文摘

碳价格波动影响内部市场机制和异构环境。此外,它是一个复杂的动态演化过程。本文侧重于碳价格波动趋势预测。为了促进预测模型的准确性,本文提出的想法将网络拓扑信息集成到碳价格数据;即碳价格通过能见度数据被映射为一个复杂网络图算法,以及网络拓扑信息提取。提取的网络拓扑结构信息是用来重建数据,用于训练模型参数,从而提高模型的预测精度。5选择预测模型为基准模型,以及欧盟的价格数据和7个试点碳市场在中国从6月19日,2014年10月9日,2020年,被选为样本进行实证分析。研究发现网络拓扑信息的集成可以显著提高五项基准价格趋势预测模型对欧盟碳市场。然而,有伟大的精度改善效果的差异中国七个试点碳市场价格预测。此外,四个碳市场的预测的准确性(即。, Guangdong, Chongqing, Tianjin, and Shenzhen) has improved slightly, but the prediction accuracy of the carbon price trend in Beijing, Shanghai, and Hubei has not improved. We analyze the reasons leading to this result and offer suggestions to improve China’s pilot carbon market.

1。介绍

目前,全球气候变化和二氧化碳减排成为全球关注的热点话题。有效地减少气体排放,遏制全球变暖的趋势已经成为在世界上所有国家的共同挑战。碳排放贸易市场源于环境产权理论和生态现代化理论,倡导市场手段解决环境问题。这是一个很好的政策工具控制和减少温室气体排放的市场机制,一个重要的制度创新,推动绿色和低碳经济发展模式转变。《京都议定书》生效以来,国际碳市场快速增长。到2018年底,已经有20碳市场操作在世界各地,覆盖全世界8%的气体排放,碳市场所在的国家和地区占全球经济的37% (1]。作为世界上最大的排放国和减排潜力最大的国家,中国的减排路径已经引起了国际社会的密切关注。以自己独特的方式,它展示了它的决心和行动,积极应对气候变化。在巴黎2015年气候变化会议上,中国政府做出了庄严的承诺单位国内生产总值二氧化碳排放强度减少60 - 65%,到2030年从2005年的水平,达到碳排放在2030年达到顶峰,如果能源在一次能源消费比重提高到20%。2020年,在一般性辩论第75届联合国大会,习近平副主席说,国家应该努力争取在2060年达到碳平衡,这意味着中国必须减少碳排放160亿吨每年几乎没有排放40年期间从2020年到2060年。目前,中国正在稳步推进国家碳排放交易市场的建设。截至2019年11月15日,累计现货交易量的碳市场试点地区已经达到3.64亿吨,而成交量达到了79.85亿元。在试点范围内的总碳排放和强度都降低,和企业的低碳意识在飞行员市场一直在不断改善2]。

碳市场的目的是指导企业建立减排选择通过供给和需求的机制,形成一个有效的碳贸易的价格。碳价格波动影响不仅通过内部市场机制也由异构的环境(3]。碳价格波动是一个复杂的动态演化过程。准确预测碳价格对把握非常重要碳价格的波动规律,避免投资风险(4]。现有的碳价格和能源价格预测模型大致可以分为三个类别。第一个是使用计量经济学方法预测模型。这种模型可以进一步分为两种类型。第一个是结构模型,如误差修正模型(ECM),向量误差修正模型(结果),和向量自回归(VAR)模型。这样的模型处理数据的线性回归,这不仅包括历史碳价格数据,也可以包含相应的解释变量(3- - - - - -9]。第二个是时间序列预测模型,包括自回归综合移动平均(ARIMA)模型、广义自回归条件异方差性(GARCH)模型及其扩展模型。这样的模型不考虑其他因素,仅仅依靠历史价格预测(10- - - - - -13]。预测模型基于计量经济学的优势捕获碳价格的时变波动特征,但是他们不能准确地描述非线性特征的过程中碳价格波动。第二类是基于机器学习的预测模型,如神经网络、随机森林,支持向量机,neurofuzzy控制模型(14- - - - - -18]。与第一类模型相比,第二类模型具有较强的处理非线性数据的能力。然而,这种模式往往包含大量的参数,它是容易过度拟合等缺陷或可怜的收敛过程中使用。第三类是基于多种方法的组合预测模型,如一个集成模型组的数据处理方法(GMDH),粒子群优化(PSO)和最小二乘支持向量机(LSSVM),也就是说,GMDH-PSO-LSSVM [19),经验模态分解(EMD)的集成模型,粒子群优化(PSO),和支持向量机(SVM),也就是说,EMD-PSO-SVM [20.),混合ARIMA和LSSVM方法(21),与外生变量的混合方法22),基于相空间重构的组合模型(PSR)和最小二乘支持向量回归(LSSVR)模型(23),多尺度非线性整体倾斜模式(24),变分模式分解和优化组合模型(25),模型基于二次分解算法和优化反向传播神经网络(26),粒子群优化(PSO)和径向基函数(RBF)算法模型(27),预测模型基于极值点对称模态分解,极端的学习机器,灰太狼优化算法28),基于实证的混合方法小波变换(易)和封闭的递归神经网络单元(格勒乌)29日]。这种模型有效地整合和利用单一预测模型的优点,和它的预测精度明显高于单一预测模型。但是,这种模型的结构比单一预测模型更为复杂,和大量的模型参数需要确定,这给实际应用带来了很多不便。一些典型的预测模型如表所示1。

