基于谷歌趋势的碳价波动性及预测研究

蔡文娟

[摘 要]选取碳排放为关键词的谷歌趋势为网络搜索变量，运用DCC-MIDAS模型研究欧盟排放配额对我国碳排放配額的影响，并对其价格进行预测。研究发现网络搜索量与国内外碳市场之间存在联动效应。从采用不同权重的MIDAS模型预测结果来看，U-MIDAS权重对于碳价预测的效果最佳。

[关键词]网络搜索量;谷歌趋势;DCC-MIDAS;碳价预测

[中图分类号] X196[文献标识码] A [文章编号] 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

经济发展提高了人们的生活水平但是也引发了许多严峻的问题，温室效应就是其中之一。根据IPCC的研究，温室效应很大程度上是由二氧化碳等温室气体的排放所引起的。自19世纪中期至今地表温度已经上升了0.74℃，预计到2100年地表气温将增加1.4—6.4℃。温室效应将会给人类经济社会的发展造成极大的危害。对于如何减少温室气体排放，抑制温室效应，己经成为国际社会的热门话题。对此全球制定了相关合作协议来建立统一的碳交易市场，通过对于碳排放权配额的买卖来降低二氧化碳的排放，这也凸显出碳排放权的金融和投资属性。然而，由于碳市场属于新兴市场，建立时间相对较短，存在不少问题，如交易机制不尽完善、交易量相对较少、价格波动较为剧烈等。除此之外有学者研究发现，我国的碳金融资产大量流失，至2008年已经达到了33亿欧元，这与没有完善的碳价研究预测机制息息相关。因此对于我国碳市场价格波动以及预测的研究至关重要，不仅有利于我国的碳交易市场发展和完善，而且可以有效地提高我国在全球碳市场的话语权。

二、文献综述

近年来，国内外学者从不同的角度对碳市场进行研究。研究角度主要集中在碳排放影响因素（如极端气候，排放限额政策，经济社会发展，能源市场和市场规则）、碳市场交易价格波动特征及风险测度和碳市场交易机制等方面。

国外对于碳市场价格预测的研究起步较早，按照研究方法可分为参数法与非参数法。Paolell（2008）[1]使用改进的混合正态GARCH模型对碳市场价格进行预测，发现与常用的风险预测模型相比，改进的GARCH模型在样本内拟合和样本外风险预测方面的精度有所提高。Byun（2013）[2]研究了不同GARCH类型模型来预测碳期货的波动性。研究表明具有正态分布的GJR-GARCH模型优于其他GARCH类型模型的预测。纪钦洪等（2018）[3]建立三元线性回归模型对广东碳配额市场的价格进行预测。模型回归结果表明，回归碳价与碳配额成交价整体拟合程度较高，MAPE小于10%。

碳市场价格变化并不总是线性的。在此基础上，一些学者开始采用非参数方法来处理此类问题。Zhu（2013）[4]综合LSSVM模型和ARIMA模型的优势，提出了LSSVM、ARMA联合模型。该模型在欧盟碳价预测的表现优于ARIMA和LSSVM。王娜（2016）[5]提出的Boosting-ARMA算法，利用Boosting算法来自动寻找ARMA模型的最优子集。模拟实验和实证结果都显示了Boosting-ARMA在碳价预测方面的有效性。崔焕影等（2018）[6]利用EMD-GA-BP模型、EMD-PSO-LSSVM模型构建组合预测模型从国际碳价、国内外能源市场和国内经济三个方面来对国内的碳价进行短期和长期的预测。

