基于谷歌趨勢(shì)的碳價(jià)波動(dòng)性及預(yù)測(cè)研究

蔡文娟

[摘 要]選取碳排放為關(guān)鍵詞的谷歌趨勢(shì)為網(wǎng)絡(luò)搜索變量，運(yùn)用DCC-MIDAS模型研究歐盟排放配額對(duì)我國(guó)碳排放配額的影響，并對(duì)其價(jià)格進(jìn)行預(yù)測(cè)。研究發(fā)現(xiàn)網(wǎng)絡(luò)搜索量與國(guó)內(nèi)外碳市場(chǎng)之間存在聯(lián)動(dòng)效應(yīng)。從采用不同權(quán)重的MIDAS模型預(yù)測(cè)結(jié)果來(lái)看，U-MIDAS權(quán)重對(duì)于碳價(jià)預(yù)測(cè)的效果最佳。

[關(guān)鍵詞]網(wǎng)絡(luò)搜索量;谷歌趨勢(shì);DCC-MIDAS;碳價(jià)預(yù)測(cè)

[中圖分類號(hào)] X196[文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 2095-3283（2020）01-0031-04

Abstract： This paper selects the Google trend with carbon emissions as the key to the network search variables， and uses the DCC-MIDAS model to study the impact of EU emission allowances on China's carbon emission quotas and forecast their prices. The study found that there is a linkage effect between the amount of web search and the carbon market at home and abroad. From the prediction results of MIDAS models with different weights， U-MIDAS weights have the best effect on carbon price prediction.

Keywords： Web Search Volume; Google Trends; DCC-MIDAS; Carbon Price Forecast

一、引言

經(jīng)濟(jì)發(fā)展提高了人們的生活水平但是也引發(fā)了許多嚴(yán)峻的問(wèn)題，溫室效應(yīng)就是其中之一。根據(jù)IPCC的研究，溫室效應(yīng)很大程度上是由二氧化碳等溫室氣體的排放所引起的。自19世紀(jì)中期至今地表溫度已經(jīng)上升了0.74℃，預(yù)計(jì)到2100年地表氣溫將增加1.4—6.4℃。溫室效應(yīng)將會(huì)給人類經(jīng)濟(jì)社會(huì)的發(fā)展造成極大的危害。對(duì)于如何減少溫室氣體排放，抑制溫室效應(yīng)，己經(jīng)成為國(guó)際社會(huì)的熱門話題。對(duì)此全球制定了相關(guān)合作協(xié)議來(lái)建立統(tǒng)一的碳交易市場(chǎng)，通過(guò)對(duì)于碳排放權(quán)配額的買賣來(lái)降低二氧化碳的排放，這也凸顯出碳排放權(quán)的金融和投資屬性。然而，由于碳市場(chǎng)屬于新興市場(chǎng)，建立時(shí)間相對(duì)較短，存在不少問(wèn)題，如交易機(jī)制不盡完善、交易量相對(duì)較少、價(jià)格波動(dòng)較為劇烈等。除此之外有學(xué)者研究發(fā)現(xiàn)，我國(guó)的碳金融資產(chǎn)大量流失，至2008年已經(jīng)達(dá)到了33億歐元，這與沒(méi)有完善的碳價(jià)研究預(yù)測(cè)機(jī)制息息相關(guān)。因此對(duì)于我國(guó)碳市場(chǎng)價(jià)格波動(dòng)以及預(yù)測(cè)的研究至關(guān)重要，不僅有利于我國(guó)的碳交易市場(chǎng)發(fā)展和完善，而且可以有效地提高我國(guó)在全球碳市場(chǎng)的話語(yǔ)權(quán)。

二、文獻(xiàn)綜述

近年來(lái)，國(guó)內(nèi)外學(xué)者從不同的角度對(duì)碳市場(chǎng)進(jìn)行研究。研究角度主要集中在碳排放影響因素（如極端氣候，排放限額政策，經(jīng)濟(jì)社會(huì)發(fā)展，能源市場(chǎng)和市場(chǎng)規(guī)則）、碳市場(chǎng)交易價(jià)格波動(dòng)特征及風(fēng)險(xiǎn)測(cè)度和碳市場(chǎng)交易機(jī)制等方面。