碳市场具有其独特的市场特征,如伟大的价格差异,欧盟和中国之间的政策机制的试点碳市场。碳市场的影响因素众多,结构复杂。此外,在目前的碳交易市场的背景链接,各种内部和外部的不确定性市场已经成为重要的驱动因素影响碳市场的价格趋势。碳市场的价格机制和基本特征发生了变化,与传统的研究框架无法解释的驱动机制,在不确定条件下碳价格波动的特点。现有的碳价格预测模型没有充分探讨了历史碳价格波动信息或金融高频数据的影响,网络信息,对碳价格波动和市场不确定性。仍有一些问题值得讨论的领域内碳价格的预测。最近,构建复杂网络数据的技术吸引了国内外学者的广泛关注,和各种方法,提出了非线性数据映射到复杂网络(30.- - - - - -33]。能源经济领域的研究中,复杂网络建设技术被用来构造一个能源价格网络基于能源价格的数据。价格的波动特性进行了研究,和波动机制的价格和能源价格的动态特性网络显示(34,35]。基于数据的能源进出口贸易,能源贸易网络构建的交互模式和演化特征能源进出口国家之间的贸易关系(36]。基于数据之间的能源市场,碳市场和金融市场,信息传输网络在多个市场,和能源市场的波动溢出效应研究[37]。上述研究使用网络科学来研究能源经济系统和获得许多有价值的结果。复杂网络科学的兴起和发展给另一种观点和方法论对能源经济数据挖掘和碳价格趋势预测。

事实上,更高的预测精度取决于预测模型的适用性和质量的数据用于训练模型。因此,重建收集到的数据和使用重构数据训练预测模型提高预测精度是有效的手段。因此,本文提出的想法将网络拓扑信息集成到碳价格数据。与先前的研究相比,本文的贡献和创新在于以下几个方面:(1)对研究对象,先前的研究主要集中在碳价格的真正价值,而本文侧重于波动的趋势,因为在许多情况下,如决策和场景分析,只知道信息是足够的碳价格的上升和下降趋势。因此,它具有十分重要的现实意义预测碳价格的上升和下降趋势。(2)从提高碳价格波动趋势的预测算法,提出了一种新的预测范式基于复杂网络和经典的判别分析算法。本文提出的概念整合网络拓扑信息为碳价格数据。经典的判别分析算法训练数据集,然后碳价格趋势预测模型。程度的改进后的基准模型的预测精度将碳价格网络的拓扑结构信息进行定量分析,在以往的研究并没有发现。(3)样本数据的选择,以往的研究主要是分析一个特定的碳市场的价格数据,但本文选择8个碳市场价格数据的比较分析,讨论了不同的碳市场价格数据对预测的影响精度。

本文的其余部分的结构如下。第二部分详细说明了本文中使用的方法。第三部分描述了如何构建碳价格能见度图网络和分析网络结构。在第四部分,我们做一个比较分析的预测结果。在第五部分,我们提供的结论。

2。方法

2.1。可见图算法

可见性图表方法将时间序列映射到一个复杂的网络。Lacasa et al .,提出的基本思想是将每个数据点的时间序列作为网络节点和节点之间建立一个边缘“视觉条件”是否满意。具体的数学描述如下:让是一个时间序列包含N数据和节点之间有优势和节点当且仅当满足视觉标准如下:

