碳金融市場(chǎng)自身發(fā)展的實(shí)際狀況， 本文從宏觀市場(chǎng)、 金融市場(chǎng)、 國(guó)內(nèi)碳市場(chǎng)、 國(guó)際碳市場(chǎng)、 能源市場(chǎng)、 外匯市場(chǎng)和氣候因素等7個(gè)維度選取13個(gè)基礎(chǔ)指標(biāo)， 構(gòu)建中國(guó)碳金融市場(chǎng)壓力指數(shù)的基礎(chǔ)指標(biāo)體系， 如表1所示。

（二）碳金融市場(chǎng)壓力指數(shù)的構(gòu)建方法

1. 數(shù)據(jù)預(yù)處理。借鑒黃啟才和王世杰（2021）的方法， 運(yùn)用Z-score標(biāo)準(zhǔn)化方法對(duì)數(shù)據(jù)進(jìn)行處理， 得到量綱一致的標(biāo)準(zhǔn)化數(shù)據(jù)。所有數(shù)據(jù)均來(lái)自Wind數(shù)據(jù)庫(kù)和同花順iFinD數(shù)據(jù)庫(kù)， 樣本時(shí)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(huà)金融時(shí)間序列的波動(dòng)情況， 這里將標(biāo)準(zhǔn)化后的數(shù)據(jù)經(jīng)過(guò)GARCH（p， q）模型處理用以測(cè)度各指標(biāo)的波動(dòng)程度。為了確定參數(shù)p與q的數(shù)值， 這里采用赤池信息量準(zhǔn)則（AIC）進(jìn)行選取， 具體參數(shù)值如表2所示。

2. 碳金融市場(chǎng)壓力指數(shù)合成與測(cè)度。本文采用主成分分析方法對(duì)上述經(jīng)過(guò)GARCH模型處理的數(shù)據(jù)提取主成分， 并以方差貢獻(xiàn)率作為權(quán)重對(duì)各主成分進(jìn)行合成， 進(jìn)而得到碳金融市場(chǎng)壓力指數(shù)， 結(jié)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(guó)碳金融市場(chǎng)壓力指數(shù)的變化趨勢(shì)?？傮w來(lái)說(shuō)， 我國(guó)碳金融市場(chǎng)的壓力指數(shù)呈現(xiàn)趨勢(shì)性增長(zhǎng)態(tài)勢(shì)并在2020年上半年達(dá)到最高點(diǎn)， 且存在著明顯的周期性特征。同時(shí)， 直觀上可以看到碳金融市場(chǎng)壓力指數(shù)在2020年疫情前后發(fā)生了結(jié)構(gòu)性變化。為了驗(yàn)證這一現(xiàn)象， 以2020年2月3日為界， 將壓力指數(shù)數(shù)據(jù)一分為二， 分別統(tǒng)計(jì)兩個(gè)時(shí)間段的均值、 標(biāo)準(zhǔn)差、 最大值和最小值等統(tǒng)計(jì)量， 如表3所示?？梢钥闯?， 碳金融市場(chǎng)壓力指數(shù)確實(shí)在疫情前后發(fā)生了結(jié)構(gòu)性變化， 存在明顯的階段性特征， 疫情后市場(chǎng)的風(fēng)險(xiǎn)更大、 波動(dòng)性更強(qiáng)， 且疫情前的周期性逐漸擴(kuò)大， 在疫情爆發(fā)后壓力指數(shù)明顯回落， 跌回到前一周期最低點(diǎn)處附近， 并開(kāi)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(guó)碳金融市場(chǎng)壓力指數(shù)的高低點(diǎn)所對(duì)應(yīng)的主要影響因素。