國(guó)外對(duì)于碳市場(chǎng)價(jià)格預(yù)測(cè)的研究起步較早，按照研究方法可分為參數(shù)法與非參數(shù)法。Paolell（2008）[1]使用改進(jìn)的混合正態(tài)GARCH模型對(duì)碳市場(chǎng)價(jià)格進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)與常用的風(fēng)險(xiǎn)預(yù)測(cè)模型相比，改進(jìn)的GARCH模型在樣本內(nèi)擬合和樣本外風(fēng)險(xiǎn)預(yù)測(cè)方面的精度有所提高。Byun（2013）[2]研究了不同GARCH類型模型來(lái)預(yù)測(cè)碳期貨的波動(dòng)性。研究表明具有正態(tài)分布的GJR-GARCH模型優(yōu)于其他GARCH類型模型的預(yù)測(cè)。紀(jì)欽洪等（2018）[3]建立三元線性回歸模型對(duì)廣東碳配額市場(chǎng)的價(jià)格進(jìn)行預(yù)測(cè)。模型回歸結(jié)果表明，回歸碳價(jià)與碳配額成交價(jià)整體擬合程度較高，MAPE小于10%。

碳市場(chǎng)價(jià)格變化并不總是線性的。在此基礎(chǔ)上，一些學(xué)者開始采用非參數(shù)方法來(lái)處理此類問(wèn)題。Zhu（2013）[4]綜合LSSVM模型和ARIMA模型的優(yōu)勢(shì)，提出了LSSVM、ARMA聯(lián)合模型。該模型在歐盟碳價(jià)預(yù)測(cè)的表現(xiàn)優(yōu)于ARIMA和LSSVM。王娜（2016）[5]提出的Boosting-ARMA算法，利用Boosting算法來(lái)自動(dòng)尋找ARMA模型的最優(yōu)子集。模擬實(shí)驗(yàn)和實(shí)證結(jié)果都顯示了Boosting-ARMA在碳價(jià)預(yù)測(cè)方面的有效性。崔煥影等（2018）[6]利用EMD-GA-BP模型、EMD-PSO-LSSVM模型構(gòu)建組合預(yù)測(cè)模型從國(guó)際碳價(jià)、國(guó)內(nèi)外能源市場(chǎng)和國(guó)內(nèi)經(jīng)濟(jì)三個(gè)方面來(lái)對(duì)國(guó)內(nèi)的碳價(jià)進(jìn)行短期和長(zhǎng)期的預(yù)測(cè)。

隨著互聯(lián)網(wǎng)的普及，特別是近年來(lái)百度谷歌等搜索引擎的廣泛使用，信息的傳播范圍與傳播速度正在不斷提高，消費(fèi)者能夠借由網(wǎng)絡(luò)取得相關(guān)產(chǎn)品與服務(wù)的詳細(xì)信息，為研究者提供了相關(guān)科學(xué)研究領(lǐng)域的新思路。消費(fèi)者的這些“搜索行為”可以直接或間接反映用戶的需求，而用戶需求最終反映到實(shí)際的社會(huì)經(jīng)濟(jì)環(huán)境中去。眾多學(xué)者研究發(fā)現(xiàn)網(wǎng)絡(luò)搜索量與經(jīng)濟(jì)社會(huì)之間有著相關(guān)關(guān)系，因此使用網(wǎng)絡(luò)搜索這一變量對(duì)消費(fèi)、房地產(chǎn)、就業(yè)和股市等進(jìn)行預(yù)測(cè)。Marcos 和 Carmen（2018）[7]使用谷歌在線搜索數(shù)據(jù)來(lái)預(yù)測(cè)西班牙的失業(yè)率。發(fā)現(xiàn)互聯(lián)網(wǎng)搜索與失業(yè)之間存在著高度相關(guān)性。除此之外，包含互聯(lián)網(wǎng)搜索的數(shù)據(jù)增強(qiáng)了模型的預(yù)測(cè)性能。Takeda 和 Wakao （2014） [8]考察了2008年和2011年之間189種日本股票的在線搜索強(qiáng)度與股票交易行為之間的關(guān)系。結(jié)果表明，谷歌搜索指數(shù)與股票收益率之間有弱負(fù)相關(guān)性，與交易量之間存在顯著的正相關(guān)性。