根据时间序列可视化图算法,包含N可以映射到一个网络,其中包含数据N节点。可见性图的原理很简单,和可见性图表网络获得连接属性,如无向仿射不变性和有限的信息损失。它也可以有效区分混沌序列的随机序列。可见图算法的复杂性 ;因此,它在实际应用需要大量的计算时间,限制了其在实践中的应用。为了减少算法的时间复杂度,卢克et al。(2010)修改视觉标准如下(38]:

这个算法被称为水平能见度图算法(HVG)。该算法不仅保持可见性图算法的相关属性也在特定的时间序列进行了理论分析。算法的复杂性 ,大大降低了计算复杂度与能见度图算法和应用价值更高。

2.2。网络拓扑指数

许多概念和方法提出了描述复杂网络结构的统计特征,如度分布、平均路径长度,聚类系数。在下面,我们只介绍数据的拓扑指标用于重建。

2.2.1。聚类系数

聚类系数是一个系数,测量集群网络中节点的度39]。本地节点的聚类系数表示为 在哪里代表节点之间连接边的数量在附近的节点 , 节点的程度吗 ,和 。

2.2.2。网络Assortativity系数

在非零图 , 和表示两个节点在一些边缘的程度 ,和在图的边的数量吗 。然后,assortativity系数的网络 assortativity系数是一个mba的皮尔森相关系数。当是正的,高度连接的节点往往与高度的其他节点连接。当是负的,节点与节点高度倾向于较低程度的连接(40]。

2.3。分类算法

分类是数据挖掘中的一个重要研究领域,机器学习和模式识别。通过分析已知类别的训练样本的数据,人们可以发现分类规则和预测类别的新数据。本文所涉及的分类算法包括线性判别分析(LDA),朴素贝叶斯(NB),再(资讯),随机森林(RF)和支持向量机(SVM)。

2.3.1。乔治。

LDA与监督学习是一种降维技术。其想法是项目数据不容易在某一方向进行分类,这样可以最小化组合方差和组内的方差投影后可以最大化。后的投影,投影点的各种数据预计将尽可能接近,而不同类别的数据类中心之间的距离是尽可能大41]。

让数据样本的数量,类的数量,是类的数量样品,是样本的类 。然后,线性判别分析可以通过下面的优化函数表示: V是投影矩阵,类之间的散度矩阵,下面的类内散度矩阵: 在哪里 。

2.3.2。朴素贝叶斯模型(NB)

尽管LDA简单和直观,它不认为每个类别的观测值是不同的,每个类别的机会是不同的,也不考虑损失的差异造成的误判。朴素贝叶斯的歧视可以克服以上缺点,及其计算过程如下。每个样本的估计,可能属于一个特定的人口(类别)称为“先验概率,”表示 。先验概率的值可以从经验中获得的或可以估计使用每组样本的百分比在总样本42]。每个样本的得分可以根据判别函数,计算的条件概率判别得分条件下,它属于类别是 。样本的概率被判断为某种根据判别函数类别称为postprobability。根据贝叶斯公式,可以计算后验概率

每个样本分类根据后验概率被分配到一个类别。

总之,贝叶斯歧视的基本思想如下。对于每一个样本,首先计算判别函数的分数。然后,根据先验概率, ,条件概率, ,判别的分数, ,的后验概率 计算每个类别的样本来判断。类别的后验概率最大的评判,评判和示例作为一类。

2.3.3。再(资讯)

的基本思想然而,如下。如果大部分的k最近的邻居或最相似的样本样本属于一个类别,那么样本也属于这一类。在这种方法中,最近邻样本选择的样本是所有样本正确分类。这个方法的歧视或分类是一种简单的方法在数据挖掘分类技术(43]。

射频是一种先进的决策树算法的算法。它的优点是它不会产生过度拟合。其理论基础是大数定律,它只是描述如下。让样本向量,是正确的标签矢量分类和射频包含一系列的单分类器 ,在哪里是一个独立同分布的随机变量。然后,定义为边际函数 在哪里功能和指标是平均值函数。边际函数越大,分类的信心就越高。

2.3.4。支持向量机(SVM)

支持向量机是一个线性分类器的特征空间的最大时间间隔。它的学习策略是最大化的间隔,并最终转化为一个凸二次规划问题解决(44]。基于现有的训练集, 在哪里 , 输入空间,每一个点在输入空间组成的属性特征和 。

找到实值函数在 ,这样的分类函数 可以用来推断相应的价值对于任何模式 。向量机优化问题的数学结构表达式如下:

需要当地的对偶定理来解决优化模型所示(10)。解决过程如下。首先,(10)表示如下:

