经济政策不确定性对深圳碳排放权交易市场波动性的影响

摘 要：相较于国外碳排放权市场，我国的碳排放权交易体系交易制度和监管体系等各方面尚待完善。碳排放权价格的波动经常会给投资者、企业、监管带来困扰，这也是当今学者关注的重点。本文采用GARCH-MIDAS模型将碳排放权价格的波动分解为长期和短期分量，并将经济政策不确定性（EPU）指数作为潜在的影响因子，对设立时间最早且有效交易日较多的深圳碳交易市场进行研究。本文采用GJR-GARCH-MIDAS模型进行比对以将杠杆效应纳入考虑。研究表明，经济政策的变化会加剧碳排放权价格的波动，且这种影响是长久的，而杠杆效应在样本中并不显著。因此，政府应通过出台详细政策指引和增加信息披露透明度来最大化降低这种不确定性所带来的价格波动。

关键词：经济政策不确定性；碳交易市场；碳价格波动；杠杆效应；GARCH-MIDAS

本文索引：黄俊凯.<变量 2>[J].中国商论，2024（12）：-125.

中图分类号：F205；F127 文献标识码：A 文章编号：2096-0298（2024）06（b）--05

1 引言

传统燃料的大量使用引发了全球变暖等气候问题，限制温室气体的排放成为各国关注的焦点。碳排放权交易市场具有将温室气体排放额进行合理配置的功能。为了实现减排的目标，我国从2013年开始在全国各地陆续建立深圳、北京、上海等碳排放交易试点市场。在后续也颁布了许多节能减碳的措施，并且上线了全国碳排放权交易市场。如何稳定碳排放权交易价格以及度量其波动性等成为进一步建设我国碳交易市场，以及实现“碳达峰”“碳中和”等目标的重要因素。

关于这个领域，价格的问题是学者们研究的重点。碳期货不仅为企业控制排放提供了有效的风险管理工具，还为投资者从事投机性套利活动提供了机会。引起碳期货价格波动的因素自然成为市场参与者们不可忽视的问题，而经过学者们的研究，发现经济形势与政策调整是引起碳交易市场波动的关键因素。

经济政策的不稳定和变化将会通过各种方式直接或间接影响到碳排放权交易市场。最为直观的一点就是供给对于其价格的影响。政府可以通过对碳排放权交易市场的供给进行限制，直接地去抬高或压低碳排放权的价格。其次是通过需求来对其价格进行影响。打个比方，政府可以通过对企业碳排放进行管制来制作或减少其购买碳排放权的需求，进而直接影响碳排放权的价格。除此之外，由于存在着和碳属于替代关系的许多能源商品，因此它们的市场价格变化也可以间接的方式来影响碳排放权交易市场的波动。总的来说，影响碳排放权交易市场价格波动的因素可能有很多种，而经济政策则是最为关键和最值得研究的。

本文利用Baker等（2016）提出的经济政策不确定性（economic policy uncertainty， EPU）指数对我国经济政策不确定性进行度量。同时，本文采用Engle等（2013）提出的GARCH混合频率数据采样（GARCH- MIDAS）模型，可以将不同频率的数据合并到同一模型中，并将波动率分解为长期分量和短期分量，有效提高了拟合精度。

2 相关研究评述

国外的碳排放权交易市场起步较早，且学者们主要聚焦于欧盟碳排放交易体系，重点关注EUA的价格。Holzmark 和 Maestad（2002）研究了公共政策与碳信用额价格之间的关系，发现欧盟碳排放提案对碳信用额价格有重大影响。Christiansen等（2005）也研究了欧盟碳信用额的价格，发现市场因素是其主要影响因素。

随着碳信用市场的发展，交易参与者的数量也在增加。碳排放权价格的波动愈发强烈且受到更多关注。Daskalakis等（2009）发现欧盟碳排放权价格中的异方差性。Chevallier等（2011）将非参数方法进行了应用，发现碳排放权价格的非对称性。Segnon等（2017）将开始对GARCH类模型进行了尝试，并取得了不错成果，为决策者提高其风险管理能力提出新的方法。