由表4可知， 在能源市場(chǎng)方面， 能源價(jià)格變化與經(jīng)濟(jì)發(fā)展密切相關(guān)， 特別是電力行業(yè)對(duì)于能源的需求比較大， 是碳排放主要的來(lái)源。能源價(jià)格的波動(dòng)會(huì)引起企業(yè)在能源需求、 結(jié)構(gòu)方面的變化。2016年11月， OPEC成員國(guó)達(dá)成減產(chǎn)協(xié)議促使國(guó)際原油價(jià)格上升， 從而導(dǎo)致我國(guó)原油價(jià)格也開(kāi)始上漲， 原油價(jià)格的波動(dòng)使得國(guó)內(nèi)企業(yè)的能源結(jié)構(gòu)發(fā)生變化， 逐步開(kāi)始使用同時(shí)期能源價(jià)格相對(duì)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(chǎng)壓力指數(shù)下降。

在國(guó)際碳金融市場(chǎng)方面， 由于我國(guó)碳金融市場(chǎng)相較于歐盟碳金融市場(chǎng)仍處在起步階段， 碳資產(chǎn)相關(guān)的研究與法規(guī)相對(duì)較少， 缺乏成熟的定價(jià)機(jī)制， 往往會(huì)參考國(guó)外碳資產(chǎn)價(jià)格， 因此國(guó)際碳資產(chǎn)價(jià)格的變更與波動(dòng)在一定程度上會(huì)影響我國(guó)碳資產(chǎn)價(jià)格。另外， 套利行為在碳金融市場(chǎng)中并不少見(jiàn)， 一旦我國(guó)的碳資產(chǎn)價(jià)格存在套利空間， 套利者就會(huì)在我國(guó)碳市場(chǎng)中買入一定量的碳排放權(quán)， 轉(zhuǎn)手賣到國(guó)際碳市場(chǎng)中以賺取差價(jià)， 驅(qū)動(dòng)我國(guó)碳價(jià)波動(dòng)（易蘭等，2017）。2016年6月份英國(guó)舉行脫歐公投、 2019年初歐盟啟動(dòng)市場(chǎng)穩(wěn)定儲(chǔ)備機(jī)制， 都導(dǎo)致歐洲碳交易價(jià)格波動(dòng)加劇。歐洲碳金融價(jià)格的變動(dòng)會(huì)影響我國(guó)碳金融價(jià)格的變動(dòng)， 引起碳金融市場(chǎng)壓力指數(shù)的上升。

在宏觀經(jīng)濟(jì)市場(chǎng)方面： 一方面， 各個(gè)產(chǎn)業(yè)的生產(chǎn)量對(duì)拉動(dòng)經(jīng)濟(jì)增長(zhǎng)起著非常重要的作用， 直接決定了生產(chǎn)所需的碳排放量； 另一方面， 經(jīng)濟(jì)發(fā)展水平?jīng)Q定了宏觀經(jīng)濟(jì)的形勢(shì)， 驅(qū)使企業(yè)做出相應(yīng)的戰(zhàn)略與投資決策， 制定生產(chǎn)目標(biāo)， 進(jìn)而影響企業(yè)的碳排放需求， 最終影響碳價(jià)（原嫄和孫欣彤，2020）。2020年初疫情爆發(fā)， 市場(chǎng)情緒悲觀， 企業(yè)生產(chǎn)活動(dòng)受阻、 投資放緩， 導(dǎo)致企業(yè)的碳排放需求下降， 進(jìn)而導(dǎo)致碳金融市場(chǎng)壓力指數(shù)呈下降趨勢(shì)。

在傳統(tǒng)金融市場(chǎng)方面， 國(guó)內(nèi)傳統(tǒng)金融市場(chǎng)主要通過(guò)匯率和利率兩方面影響碳價(jià)： 匯率的波動(dòng)直接影響進(jìn)出口貿(mào)易價(jià)格水平， 從而影響企業(yè)的生產(chǎn)活動(dòng)； 利率波動(dòng)直接作用于企業(yè)的融資成本、 減排成本， 對(duì)碳排放量產(chǎn)生影響， 從而碳價(jià)發(fā)生波動(dòng)（王倩和路京京，2018）。2014年10月的低點(diǎn)是由于經(jīng)濟(jì)下行采取寬松的貨幣政策， 利率下降， 企業(yè)減排成本下降， 由此使得碳金融市場(chǎng)壓力指數(shù)下降。2015年“811”匯改、 2019年美元兌人民幣匯率破七導(dǎo)致匯率升高， 造成企業(yè)的成本增加， 影響企業(yè)的生產(chǎn)活動(dòng)， 碳金融市場(chǎng)壓力指數(shù)開(kāi)始出現(xiàn)下降趨勢(shì)。