如果特征映射(10)也可以表示为

如果软分离被认为是和松弛变量介绍的数学结构(10)支持向量机优化问题可以修改

2.4。预测算法集成网络拓扑信息

碳的价格趋势预测模型提出了集成网络拓扑信息包括三个模块:

步骤1。构建数据集。让 碳价格系列;然后波动系列 可以通过计算 在哪里 , 。以下数据矩阵可以从波动系列, 在哪里滑动窗口的长度,是一步,滑动窗口的数量。独立变量的数据集是 ,和因变量的数据集是

步骤2。构造图网络的可见性和提取碳价格波动信息。我们将自变量的每一行数据集转换成一个复杂的网络使用可见性图算法和得到的可见性图表网络表示 。均值聚类系数 和网络assortativity系数 可以通过使用(3和4)。然后,新的独立变量数据集

步骤3。分为训练数据和测试数据的预测。训练数据和测试数据分为自变量数据集 ,和相应的标签集获得数据集 。
算法流程图如图1。

2.5。精度指标

碳的价格趋势预测问题可以转化为一个二元分类问题,并根据预测的结果,我们可以得到以下混淆矩阵:

预测valueReal价值	积极的	负
积极的	TP(真阳性)	FN(假阴性)
负	FP(假阳性)	TN(真阴性)

2.5.1。精度

正确预测样本总数的百分比在样品的总数,缩写为交流,由下列公式计算:

2.5.2。精度

这个指数是一个评价指标的预测结果。在结果的预测模型作为正样本,真正积极的样本的比例,缩写为公关,是由以下公式计算:

2.5.3。回忆

这个指数是原样品的评价指标。在实际的正样本,预测是正样本的比例略再保险。计算公式如下:

2.5.4。F1的分数

这个指数是公关和再保险的调和平均数,考虑两者的优点。计算公式如下:

3所示。数据选择和网络特性分析

欧盟碳市场的碳价格数据(EUETS)和七个试点碳市场中国从6月19日,2014年10月9日,2020年,也就是说,北京(BJ),广东(GD)、重庆(CQ),上海(SH)、天津(TJ)、深圳(深圳)、湖北(HB),选择示例数据。为方便对比分析,我们选择时间点从6月19日,2014年10月9日,2020年,当数据在所有八碳市场。因此,1525年的数据样本选择每个碳市场。选择的样本数据的碳价格图所示2(一个)统计图像的示例如图2 (b),内核密度分布的图像示例如图2 (c),8个样本数据之间的统计关系图的碳市场价格图所示2 (d)。选定的样本数据的描述性统计的计算结果如表所示2(上半部分)。

作为数据2(一个)和2 (b)显示,中国碳市场试点的碳价格低。欧盟碳市场的平均碳价格是12.8107欧元/ t)和最高的碳价格是30.44欧元/ t。然而,对中国碳市场试点,北京的碳市场平均碳价格最高,为59.5397元/ t,而TJ碳市场平均碳价格最低,仅为16.8758元/ t。根据变异系数,见表2欧盟碳市场的变异系数大于中国碳市场试点的平均值,表明碳价格的波动幅度在欧盟碳市场的平均波动幅度高于中国碳市场试点。根据数据的分布对称的测量数据2 (c)和2 (d),欧盟碳价格数据呈现右偏态分布,表明,欧盟碳市场价格,碳价格高于均值的分布更分散。除了上海,中国的六个试点碳市场呈现右偏态分布。从平面数据分布的角度来看,欧盟,北京、重庆、上海、深圳和天津碳市场显示平面分布,而广东和湖北碳市场价格数据显示一个锋利的分布。相关计算,碳价之间存在显著的正相关关系在欧盟碳市场,在北京、湖北、上海,皮尔森相关系数为0.8025,0.7175,和0.5535,分别。此外,之间存在着负相关的欧盟碳市场和碳的价格在深圳,−0.4862的相关系数。

八碳市场价格数据样本映射到一个复杂的网络使用可见性图算法,和相应的网络结构和度分布,如图3。相应的网络拓扑指数计算结果如表所示2(底部)。

如图3和表2从网络拓扑的角度来看,欧盟碳市场的价格网络和七个中国碳市场试点都有很大程度上和高聚类系数,和节点度分布服从幂律分布。然而,力量指数是不同的。欧盟碳市场的幂律指数明显高于中国碳市场的平均值,表明欧盟碳市场价格网络的异质性是中国碳市场价格高于网络。从网络的角度assortativity,欧盟碳市场价格网络assortativity系数大于0,表明网络选型,而中国的七个碳市场相反,说明网络是一个assortativity网络价格。因此,欧盟碳市场有一些相似之处与中国七个试点碳市场的统计特征和网络拓扑结构,但有显著差异在特定assortativity系数等指标。这些差异主要是由于政策的差异,系统、分布模式,和每个碳市场覆盖范围的行业。