经济形势和政策调整对于碳期货价格的波动至关重要。Bel等（2015）使用动态面板数据方法对欧盟排放交易系统（EU ETS）的历史数据进行分析，发现2008年次贷危机引发的经济衰退导致碳配额需求急剧下降，碳配额价格暴跌。Kanamura（2019）从碳资产供给侧的角度对碳定价进行了理论和实证研究，认为政府的分配制度将直接决定市场上碳配额的供给，进而影响了碳期货的价格。

Hartvig ? D等（2023）设计欧盟气候变化新闻指数。该指数能够追踪欧盟正在进行的关于气候变化的辩论，并且将该指数纳入一个简单的预测模型显著提高了对ETS价格回报的预测。Eslahi M和 Mazza P（2023）提出一种原始的方法来构建欧洲规模的电力需求和天气指数，并通过一种先进的预测建模技术（极端梯度增强）来表征这些指数与排放限额价格之间的关系。

当前，我国碳排放权交易市场尚未成熟，国内碳期货的研究相对较少。吕勇斌，邵律博（2015）利用 GARCH 聚类模型对中国的区域碳排放权市场进行分析，发现其表现出明显的变异性聚集现象。张婕等（2018）采用ARCH模型簇对深圳、北京、上海等6个城市试点碳排放市场交易价格进行了研究，发现我国区域碳排放权市场价格波动的差异性。其中，深圳碳排放价格波动幅度最大，而湖北碳排放价格波动幅度较小。但是，各个碳交易市场的价格波动趋势相似。吕靖烨等（2021）运用小波多分辨率分析的方法对比了我国碳排放权交易市场与欧洲碳排放权交易市场之间的差异，发现我国碳期货交易价格受政策、监督机制、市场参与度等因素的制约，表现出波动周期性不强、震荡幅度大等特征。

总体来说，上述分析表明，市场和政治环境的变化是碳信用额价格波动的主要原因。因此，本文将经济政策的不确定性作为自变量，研究其对我国碳排放权价格波动的影响。碳排放权价格具有明显的异方差特性，现有研究大多采用经典的GARCH模型簇对其进行建模。但是市场形势和政策的变动往往属于低频变量，而碳排放权价格又属于高频变量，经典的GARCH模型簇无法对混频数据进行拟合，往往只能将高频数据低频化，造成信息的缺失。基于此，本文采用Engle等（2013）提出的GARCH混合频率数据采样（GARCH- MIDAS）模型，不仅综合利用了不同抽样频率的数据，还能分离出影响被解释变量波动的长期成分和短期成分，从而能更好地刻画出被解释变量的波动趋势。本文有助于推进碳排放权价格建模的研究，为管理者平抑波动风险，促进市场减排计划提供了新的见解。

3 模型和方法

为探索月频率EPU指数对日频率碳排放权价格长期波动的贡献，本文采用Engle等（2013）提出的GARCH-MIDAS模型。与GARCH模型簇不同的是，GARCH-MIDAS中的波动率进行了分解。具体而言，波动性分为由 GARCH 驱动的短期成分和由 MIDAS 驱动的长期成分。短期成分表示历史波动信息，而长期成分由低频变量决定。模型具体形式如下：

式（1）、（2）分别为GARCH-MIDAS模型的均值方程和方差方程，式（3）中Φi-1，t表示某月第i-1天到第t天的信息集，εi，t是独立同分布随机变量。ri，t表示t月i日金融资产的对数收益率，μ表示对数收益率序列的无条件均值，Nt表示一个月内的天数。σ2i，t表示对数收益率序列的总方差，它可以被划分为短期波动率si，t和长期波动率lt。短期波动率si，t服从经典的GARCH（1，1）过程，长期波动率lt的对数形式由MIDAS回归得出。

4 数据选取与统计描述

本文研究的数据包含日频数据和月频数据两部分。日频数据来自深圳碳交易市场的碳排放权（SZA）的每日收盘价格。深圳排放权交易所是我国建立的第一个碳排放权交易市场，相比我国其他试点市场较为成熟，且有效交易日多，市场活跃度高，对于我国完善全国统一碳排放权市场具有重大意义。月频数据是Baker等（2016） 创建了经济政策不确定性指数（EPU）。EPU指数的建立基于报纸报道中关键词的频率，如不确定性、经济活动和政策调整等，其提出以来便被学者们广泛应用于研究当中。