在政策影響方面， 政策的利好會(huì)推動(dòng)壓力指數(shù)的上升。2020年9月我國(guó)提出“雙碳”目標(biāo)， 疊加美國(guó)決定重返《巴黎協(xié)定》， 兩項(xiàng)政策因素利好碳金融市場(chǎng)， 一定程度上推動(dòng)2021年1月的碳金融市場(chǎng)壓力指數(shù)達(dá)到高點(diǎn)。

三、 碳金融市場(chǎng)的壓力識(shí)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(gòu)建的中國(guó)碳金融市場(chǎng)壓力指數(shù)， 可利用馬爾科夫區(qū)制轉(zhuǎn)移自回歸模型（MS-AR）識(shí)別我國(guó)碳金融市場(chǎng)壓力狀況。ADF檢驗(yàn)表明， 中國(guó)碳金融市場(chǎng)壓力指數(shù)在5%的顯著性水平上平穩(wěn)， 再結(jié)合Log likelihood、 AIC、 SC和HQ等準(zhǔn)則發(fā)現(xiàn)MS（2）-AR（2）模型的擬合效果最好， 接下來(lái)主要基于該模型對(duì)碳金融市場(chǎng)壓力狀態(tài)進(jìn)行識(shí)別。

表5給出了MS（2）-AR（2）模型的高低壓力轉(zhuǎn)移概率矩陣?？梢钥闯?， 中國(guó)碳金融市場(chǎng)壓力指數(shù)波動(dòng)主要存在低壓力和高壓力兩個(gè)狀態(tài)， 我國(guó)碳金融市場(chǎng)處于低壓力狀態(tài)主要集中在2014年4月 ～ 2017年7月、 2018年1 ～ 6月， 高壓力時(shí)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(xiàn)主要出現(xiàn)在2019年1月 ～ 2020年3月。另外， 在狀態(tài)內(nèi)具有較強(qiáng)的持續(xù)性， 低壓力狀態(tài)持續(xù)時(shí)間比高壓力狀態(tài)稍長(zhǎng)， 而狀態(tài)間高低壓力轉(zhuǎn)換概率較低。

四、 基于深度神經(jīng)網(wǎng)絡(luò)模型的中國(guó)碳金融市場(chǎng)壓力指數(shù)預(yù)測(cè)

（一） 基于PatchTST深度神經(jīng)網(wǎng)絡(luò)

1. 基于PatchTST深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練測(cè)試結(jié)果。PatchTST模型的核心思想是將時(shí)間序列分成若干個(gè)時(shí)間段， 然后將每個(gè)時(shí)間段視為一個(gè)詞元（token）， 并對(duì)其進(jìn)行編碼以及加上位置編碼作為T(mén)ransformer Encoder的輸入， 最后將向量展平之后輸入到一個(gè)預(yù)測(cè)頭得到預(yù)測(cè)的單變量輸出序列。將時(shí)間序列分為若干個(gè)時(shí)間段這一操作， 可以將輸入的token數(shù)量大大減少， 進(jìn)而將計(jì)算的復(fù)雜度成倍降低， 這可以顯著提升模型預(yù)測(cè)性能。PatchTST模型的主要架構(gòu)如圖2所示。

以上述碳金融市場(chǎng)壓力指數(shù)為數(shù)據(jù)集， 將其按照8∶2的比例劃分為訓(xùn)練集與測(cè)試集， 其中訓(xùn)練集的數(shù)據(jù)劃分為2014年4月1日 ～ 2021年6月4日， 測(cè)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(xiàn)PatchTST模型的預(yù)測(cè)效果， 這里同時(shí)應(yīng)用Informer、 Autoformer、 FEDformer、 TimesNet、 ITransformer等模型進(jìn)行預(yù)測(cè)和對(duì)比分析， 輸入序列步長(zhǎng)為64、 先驗(yàn)序列步長(zhǎng)為32、 預(yù)測(cè)步長(zhǎng)為1， 結(jié)果如圖3所示。