4所示。模型建设和结果分析

4.1。数据重建

我们第一组每个碳市场的碳价格数据N= 1525时间点。我们设置滑动窗口的长度l和滑动步长1。然后,1✕的价格数据N每个维度碳市场的价格数据转化为(N- - - - - -l+ 1)✕l维度,第一个的价格数据l1天的碳市场是作为独立的变量数据集X,的价格激光天是作为因变量Y。在这种情况下,价格的激光一天可以使用以前的数据预测l1天。将网络拓扑信息集成到独立变量,我们使用可见性图算法将第一个的价格数据l1天的每个碳市场为一个复杂网络,计算每个网络的平均聚类系数和assortativity系数,并将计算结果添加到独立变量数据集X。然后,新建数据集的维数X是(N- - - - - -l+ 1)✕(l+ 1),我们使用这个数据集来预测碳市场的价格趋势。测试模型的鲁棒性,我们随机将重建数据集分为训练集和测试集。样本训练集和测试集的比例设置在9:1。说明整体模型的预测效果,我们做几个测试集上的预测计算的平均价值AC,公关,再保险,F1的分数。这工作是Python中使用的数值模拟软件。

4.2。预测结果的分析欧盟碳市场

根据欧盟ETS的碳价格数据,我们使用模型来预测波动趋势。我们随机划分训练集和测试集,训练训练集上的模型参数,对测试集进行预测通过训练模型,500年和重复计算,1000年,…,20000次。预测精度的演化图像索引(AC和F1),随着计算时间,是获得,如图4。

作为数据4(一)- - - - - -4 (e)显示,五个指标预测模型的预测精度,LDA,然而,NB,射频,支持向量机,和相应的CN-LDA CN-KNN, CN-NB, CN-RF,和CN-SVM往往与迭代次数的增长是稳定的。预测模型将网络拓扑信息是优于相应的基准模型的预测精度,精度,回忆,和F1值。

接下来,我们计算出各种模型的平均预测精度在不同的迭代,结果如表所示3。

我们分析的准确性和F1值预测模型。从图4 (f)和表3,我们发现五个指标预测模型的平均预测精度是0.53822,0.49710,0.53325,0.52835,和0.52342,变异系数是0.00092,0.00118,0.00087,0.00092和0.00073。此外,CN-LDA的平均预测精度,CN-KNN, CN-NB, CN-RF,和CN-SVM是0.54253,0.52877,0.53618,0.52952,和0.52905,分别和变异系数分别为0.00089,0.00102,0.00068,0.00089,和0.00072,分别。平均五项指标预测模型预测F1值是0.60250,0.53035,0.55835,0.58243,和0.68631,变异系数是0.00080,0.00091,0.00104,0.00094和0.00049。此外,相应的平均预测F1值CN-LDA, CN-KNN, CN-NB, CN-RF,和CN-SVM预测模型是0.61668,0.56807,0.57451,0.58434,和0.69200,分别。变化的系数是0.00077,0.00088,0.00089,0.00092和0.00046。因此,CN-LDA模型的预测精度提高了0.79952%,和F1值与LDA模型相比提高了2.35392%。与资讯模型相比,预测的准确性CN-KNN模型增加了6.37085%,而F1值增加了7.11328%。与NB模型相比,预测的准确性CN-NB模型增加了0.54876%,而F1值增加了2.89425%。CN-RF模型的预测精度高于0.22106%的射频模式,和F1值高出0.32818%的射频模式。此外,与支持向量机模型相比,预测的准确性CN-SVM模型增加了1.07535%,而F1值增加了0.82907%。 Furthermore, from the results of the coefficient of variation calculation, it can be seen that the stability of the prediction results of the CN-LDA, CN-KNN, CN-NB, CN-RF, and CN-SVM prediction models is better than that of the corresponding benchmark models.