國(guó)內(nèi)也有一些學(xué)者利用網(wǎng)絡(luò)搜索指數(shù)對(duì)經(jīng)濟(jì)領(lǐng)域進(jìn)行探索研究。張誼浩等（2014） [9]利用AR模型來(lái)研究網(wǎng)絡(luò)搜索量與股票市場(chǎng)之間的相互關(guān)系，研究表明網(wǎng)絡(luò)搜索量和網(wǎng)絡(luò)搜索強(qiáng)度對(duì)股票短期和累計(jì)收益率以及短期的交易量均有影響。并且投資者的網(wǎng)絡(luò)搜索行為對(duì)股票市場(chǎng)有著較強(qiáng)的解釋和預(yù)測(cè)能力。董倩等（2014） [10]以北京、重慶、天津等16個(gè)大中城市的新建商品房?jī)r(jià)格和二手房?jī)r(jià)格為研究對(duì)象，引入百度指數(shù)進(jìn)行了預(yù)測(cè)，得到預(yù)測(cè)新建商品房和二手房?jī)r(jià)格指數(shù)變動(dòng)的最優(yōu)模型，并且預(yù)測(cè)的房?jī)r(jià)指數(shù)比統(tǒng)計(jì)局官方發(fā)布的統(tǒng)計(jì)數(shù)據(jù)早2周左右。呂本富等（2012） [11] 采用均衡價(jià)格理論，揭示了CPI與網(wǎng)絡(luò)搜索行為之間存在協(xié)整關(guān)系。與傳統(tǒng)模型相比該模型還具有轉(zhuǎn)折點(diǎn)預(yù)測(cè)能力。

因此本文把網(wǎng)絡(luò)搜索引入對(duì)于我國(guó)碳市場(chǎng)價(jià)格預(yù)測(cè)中，采用DCC-MIDAS模型探究國(guó)內(nèi)外碳市場(chǎng)與網(wǎng)絡(luò)搜索量之間的關(guān)系，并對(duì)碳價(jià)進(jìn)行相關(guān)預(yù)測(cè)研究。

三、DCC-MIDAS模型

DCC-MIDAS模型將DCC引入GARCH-MIDAS模型而來(lái)。Colacito， Engle和Ghysels三位學(xué)者首先提出DCC-MIDAS模型這一概念，將動(dòng)態(tài)相關(guān)性分解為長(zhǎng)期成分和短期成分兩部分，從而構(gòu)建了DCC-MIDAS模型。用GARCH模型中的長(zhǎng)期和短期波動(dòng)成分取代了傳統(tǒng)的DCC模型中的相應(yīng)部分，然后利用GARCH-MIDAS模型將長(zhǎng)期相關(guān)性加入混頻數(shù)據(jù)樣本中，因此構(gòu)建了一個(gè)能夠刻畫混頻序列相關(guān)性的動(dòng)態(tài)模型DCC-MIDAS模型。模型如下：

四、實(shí)證研究

（一）樣本選擇與描述性統(tǒng)計(jì)分析

我國(guó)統(tǒng)一的碳交易市場(chǎng)還未建立，各個(gè)試點(diǎn)城市由于當(dāng)?shù)亟?jīng)濟(jì)發(fā)展水平的差異有著不同的經(jīng)濟(jì)結(jié)構(gòu)和能源消費(fèi)結(jié)構(gòu)，籠統(tǒng)地對(duì)所有交易試點(diǎn)城市的交易數(shù)據(jù)和影響因素的變量進(jìn)行面板數(shù)據(jù)分析則忽視了這種差異性，存在一定的局限性。因此使用相關(guān)的模型進(jìn)行單一試點(diǎn)城市的實(shí)證研究更加契合實(shí)際情況。因此以我國(guó)開始交易最早、規(guī)模最大的深圳碳交易市場(chǎng)的碳配額成交價(jià)格作為我國(guó)碳市場(chǎng)價(jià)格的代表。通過(guò)谷歌趨勢(shì)搜索碳排放為關(guān)鍵詞的日度數(shù)據(jù)為網(wǎng)絡(luò)搜索量的代理變量。選取2013—2018年間歐盟碳排放交易所的歐盟配額 （EUA） 期貨結(jié)算價(jià)為國(guó)際碳價(jià)的代理變量。由于數(shù)據(jù)的可得性，樣本期間為2013年9月26日至2018年10月9日。共1032個(gè)數(shù)據(jù)樣本，數(shù)據(jù)來(lái)源于WIND。

從表1可知，樣本期內(nèi)3個(gè)序列的平均收益率為正值。深圳碳交易市場(chǎng)的標(biāo)準(zhǔn)差遠(yuǎn)大于EUA期貨，說(shuō)明其波動(dòng)性最大。從偏度來(lái)看，兩個(gè)碳交易市場(chǎng)的偏度都大于0，呈明顯的右偏態(tài)。峰度方面，兩個(gè)市場(chǎng)的峰度均明顯大于3，存在尖峰厚尾的特征。所有收益率序列都拒絕服從正態(tài)分布的假設(shè)。