2. 模型評(píng)價(jià)。為更加合理地評(píng)價(jià)預(yù)測(cè)模型的性能， 采用均方誤差（MSE）、 均方根誤差（RMSE）、 平均絕對(duì)誤差（MAE）對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)， 具體公式如下：

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

RMSE= （2）

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

根據(jù)測(cè)試集的真實(shí)值與預(yù)測(cè)值， 計(jì)算出MSE、 RMSE、 MAE的值， 結(jié)果如表6所示。可以看出， 相對(duì)于其他模型來(lái)說(shuō)， PatchTST模型的MSE、 RMSE、 MAE的值最小， 預(yù)測(cè)效果最好， 說(shuō)明PatchTST模型更適用于此數(shù)據(jù)集的預(yù)測(cè)分析。

（二） 基于PatchTST模型的預(yù)測(cè)結(jié)果

基于2014年4月1日至2023年6月30日的中國(guó)碳金融市場(chǎng)壓力指數(shù)， 利用PatchTST模型對(duì)未來(lái)64個(gè)交易日的碳金融市場(chǎng)壓力指數(shù)進(jìn)行預(yù)測(cè)， 結(jié)果如圖4所示。

基于PatchTST模型預(yù)測(cè)的2023年7月3日到2023年9月28日的碳金融市場(chǎng)壓力指數(shù)總體呈現(xiàn)出向下波動(dòng)趨勢(shì)， 且周期性短， 預(yù)測(cè)的壓力指數(shù)均為正值， 平均值為0.3375， 方差為0.0125， 高于發(fā)生疫情后的壓力指數(shù)平均值0.1818， 小于疫情后的壓力指數(shù)的方差， 說(shuō)明預(yù)測(cè)時(shí)間段內(nèi)我國(guó)碳金融市場(chǎng)的風(fēng)險(xiǎn)處在略高的水平。這主要是因?yàn)椋?從能源市場(chǎng)來(lái)看， 2023年4月“OPEC+”組織宣布減產(chǎn)， 同年6月又將減產(chǎn)計(jì)劃延長(zhǎng)至2024年年底， 導(dǎo)致國(guó)際原油價(jià)格從5月開(kāi)始逐步上升， 一直持續(xù)到10月中下旬。從國(guó)際碳金融市場(chǎng)來(lái)看， 歐洲碳排放期貨價(jià)格因歐洲經(jīng)濟(jì)的放緩從2023年4月份的高位開(kāi)始逐漸回落， 一直持續(xù)到2024年年初。從宏觀經(jīng)濟(jì)市場(chǎng)來(lái)看， 美聯(lián)儲(chǔ)在2023年2 ～ 7月連續(xù)加息4次， 美元兌人民幣匯率持續(xù)上升， 加之我國(guó)經(jīng)濟(jì)復(fù)蘇需求不足， 在一定程度上使得碳金融市場(chǎng)壓力指數(shù)下降， 這與PatchTST模型預(yù)測(cè)的碳金融市場(chǎng)壓力指數(shù)下降趨勢(shì)是一致的。