为了保证数据的充分性和有效性，本文使用深圳排放权交易所开市以来所有的碳排放权（SZA）的每日收盘价格，时间跨度为2015年8月到2023年12月，共有1674个日频数据，数据来源于WIND数据库。EPU样本时间跨度是2015年8月到2023年12月，共有101个月频数据，数据可从http：//www.policyuncertainty.com/获得。采用时间起点为2015年8月，主要是因为从这个阶段开始，我国中央和地方政府开始集中大批颁布节能减碳相关的行业政策，驱动了后续一系列的碳排放权价格走势。

表1是SZA对数收益率的描述性统计特征。从表1可以分析得出，均值为负值，表示超额收益为负，深圳碳排放权在这段时间的走势是整体略有下行的；标准差绝对值远大于其均值，说明SZA对数收益率序列具有较强波动性，侧面反映出对其建模以分析其波动性的必要性；偏度大于0，峰度大于3，可见SZA对数收益率呈现明显的右偏、尖峰厚尾的分布形式，这也是绝大多数金融资产收益率所呈现出的性质；J-B检验结果表明序列显著拒绝其服从正态分布的原假设；ADF测试结果表明，该序列是平滑的，可以建立模型；ARCH效应检验结果表明，序列具有显著的异方差特性。

图1和图2分别为SZA对数收益率序列图和同一时间段内EPU指数序列图。从中可以看出，SZA对数收益率一直在零值徘徊。值得一提的是，SZA对数收益率随着时间变化有着越来越强的波动。波动的大小在时间轴上也是不一样的，表明出显著的波动集聚效应。期间，EPU指数达到过两次较高的水平，而SZA对数收益率在此期间表现出两次较大的波动幅度，具有明显的时变性。总的来说，通过肉眼观察可以大致推断出两个指标之间存在一定的相关性。为了研究的严谨性且以客观态度来证实，本文继续采用建模来对两者进行研究和论证。

5 实证分析

本文使用 GARCH-MIDAS 模型来量化 EPU 指数对于深圳碳排放权SZA对数收益率波动性的影响。为了尽可能地保证模型的稳健性，在参数估计过程中尽可能地选取多个滞后阶数k，探索模型的拟合效果。表2是GARCH-MIDAS模型在滞后7个月、16个月、32个月以及56个月的参数估计结果。

从表2结果可知：（1）绝大部分的参数都达到显著性水平，说明GARCH-MIDAS模型对EPU指数影响SZA对数收益率波动性具有不错的拟合效果；（2）α和β均大于零，且α+β<1，说明模型对于波动率的短期成分具有不错的拟合效果，且波动率存在较高的持久性；（3）θ均大于零且显著，这说明经济政策不确定性 EPU 指数对波动的长期部分具有积极影响；（4）EPU指数对SZA对数收益率长久波动性的显著影响最大可达56个月的时滞，最低为7个月。

正向冲击和负向冲击对金融资产收益率的影响不同。负面冲击对金融资产收益的影响往往大于正面冲击，这种现象被称为杠杆效应。以往的研究提到碳期货价格波动过程中存在非对称性。传统的 GARCH 模型假设过去的正负扰动对条件方差的影响是对称的，这就无法捕捉碳期货收益序列中观察到的非对称效应。事实上，已有研究中提到碳期货价格波动过程存在非对称性。在传统的GARCH模型中，正的过去的扰动和负的过去的扰动对于条件方差的影响是对称的，无法刻画碳期货收益率序列的非对称效应。针对这个问题，本文进一步采用Glosten、Jagannathan和Runkle（1993）提出的GJR-GARCH模型，构建GJR-GARCH-MIDAS模型对碳期货市场的杠杆效应进行探索。GJR-GARCH模型的方差方程具体形式如下：

其中，I（εt-1<0）是一个关于εt-1的指示函数，即当满足括号内的条件时，I（εt-1<0）=1，否则等于0。γ是量化波动率杠杆效应的杠杆系数。本研究将GJR-GARCH模型代替前面所用的GARCH（1，1）模型，进一步探索碳期货市场的杠杆效应。表3是GJR-GARCH-MIDAS模型在滞后7个月、16个月、32个月以及56个月的参数估计结果。