总之,欧盟碳市场价格趋势的预测,预测模型将网络拓扑信息可以有效地提高基准模型的预测效果。接下来,我们比较的预测影响CN-LDA, CN-KNN, CN-NB CN-RF, CN-SVM预测模型。从的角度预测精度,提高预测精度的顺序从高到低在整合网络拓扑信息如下:CN-KNN > CN-SVM > CN-LDA > CN-NB > CN-RF。五种预测模型的预测精度从高到低CN-LDA > CN-NB > CN-RF > CN-SVM > CN-KNN。从预测精度的F1值的角度,改进的顺序的预测精度的F1值从高到低如下:CN-KNN > CN-NB > CN-LDA > CN-SVM > CN-RF。的F1值五个预测模型从高到低顺序如下:CN-SVM > CN-LDA > CN-RF > CN-NB > CN-KNN。因此,整合网络拓扑信息之后,资讯的预测准确性和F1值预测模型最重要的改进。

4.3。预测结果的分析中国碳市场试点

七个试点碳市场的价格波动趋势在中国预计用5个基准预测模型,预测模型将网络拓扑信息。预测精度,精度、召回和F1值的预测模型计算,结果如图5(一个)- - - - - -5 (g)。比较结果的平均碳价格预测精度在七个试点碳市场如表所示4。

如图5(一个)显示,北京的碳市场,整合后的网络拓扑信息,只有CN-LDA的预测精度和预测精度,精度,F1的CN-NB提高与基准模型LDA和NB。如图5 (b)所示,为广东省的碳市场,整合后的网络拓扑信息,只有CN-KNN的预测精度和预测精度和预测精度CN-RF和CN-SVM改善与资讯的基准模型相比,射频和支持向量机。此外,如图5 (c)显示,重庆的碳市场,整合后的网络拓扑信息,预测效果(包括预测精度、精度、召回和F1分数)的CN-KNN CN-RF, CN-SVM模型显著提高,CN-NB的预测精度提高与基准模型。然而,CN-LDA不改进的预测效果与基准模型。从图5 (d)为上海的碳市场,整合后的网络拓扑信息,预测精度CN-NB CN-RF和预测精度的改进与基准模型。然而,其他预测模型未能改善其性能。如图5 (e)天津碳市场,整合后的网络拓扑信息,预测效果(包括预测精度、精度、召回和F1分数)的CN-NB CN-RF,和CN-SVM显著提高与基准模型相比,虽然CN-LDA和CN-KNN不能改善他们的表现。这里需要指出的是,当基准NB预测模型用于预测碳价格波动的趋势在天津的碳市场,预测准确性,回忆,和F1值都很小,分别为0.24492,0.15168,和0.25402,。这种情况表明,NB模型是无效的在预测碳价格波动的趋势在天津的碳市场。然而,CN-NB预测模型通过整合网络拓扑信息显著提高NB预测模型的预测精度,使精度,召回率,和F1值达到0.56708,0.52440,和0.67349,分别。这种情况也表明,先前无效的预测模型可以成为有效的整合后的网络拓扑信息。如图5 (f)为深圳碳交易市场,整合后的网络拓扑信息,预测效果(包括预测精度、精度、召回和F1分数)的CN-LDA CN-KNN,和CN-RF显著提高与基准模型相比,虽然CN-NB和CN-SVM不能改善他们的表现。如图5 (g)显示,湖北的碳市场,整合网络拓扑信息之后,所有的预测模型未能改善其性能。总之,价格趋势预测的七个国内碳市场试点,与网络拓扑预测模型集成不能总是有效改善基准模型的预测精度。