五、 結(jié)論與建議

碳金融市場(chǎng)壓力指數(shù)能夠有效地刻畫(huà)樣本區(qū)域內(nèi)的壓力事件， 較好地反映一國(guó)碳金融市場(chǎng)承受風(fēng)險(xiǎn)的壓力狀況， 幫助決策者和市場(chǎng)參與各方及時(shí)準(zhǔn)確地前瞻性評(píng)估潛在風(fēng)險(xiǎn)水平。本文運(yùn)用主成分分析方法綜合構(gòu)建中國(guó)碳金融市場(chǎng)壓力指數(shù)， 樣本期內(nèi)碳金融市場(chǎng)壓力指數(shù)整體呈現(xiàn)出波動(dòng)上升趨勢(shì)， 疫情前周期性呈現(xiàn)出逐漸變大的趨勢(shì)， 此后因疫情反復(fù)， 波動(dòng)性增大且周期性明顯縮短。此外， 運(yùn)用MS（2）-AR（2）模型進(jìn)行風(fēng)險(xiǎn)識(shí)別， 發(fā)現(xiàn)碳金融市場(chǎng)壓力指數(shù)波動(dòng)存在高低壓力兩種狀態(tài)， 狀態(tài)內(nèi)持續(xù)性強(qiáng)， 狀態(tài)間轉(zhuǎn)換概率低。然后對(duì)比多個(gè)基于Transformer深度神經(jīng)網(wǎng)絡(luò)模型得出PatchTST模型對(duì)碳金融市場(chǎng)壓力指數(shù)具有較好的預(yù)測(cè)效果， 基于此模型對(duì)碳金融市場(chǎng)壓力指數(shù)進(jìn)行預(yù)測(cè)， 在未來(lái)一段時(shí)間內(nèi)碳金融市場(chǎng)壓力指數(shù)呈現(xiàn)出向下波動(dòng)趨勢(shì)。

根據(jù)上述結(jié)論， 提出以下政策建議： 第一， 建立并完善碳金融市場(chǎng)風(fēng)險(xiǎn)的動(dòng)態(tài)預(yù)警體系。自碳金融市場(chǎng)建立以來(lái)， 我國(guó)碳金融市場(chǎng)風(fēng)險(xiǎn)的相關(guān)研究并不充分， 沒(méi)有建立有效的風(fēng)險(xiǎn)預(yù)警體系， 而本文的研究方法可以作為建立預(yù)警體系的參考和借鑒。第二， 完善我國(guó)碳金融市場(chǎng)的監(jiān)管體系。我國(guó)碳金融市場(chǎng)尚不成熟， 監(jiān)管體系并不完善， 應(yīng)完善碳金融市場(chǎng)相關(guān)法律體系， 建立健全碳金融市場(chǎng)的多部門(mén)協(xié)同監(jiān)管機(jī)制， 完善監(jiān)管制度和框架， 對(duì)碳金融市場(chǎng)形成全方位監(jiān)管。第三， 在全球經(jīng)濟(jì)、 金融一體化的背景下， 碳金融市場(chǎng)與傳統(tǒng)金融市場(chǎng)等市場(chǎng)之間的聯(lián)動(dòng)性增強(qiáng)， 應(yīng)關(guān)注其他市場(chǎng)的重大事件、 政策變化等， 在碳金融市場(chǎng)劇烈波動(dòng)之前， 提前采取相應(yīng)措施， 防范極端風(fēng)險(xiǎn)所造成的巨大損失。

【 主 要 參 考 文 獻(xiàn) 】

陳守東，王妍．金融壓力指數(shù)與工業(yè)一致合成指數(shù)的動(dòng)態(tài)關(guān)聯(lián)研究［ J］．財(cái)經(jīng)問(wèn)題研究，2011（10）：39 ～ 46．

陳忠陽(yáng)，許悅．我國(guó)金融壓力指數(shù)的構(gòu)建與應(yīng)用研究［ J］．當(dāng)代經(jīng)濟(jì)科學(xué)，2016（1）：27 ～ 35．

戴步斌，何文舉．中國(guó)金融壓力指數(shù)構(gòu)建與經(jīng)濟(jì)預(yù)警的實(shí)證研究［ J］．財(cái)經(jīng)理論與實(shí)踐，2018（1）：27 ～ 32．

鄧創(chuàng)，趙珂．中國(guó)的金融壓力及其對(duì)宏觀經(jīng)濟(jì)景氣的影響動(dòng)態(tài)［ J］．財(cái)經(jīng)研究，2018（7）：86 ～ 98．

谷慎，汪淑娟．基于SVM的碳金融風(fēng)險(xiǎn)預(yù)警模型研究［ J］．華東經(jīng)濟(jì)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(jià)預(yù)測(cè)方法［ J］．科技管理研究，2023（11）：200 ～ 206．