随着互联网的普及，特别是近年来百度谷歌等搜索引擎的广泛使用，信息的传播范围与传播速度正在不断提高，消费者能够借由网络取得相关产品与服务的详细信息，为研究者提供了相关科学研究领域的新思路。消费者的这些“搜索行为”可以直接或间接反映用户的需求，而用户需求最终反映到实际的社会经济环境中去。众多学者研究发现网络搜索量与经济社会之间有着相关关系，因此使用网络搜索这一变量对消费、房地产、就业和股市等进行预测。Marcos 和 Carmen（2018）[7]使用谷歌在线搜索数据来预测西班牙的失业率。发现互联网搜索与失业之间存在着高度相关性。除此之外，包含互联网搜索的数据增强了模型的预测性能。Takeda 和 Wakao （2014） [8]考察了2008年和2011年之间189种日本股票的在线搜索强度与股票交易行为之间的关系。结果表明，谷歌搜索指数与股票收益率之间有弱负相关性，与交易量之间存在显著的正相关性。

国内也有一些学者利用网络搜索指数对经济领域进行探索研究。张谊浩等（2014） [9]利用AR模型来研究网络搜索量与股票市场之间的相互关系，研究表明网络搜索量和网络搜索强度对股票短期和累计收益率以及短期的交易量均有影响。并且投资者的网络搜索行为对股票市场有着较强的解释和预测能力。董倩等（2014） [10]以北京、重庆、天津等16个大中城市的新建商品房价格和二手房价格为研究对象，引入百度指数进行了预测，得到预测新建商品房和二手房价格指数变动的最优模型，并且预测的房价指数比统计局官方发布的统计数据早2周左右。吕本富等（2012） [11] 采用均衡价格理论，揭示了CPI与网络搜索行为之间存在协整关系。与传统模型相比该模型还具有转折点预测能力。

因此本文把网络搜索引入对于我国碳市场价格预测中，采用DCC-MIDAS模型探究国内外碳市场与网络搜索量之间的关系，并对碳价进行相关预测研究。

三、DCC-MIDAS模型

DCC-MIDAS模型将DCC引入GARCH-MIDAS模型而来。Colacito， Engle和Ghysels三位学者首先提出DCC-MIDAS模型这一概念，将动态相关性分解为长期成分和短期成分两部分，从而构建了DCC-MIDAS模型。用GARCH模型中的长期和短期波动成分取代了传统的DCC模型中的相应部分，然后利用GARCH-MIDAS模型将长期相关性加入混频数据样本中，因此构建了一个能够刻画混频序列相关性的动态模型DCC-MIDAS模型。模型如下：

四、实证研究

（一）样本选择与描述性统计分析

我国统一的碳交易市场还未建立，各个试点城市由于当地经济发展水平的差异有着不同的经济结构和能源消费结构，笼统地对所有交易试点城市的交易数据和影响因素的变量进行面板数据分析则忽视了这种差异性，存在一定的局限性。因此使用相关的模型进行单一试点城市的实证研究更加契合实际情况。因此以我国开始交易最早、规模最大的深圳碳交易市场的碳配额成交价格作为我国碳市场价格的代表。通过谷歌趋势搜索碳排放为关键词的日度数据为网络搜索量的代理变量。选取2013—2018年间欧盟碳排放交易所的欧盟配额 （EUA） 期货结算价为国际碳价的代理变量。由于数据的可得性，样本期间为2013年9月26日至2018年10月9日。共1032个数据样本，数据来源于WIND。

从表1可知，样本期内3个序列的平均收益率为正值。深圳碳交易市场的标准差远大于EUA期货，说明其波动性最大。从偏度来看，两个碳交易市场的偏度都大于0，呈明显的右偏态。峰度方面，两个市场的峰度均明显大于3，存在尖峰厚尾的特征。所有收益率序列都拒绝服从正态分布的假设。

（二） DCC-MIDAS模型的建立

首先估计单变量GARCH-MIDAS模型的参数，结果见表2。

从GARCH-MIDAS估计结果来看EUA期货的α+β值比较接近于1，短期成分的持续性较强。α和β均大于0且在1%的水平下显著，α与β的和小于1。表明价格的非正态性，存在波动集群特征，市场存在投机性。EUA期货市场中β>α，说明EUA极易受外部信息的影响。θ>0，说明可实现波动有相对较大的比例可以传导到长期波动中。从长期波动成分来看，3个指数所对应的m都是正数，而且在1%的水平下显著。长期成分相对于总的波动来说波动幅度要小得多，而且趋势也更为平滑，去掉了一些不必要的噪音。关于DCC-MIDAS模型动态相关性的估计结果可以看到，a+b的值接近于1，说明网络搜索和国内外碳市场之间存在联动效应，并且序列间的动态相关性有较强的时变特征。