在下面,我们比较和分析不同预测模型的性能在七个飞行员在中国碳市场价格预测的预测效果。我们计算出平均每个预测模型的预测精度,得到以下结果。

从表4我们发现,北京的碳市场,模型的预测效果从最高到最低的支持向量机(0.8301),CN-SVM (0.8300), LDA (0.8296), CN-LDA(0.8288),射频(0.8268),CN-RF (0.8257), CN-NB (0.8060), NB(0.8041),资讯(0.7995),和CN-KNN (0.7873)。广东的碳市场,模型的预测效果从最高到最低的是CN-SVM(0.7463),支持向量机(0.7419),LDA (0.7413), CN-LDA (0.7365), CN-RF(0.7275),射频(0.7270),NB (0.7016), CN-NB(0.6972),然而,(0.6877),和CN-KNN (0.6713)。重庆的碳市场,模型的预测效果从最高到最低的是CN-RF(0.9112),射频(0.9083),CN-SVM(0.9074),支持向量机(0.9072),LDA (0.9070), CN-KNN (0.9051), CN-LDA(0.9043),然而,(0.8985),NB(0.8445),和CN-NB (0.8433)。上海的碳市场,模型的预测效果从最高到最低的支持向量机(0.8305),CN-SVM (0.8305), LDA (0.8286), CN-LDA (0.8280), CN-RF(0.8275),射频(0.8271),NB (0.8045), CN-NB(0.7981),然而,(0.7950),和CN-KNN (0.7933)。天津的碳市场,模型的预测效果从最高到最低的是CN-SVM(0.9121),支持向量机(0.9092),LDA (0.9078), CN-LDA (0.9075), CN-RF(0.9062),射频(0.9055),然而,(0.8971),CN-KNN (0.8901), CN-NB(0.6782),和NB (0.3689)。为深圳碳交易市场模型的预测效果从最高到最低的是CN-LDA (0.9087), LDA(0.9030),支持向量机(0.9026),CN-SVM(0.9025),射频(0.9003),CN-RF (0.9002), CN-KNN(0.8956),然而,(0.8924),NB(0.8519),和CN-NB (0.8480)。湖北的碳市场,模型的预测效果从最高到最低的支持向量机(0.6915),CN-SVM (0.6914), LDA(0.6624),射频(0.6594),CN-LDA (0.6586), CN-RF (0.6570), NB (0.6415), CN-NB(0.6410),然而,(0.6190),和CN-KNN (0.6082)。总结统计结果,模型的预测效果最好的七个试点碳市场在北京、广东、上海、天津、深圳、重庆和湖北SVM (0.8301), CN-SVM (0.7463), CN-RF(0.9112),支持向量机(0.8304),CN-SVM (0.9121), CN-LDA(0.9087),和支持向量机(0.6915)。根据模型和碳市场的预测效果最好,整合后碳价格的网络拓扑信息,价格趋势预测效果的四个碳市场在广东,重庆,天津和深圳是大大提高了0.5931%,0.3193%,0.3190%,和0.6312%,分别。北京、上海、湖北碳市场,基准模型的预测精度几乎没有变化的拓扑结构信息后碳价格网络集成,和预测精度从0.0095%到0.0145%不等。

4.4。之间的碳排放价格趋势预测结果比较分析欧盟碳市场和7个国内碳市场试点

在下面,我们做一个横向比较的影响碳价波动趋势预测七国内碳市场试点和计算的平均精度,精度,召回,F1值的碳价格波动趋势预测在欧盟和七个中国碳市场试点。结果如图所示6。

从图6,我们可以得出以下结论:碳价格的预测效果七个国内碳市场试点显著高于欧盟ETS。碳价格的平均精度预测欧盟ETS是0.52864,平均精度为0.54177,平均召回是0.77535,平均F1得分是0.59955。碳价格的平均精度预测七国内碳市场试点为0.72336,平均精度为0.75039,平均召回是0.94293,平均F1得分是0.81929。预测精度、精度、召回和F1的中国碳市场试点的36.8346%,38.5079%,21.6134%,和36.6508%高于欧盟碳市场,分别。此外,当我们看个人碳市场的比较,我们发现价格趋势预测的准确性重庆的碳市场排名第一,是欧盟ETS的高出58.0795%。价格趋势预测的准确性湖北碳市场排名最后的是4.5587%高于欧盟碳市场。碳价格趋势预测的精度在天津的碳市场排名第一,欧盟ETS的高出60.9486%。价格趋势预测的精度在湖北的碳市场排名最后,欧盟ETS的高出3.6619%。价格趋势预测的回忆在北京的碳市场居第一位,在精度高于26.0111%的欧盟ETS。湖北召回碳价格趋势预测的碳市场排名最后,精度高于9.3414%的欧盟碳市场。 The F1 score of price trend prediction of Chongqing’s carbon market ranks first, with a 51.408% higher accuracy than that of the EU ETS, and the F1 score of carbon price trend prediction of Hubei’s carbon market ranks last, with a 7.6807% higher than that of the EU ETS.

5。讨论

中国和欧盟碳市场试点碳价格波动有巨大的差异。从碳价格网络的结构特点,欧盟碳价格的网络是一个assortativity网络,而网络在中国七个试点碳市场价格都是disassortativity网络。在中国七个试点碳市场价格波动也相差很大;碳市场价格在上海了没有,平面分布;碳市场价格在北京、重庆、深圳和天津呈现右偏态,平面分布;在广东和湖北和碳市场价格数据呈现右偏态,锋利的分布。从预测结果可以看出,中国碳市场价格趋势的预测效果使用相同的模型是显著高于欧盟碳市场,表明中国飞行员碳市场价格波动的复杂性低于欧盟ETS,和中国碳市场的价格波动规律。事实上,在这篇文章中,我们预测未来趋势的碳的价格基于每个碳市场的历史数据。更有效的信息可以反映未来价格波动的趋势在历史价格波动的过程中,碳价格趋势预测的精度就越高。