黃啟才，王世杰．中國(guó)金融壓力指數(shù)測(cè)度與金融風(fēng)險(xiǎn)識(shí)別［ J］．亞太經(jīng)濟(jì)，2021（3）：25 ～ 34．

李敏波，梁爽．監(jiān)測(cè)系統(tǒng)性金融風(fēng)險(xiǎn)——中國(guó)金融市場(chǎng)壓力指數(shù)構(gòu)建和狀態(tài)識(shí)別［ J］．金融研究，2021（6）：21 ～ 38．

劉曉星，方磊．金融壓力指數(shù)構(gòu)建及其有效性檢驗(yàn)——基于中國(guó)數(shù)據(jù)的實(shí)證分析［ J］．管理工程學(xué)報(bào)，2012（3）：1 ～ 6．

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

馬勇，黃科．金融壓力指數(shù)及其政策應(yīng)用——基于中國(guó)的實(shí)證分析［ J］．金融監(jiān)管研究，2019（7）：1 ～ 17．

王春霞，李佳彪．碳排放配額約束下碳期權(quán)設(shè)計(jì)及估值研究［ J］．價(jià)格理論與實(shí)踐，2023（7）：156 ～ 159．

王培輝，康書(shū)生．中國(guó)金融壓力周期特征及實(shí)時(shí)監(jiān)測(cè)——基于混頻Markov動(dòng)態(tài)因素模型的研究［ J］．經(jīng)濟(jì)學(xué)家，2017（10）：77 ～ 85．

王倩，路京京．短期利率波動(dòng)對(duì)碳交易價(jià)格影響的區(qū)域異質(zhì)性［ J］．社會(huì)科學(xué)輯刊，2018（1）：101 ～ 110．

王小燕，周思敏，徐曉莉等．基于圖結(jié)構(gòu)自適應(yīng)Lasso的碳排放權(quán)價(jià)格影響因素分析［ J］．統(tǒng)計(jì)與信息論壇，2022（4）：73 ～ 83．

許滌龍，陳雙蓮．基于金融壓力指數(shù)的系統(tǒng)性金融風(fēng)險(xiǎn)測(cè)度研究［ J］．經(jīng)濟(jì)學(xué)動(dòng)態(tài)，2015（4）：69 ～ 78．

易蘭，楊歷，李朝鵬等．歐盟碳價(jià)影響因素研究及其對(duì)中國(guó)的啟示［ J］．中國(guó)人口·資源與環(huán)境，2017（6）：42 ～ 48．

于倩雯，吳鳳平，沈俊源等．碳金融市場(chǎng)下基于模糊測(cè)度和Choquet積分的碳期權(quán)估值［ J］．北京理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2020（1）：13 ～ 20．

原嫄，孫欣彤．城市化、產(chǎn)業(yè)結(jié)構(gòu)、能源消費(fèi)、經(jīng)濟(jì)增長(zhǎng)與碳排放的關(guān)聯(lián)性分析——基于中國(guó)省際收入水平異質(zhì)性的實(shí)證研究［ J］．氣候變化研究進(jìn)展，2020（6）：738 ～ 747．

張慧，魏佳琪，孟紋羽．碳金融市場(chǎng)集成風(fēng)險(xiǎn)測(cè)度的新方法［ J］．統(tǒng)計(jì)與決策，2023（3）：55 ～ 60．

張葉東．“雙碳”目標(biāo)背景下碳金融制度建設(shè)：現(xiàn)狀、問(wèn)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(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的金融壓力指數(shù)預(yù)測(cè)［ J］．系統(tǒng)工程，2023（5）：115 ～ 123．

章曦．中國(guó)系統(tǒng)性金融風(fēng)險(xiǎn)測(cè)度、識(shí)別和預(yù)測(cè)［ J］．中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，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(zé)任編輯·校對(duì)： 李小艷" 黃艷晶）

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

【基金項(xiàng)目】國(guó)家自然科學(xué)基金青年項(xiàng)目（項(xiàng)目編號(hào)：71803002）；安徽省哲學(xué)社會(huì)科學(xué)規(guī)劃項(xiàng)目（項(xiàng)目編號(hào)：AHSKY2021D135）