（三） 预测研究

由于长期成分可以很好地代表总的波动且平滑掉了一些不必要的噪音，因此使用MIDAS模型利用谷歌趋势和EUA期货的长期成分来对我国碳市场进行样本内估计。样本期间为2013年9月至2018年4月。通过比较不同估计窗口和滞后阶数下的样本内估计效果，实证结果如表3所示。

从表3中可以看出U-MIDAS模型对于模型的拟合度最高 （R2=0.991055），模型对数据整体拟合程度较好。Theil U1的参数在0—1之间，越接近于0模型拟合程度越高。U-MIDAS的RMSE、MAE、MPAE、SMAPE、Theil U1均最低，拟合效果最好。

对于剩下的数据进行样本外稳健性检验，由表4可以发现U-MIDAS仍然是拟合效果最优的。虽然R2可能由于样本数据较少的原因较小，但是从Theil U1拟和效果仍然最优。

五、结论和建议

基于谷歌趋势的网络搜索量，采取混频DCC-MIDAS模型对于欧盟碳市场与我国碳市场之间的关系进行预测研究，研究结果表明，网络搜索量、欧盟碳市场和我国碳市场之间存在联动效应，且两两动态相关。采取不同的权重函数对于我国碳市场进行样本内、外的预测，发现U-MIDAS权重预测效果最优。

我国碳排放权交易市场处于起步阶段，其市场化程度对于经济的可持续发展和低碳经济目标的实现至关重要。基于网络搜索量对于国内外碳市场之间关系进行预测研究，对于促进投资者和企业积极地参与碳市场的投资交易，以及建立和完善全国统一的碳交易体系具有一定的理论和指导意义。由于我国能源领域的供给侧结构性改革初见成效，能源供给质量进一步提高，非化石能源等相对清洁的发电比重进一步提升，我国的碳排放量正在逐步减少，低碳经济正在逐步实现。对于我国的碳交易机制提出以下建议。

首先，鼓励碳市场不断进行创新，加强碳市场与其它金融市场之间的多边合作。充分发挥碳减排在促进我国能源转型实现低碳经济过程中的积极作用。

其次，加强碳排放交易体系建设，建立全国统一的成熟的碳交易市场。完善碳市场的法律法规，规范碳金融市场的运营，切实保护好相关企业和投资者的权利和利益，保障碳市场的平稳健康运行。

第三，因地制宜，制定促进碳市场发展的对策。全国统一碳市场虽然已经启动，但是我国各区域经济发展水平和文化制度均存在较大的差距，使得统一碳市场的建立存在一定的问题。因此，一定要因地制宜，制定符合各地实际情况的发展对策。

[参考文献]

[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]紀钦洪，孙洋洲，于航，郭雪飞，等.基于多元线性回归的碳配额价格预测模型研究[J].现代化工，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的碳价预测[J].统计与信息论坛， 2017 （3） .

[6]崔焕影，窦祥胜.基于EMD-GA-BP与EMD-PSO-LSSVM的中国碳市场价格预测[J].运筹与管理，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] 张谊浩，李元，苏中锋，等.网络搜索能预测股票市场吗？[J].金融研究，2014（2）：193-206.

[10]董倩，孙娜娜，李伟.基于网络搜索数据的房地产价格预测[J].统计研究，2014，31（10）：81-88.

[11] 张崇，吕本富，彭赓，等.网络搜索数据与CPI的相关性研究[J].管理科学学报，2012，15（7）：50-59，70.

（责任编辑：郭丽春 刘 茜）