本文认为碳价格趋势的预测精度在中国试点碳市场明显高于欧盟ETS,这表明中国的试点碳市场的价格波动可以用历史来解释碳价格明显高于那些在欧盟碳市场。这一结论与之前的研究一致(45,46]。欧盟碳市场目前被认为是一个相对成熟的碳交易市场,而中国的碳价格信号试点碳市场尚未完全发挥。上述问题的主要原因在于不活跃交易、法律建设不完善,市场化程度较低的国内碳市场试点。尽管中国市场效率的试点碳市场显示了持续改善的趋势,总的来说,中国碳交易市场的建设仍处于起步阶段,将面临一些不确定因素。仍有很长的路要走在碳市场将探索之前,迭代和成熟。

低碳发展的重要性被提升到了前所未有的水平在中国给世界碳排放峰值和碳中性的时间表,将成为发展的基本驱动力国家碳市场。2021年1月1日,第一个实施周期中国国家碳市场正式启动,涉及2225发电行业的主要排放国。使国家碳市场更有效率和活跃市场将是一个重大的挑战。在碳市场建设的过程中,行业包括钢铁、水泥、化工、电解铝、论文应包括尽快。更多元化的交易方,包括资产运营机构和金融机构,应该补充道。多样化的参与者将促进一个活跃的市场的形成。在碳市场达到一个合理的价格,应该首先确定总量和碳配额交易应该在总量的前提下决定建立常规价格形成的条件。我们如何确定和计算碳的总量?经济增长、产业结构调整、能源结构优化、协调控制空气污染物的排放,和其他因素需要被考虑在制定总碳排放配额。至于碳价格,我们应该充分发挥市场本身的作用,减少不合理的政府干预市场尽可能多。 However, the government should still establish rules and strict supervision, and at the same time, it should strengthen the connection between the carbon market and the financial market and strengthen the interaction with the carbon finance and capital market, which will increase the size of the carbon market and contribute to the formation of the carbon price. Through the above measures, the carbon financial market can be active, improve the efficiency of the market, and promote the carbon market as an important tool to cope with climate change and achieve carbon neutrality.

本文的主要目的是讨论是否将复杂的拓扑从原来的碳价格数据到原始的碳价格数据可以帮助改善现有的预测模型的预测精度,而不是集中在是否构建预测模型的预测精度最高。在本文中,我们选择六个经典预测模型作为基准模型,使用碳市场价格数据和实证分析表明,预测精度的基准模型可以显著提高集成后的网络拓扑信息,表明本文提出的想法是有效的。当然,我们也可以选择其他经典预测模型作为基准模型,如神经网络和极端的学习机器。虽然神经网络模型可以实现更好的预测精度,神经网络模型本身包含许多参数,如神经元的数量,隐藏层的数量,激活函数,和学习速率,参数的选择有显著影响模型的预测精度。因此,为了减少的过程参数优化和验证预测思想提出了更快,我们没有选择神经网络模型作为基准模型。事实上,我们已经建立了一个原油价格预测模型基于复杂网络和神经网络在文献[47),验证了混合模型具有较高的预测精度。

在实际应用中,本文提出的预测模型的核心步骤是将原始数据转换成一个复杂的网络。我们使用本文转换方法的可见性图算法,没有参数的优势,也就是说,一个无参数的映射算法。除了能见度图算法,复杂网络的转换算法的时间序列数据还包括递归网络,粗粒度的,和其他方法,需要确定一些额外的参数。因此,在实际应用中,我们建议使用可见性图表方法将时间序列数据转换成一个复杂的网络,然后使用网络拓扑提取数据信息。在接下来的研究中,我们将继续研究时间序列预测算法基于多层复杂的网络。

数据可用性

欧盟碳市场的碳价格数据(EUETS)和七个试点碳市场中国从6月19日,2014年10月9日,2020年,也就是说,北京(BJ),广东(GD)、重庆(CQ),上海(SH)、天津(TJ)、深圳(深圳)、湖北(HB),被选为示例数据。

的利益冲突

作者宣称没有利益冲突。

确认

支持的研究基础:中国国家重点研发项目批准号2020 yfa0608602下,江苏省清局域网项目(2021),江苏省六大人才高峰计划(司法院- 055)和中国博士后科学基金资助项目(2021 m691312)。