（二） DCC-MIDAS模型的建立

首先估計(jì)單變量GARCH-MIDAS模型的參數(shù)，結(jié)果見表2。

從GARCH-MIDAS估計(jì)結(jié)果來(lái)看EUA期貨的α+β值比較接近于1，短期成分的持續(xù)性較強(qiáng)。α和β均大于0且在1%的水平下顯著，α與β的和小于1。表明價(jià)格的非正態(tài)性，存在波動(dòng)集群特征，市場(chǎng)存在投機(jī)性。EUA期貨市場(chǎng)中β>α，說(shuō)明EUA極易受外部信息的影響。θ>0，說(shuō)明可實(shí)現(xiàn)波動(dòng)有相對(duì)較大的比例可以傳導(dǎo)到長(zhǎng)期波動(dòng)中。從長(zhǎng)期波動(dòng)成分來(lái)看，3個(gè)指數(shù)所對(duì)應(yīng)的m都是正數(shù)，而且在1%的水平下顯著。長(zhǎng)期成分相對(duì)于總的波動(dòng)來(lái)說(shuō)波動(dòng)幅度要小得多，而且趨勢(shì)也更為平滑，去掉了一些不必要的噪音。關(guān)于DCC-MIDAS模型動(dòng)態(tài)相關(guān)性的估計(jì)結(jié)果可以看到，a+b的值接近于1，說(shuō)明網(wǎng)絡(luò)搜索和國(guó)內(nèi)外碳市場(chǎng)之間存在聯(lián)動(dòng)效應(yīng)，并且序列間的動(dòng)態(tài)相關(guān)性有較強(qiáng)的時(shí)變特征。

（三） 預(yù)測(cè)研究

由于長(zhǎng)期成分可以很好地代表總的波動(dòng)且平滑掉了一些不必要的噪音，因此使用MIDAS模型利用谷歌趨勢(shì)和EUA期貨的長(zhǎng)期成分來(lái)對(duì)我國(guó)碳市場(chǎng)進(jìn)行樣本內(nèi)估計(jì)。樣本期間為2013年9月至2018年4月。通過(guò)比較不同估計(jì)窗口和滯后階數(shù)下的樣本內(nèi)估計(jì)效果，實(shí)證結(jié)果如表3所示。

從表3中可以看出U-MIDAS模型對(duì)于模型的擬合度最高 （R2=0.991055），模型對(duì)數(shù)據(jù)整體擬合程度較好。Theil U1的參數(shù)在0—1之間，越接近于0模型擬合程度越高。U-MIDAS的RMSE、MAE、MPAE、SMAPE、Theil U1均最低，擬合效果最好。

對(duì)于剩下的數(shù)據(jù)進(jìn)行樣本外穩(wěn)健性檢驗(yàn)，由表4可以發(fā)現(xiàn)U-MIDAS仍然是擬合效果最優(yōu)的。雖然R2可能由于樣本數(shù)據(jù)較少的原因較小，但是從Theil U1擬和效果仍然最優(yōu)。

五、結(jié)論和建議

基于谷歌趨勢(shì)的網(wǎng)絡(luò)搜索量，采取混頻DCC-MIDAS模型對(duì)于歐盟碳市場(chǎng)與我國(guó)碳市場(chǎng)之間的關(guān)系進(jìn)行預(yù)測(cè)研究，研究結(jié)果表明，網(wǎng)絡(luò)搜索量、歐盟碳市場(chǎng)和我國(guó)碳市場(chǎng)之間存在聯(lián)動(dòng)效應(yīng)，且兩兩動(dòng)態(tài)相關(guān)。采取不同的權(quán)重函數(shù)對(duì)于我國(guó)碳市場(chǎng)進(jìn)行樣本內(nèi)、外的預(yù)測(cè)，發(fā)現(xiàn)U-MIDAS權(quán)重預(yù)測(cè)效果最優(yōu)。

