基于信号处理技术、计量经济、神经网络混合模型的碳现货价格预测

文章发表于JCLP期刊 Volume 204, 10 December 2018, Pages 958-964.

链接：https://doi.org/10.1016/j.jclepro.2018.09.071

文章导读

碳排放已经成为了近年来最严重的问题之一。 2015年1月，欧盟为达到碳排放成本最低化的要求，建立了碳排放交易机制；中国也曾多次承诺将建立综合型的碳市场，来缓解全球气候变化。而准确地预测碳价格将有助于政府制定有效政策，降低碳市场风险。因此，如何提高碳价格预测的精度已经成为了学者们目前重点研究的问题。由于碳价格的非线性和非稳定性，许多研究人员都先采用经验分解模态（EMD）对碳价格进行预处理，然后对分解出来的各个本征模函数（IMF）分别进行预测，最后加总求和得出预测结果。本文学者在此基础上，做了如下改进，以提高碳价格预测精度。1）针对EMD出现的模态混合和白噪声的问题，本文采用了完全集成经验模态分解的方法（CEEMD）。2）针对分别预测IMF出现的累积误差大的问题，研究人员将分解后IMF重组成稳定部分、随机部分和周期部分。并根据每个部分的特点，分别采用采用协整模型（CIM）、广义自回归条件异方差模型（GARCH），和蚁群算法（ACA）优化后的灰色神经网络（GNN）来进行预测。3）针对现有模型主要关注碳期货价格预测不能很好的反应碳市场的供求关系问题，本文将提出的混合模型用来预测碳现货价格。结果表明，该混合模型的预测精度明显优于以往的模型。

文章摘要

碳现货价格预测的结果，对政策制定者和市场参与者来说都很重要。但是由于碳现货价格十分复杂，准确预测出碳价格是非常困难的。为了提高预测精度，本文提出了一种由完全集成经验模态分解（CEEMD）、协整模型（CIM）、广义自回归条件异方差模型（GARCH）和蚁群算法（ACA）优化的灰色神经网络（GNN）结合的混合模型，并利用从欧盟排放交易体系（EU ETS）收集的数据进行验证。结果表明，该混合模型的性能明显优于其他模型。因此，该混合模型在未来的碳现货价格的预测中可以得到更广泛的应用。

Fig. The structure of the proposed model.

原文信息

original paper info

ABSTRACT

Carbon spot price forecasting result is important for both policymakers and market participants. However, because of the complex features of carbon spot price, accurate forecasting is very difficult. To achieve a better prediction precision, a hybrid model combined with complete ensemble empirical mode decomposition (CEEMD), co-integration model (CIM), generalized autoregressive conditional heteroskedasticity model (GARCH), and grey neural network (GNN) optimized by ant colony algorithm (ACA) is proposed. Then it is validated by using data collected from European Union emission trading scheme (EU ETS). The results indicate that the performance of the chosen model is remarkably better than that of other models. Therefore, the hybrid model could be used more frequently for carbon spot price forecasting in the future.

Keywords

Carbon spot price forecasting, Hybrid model, Prediction precision, EU ETS

文章原作者：Jinliang Zhang，Dezhi Li，Yu Hao，Zhongfu Tan

/ 本期编辑 /

赵红凯

华北电力大学 硕士在读

研究方向：碳排放

杨雪莼

山东大学 博士在读

研究方向: 碳排放核算、投入产出分析

图文排版：解伟