我國(guó)碳排放權(quán)交易市場(chǎng)處于起步階段，其市場(chǎng)化程度對(duì)于經(jīng)濟(jì)的可持續(xù)發(fā)展和低碳經(jīng)濟(jì)目標(biāo)的實(shí)現(xiàn)至關(guān)重要?；诰W(wǎng)絡(luò)搜索量對(duì)于國(guó)內(nèi)外碳市場(chǎng)之間關(guān)系進(jìn)行預(yù)測(cè)研究，對(duì)于促進(jìn)投資者和企業(yè)積極地參與碳市場(chǎng)的投資交易，以及建立和完善全國(guó)統(tǒng)一的碳交易體系具有一定的理論和指導(dǎo)意義。由于我國(guó)能源領(lǐng)域的供給側(cè)結(jié)構(gòu)性改革初見成效，能源供給質(zhì)量進(jìn)一步提高，非化石能源等相對(duì)清潔的發(fā)電比重進(jìn)一步提升，我國(guó)的碳排放量正在逐步減少，低碳經(jīng)濟(jì)正在逐步實(shí)現(xiàn)。對(duì)于我國(guó)的碳交易機(jī)制提出以下建議。

首先，鼓勵(lì)碳市場(chǎng)不斷進(jìn)行創(chuàng)新，加強(qiáng)碳市場(chǎng)與其它金融市場(chǎng)之間的多邊合作。充分發(fā)揮碳減排在促進(jìn)我國(guó)能源轉(zhuǎn)型實(shí)現(xiàn)低碳經(jīng)濟(jì)過(guò)程中的積極作用。

其次，加強(qiáng)碳排放交易體系建設(shè)，建立全國(guó)統(tǒng)一的成熟的碳交易市場(chǎng)。完善碳市場(chǎng)的法律法規(guī)，規(guī)范碳金融市場(chǎng)的運(yùn)營(yíng)，切實(shí)保護(hù)好相關(guān)企業(yè)和投資者的權(quán)利和利益，保障碳市場(chǎng)的平穩(wěn)健康運(yùn)行。

第三，因地制宜，制定促進(jìn)碳市場(chǎng)發(fā)展的對(duì)策。全國(guó)統(tǒng)一碳市場(chǎng)雖然已經(jīng)啟動(dòng)，但是我國(guó)各區(qū)域經(jīng)濟(jì)發(fā)展水平和文化制度均存在較大的差距，使得統(tǒng)一碳市場(chǎng)的建立存在一定的問(wèn)題。因此，一定要因地制宜，制定符合各地實(shí)際情況的發(fā)展對(duì)策。

[參考文獻(xiàn)]

[1]Paolella M S， Taschini L.An Econometric Analysis of Emission Allowance Prices[J].Journal of Banking and Finance， 2008， 32 （10） .

[2]Byun S J， Cho H.Forecasting Carbon Futures Volatility Using GARCH Models with Energy Volatilities[J].Energy Economics， 2013， 40 （2） .

[3]紀(jì)欽洪，孫洋洲，于航，郭雪飛，等.基于多元線性回歸的碳配額價(jià)格預(yù)測(cè)模型研究[J].現(xiàn)代化工，2018，38（4）：220-224.

[4]Zhu B Z， Wei Y M.Carbon Price Forecasting with a Novel Hybrid ARIMA and Least Squares Support Vector Machines Methodology[J].Omega， 2013， 41 （3） .

[5]王娜.基于Boosting-ARMA的碳價(jià)預(yù)測(cè)[J].統(tǒng)計(jì)與信息論壇， 2017 （3） .

[6]崔煥影，竇祥勝.基于EMD-GA-BP與EMD-PSO-LSSVM的中國(guó)碳市場(chǎng)價(jià)格預(yù)測(cè)[J].運(yùn)籌與管理，2018，27（7）：133-143.

[7] Marcos González-Fernández;Carmen González-Velasco. Can Google Econometrics Predict Unemployment？ Evidence from Spain[J].Economics Letters，2018，170：42-45.

[8]TAKEDA F， WAKAO T. Google Search Intensity and its Relationship with Returns and Trading Volume of Japanese Stocks[J].Pacific-Basin Finance Journal， 2014， 27 （C） ：1-18.

[9] 張誼浩，李元，蘇中鋒，等.網(wǎng)絡(luò)搜索能預(yù)測(cè)股票市場(chǎng)嗎？[J].金融研究，2014（2）：193-206.

[10]董倩，孫娜娜，李偉.基于網(wǎng)絡(luò)搜索數(shù)據(jù)的房地產(chǎn)價(jià)格預(yù)測(cè)[J].統(tǒng)計(jì)研究，2014，31（10）：81-88.

[11] 張崇，呂本富，彭賡，等.網(wǎng)絡(luò)搜索數(shù)據(jù)與CPI的相關(guān)性研究[J].管理科學(xué)學(xué)報(bào)，2012，15（7）：50-59，70.

（責(zé)任編輯：郭麗春 劉 茜）