从表3可以看出，在不同的滞后时期所得的参数结果都有α+β+γ/2<1，说明模型对于波动率的短期成分具有不错的拟合效果，且波动率存在较高的持久性；在滞后7个月、16个月时，γ大于0，说明负面冲击对波动率的影响大于正面冲击；在滞后32个月、56个月时，γ小于0，说明正面冲击对波动率的影响大于负面冲击；值得注意的是，γ参数估计的结果并不显著，说明非对称效应在深圳碳排放权SZA收益率波动中并不明显。

6 结语

我国的全国碳排放权市场上线时间相较区域碳排放权交易市场较晚，样本量较小，因此为了保证建模的质量，本文采用建设时间最早，有效交易日最多，且有效成交额较多的深圳碳排放权交易市场的交易数据作为研究对象。因该试点具有较好的代表性，其研究对于我国统一碳排放权市场的建设与完善具有一定的意义。

通过采用GARCH-MIDAS模型，本研究将碳排放权市场的波动性质分解为长期分量和短期分量，以混频的角度来衡量我国碳排放权交易市场的波动程度。具体而言，本文采用经济政策不确定性（EPU）指数来与深圳碳期货市场的价格波动进行回归，发现EPU指数对深圳碳期货市场波动的长期分量在7～56个月的滞后期间均具有显著的正向影响。结果表明，经济政策不确定性的增加会导致深圳碳排放权市场波动加剧，且这种影响具有长期性。此外，本文采用GJR-GARCH-MIDAS模型来进一步研究深圳碳排放权市场的杠杆效应。结果表明，在短期内碳排放权价格受到负面消息的影响要大于正面消息的影响，长期则相反，但整体的影响都不太显著。

总的来说，我国碳排放权交易市场处于刚刚起步的状态，市场机制并不完善，这使得其市场运作过程更容易受到经济政策不确定性的影响。在经济政策不确定性程度高的时期，政府应制定相应的环境导向政策，以减少碳排放权价格的过度波动，保持碳排放权交易市场的健康发展。首先，要实现全国各地区碳排放权交易的统一化管理，打破地区壁垒，增强市场的健康流动，最大程度地去除区域碳排放权交易管理不统一带来的不确定性。其次，政府应加强碳排放权相关的立法和执法。通过梳理现有法律以及漏洞，并吸收国外相关经验，来出台或修订相关法律以对当前碳排放权交易市场面临的交易税收制度缺位、担保规则不明等瓶颈问题进行解决。最后，各级政府应尽快出台详细明确的碳排放权交易市场建设的指导政策，并通过完善事前事中事后的风险管理机制和增加市场信息披露的透明度来为市场参与者提供可靠的指引，增强市场信心。通过以上措施，政府可以将经济政策不确定性对碳排放权交易市场波动的影响进行削弱，避免市场过度波动给投资者和监管者带来麻烦。

参考文献

Baker S R， Bloom N， Davis S J. Measuring economic policy uncertainty[J]. The quarterly journal of economics， 2016， 131（4）： 1593-1636.

Engle R F， Ghysels E， Sohn B. Stock market volatility and macroeconomic fundamentals[J]. Review of Economics and Statistics， 2013， 95（3）： 776-797.

Holtsmark B， M?stad O. Emission trading under the Kyoto Protocol—effects on fossil fuel markets under alternative regimes[J]. Energy Policy， 2002， 30（3）： 207-218.

Christiansen A C， Arvanitakis A， Tangen K， et al. Price determinants in the EU emissions trading scheme[J]. Climate Policy， 2005， 5（1）： 15-30.

Daskalakis G， Psychoyios D， Markellos R N. Modeling CO2 emission allowance prices and derivatives： Evidence from the European trading scheme[J]. Journal of Banking & Finance， 2009， 33（7）： 1230-1241.

Chevallier J. Nonparametric modeling of carbon prices[J]. Energy Economics， 2011， 33（6）： 1267-1282.

Segnon M， Lux T， Gupta R. Modeling and forecasting the volatility of carbon dioxide emission allowance prices： A review and comparison of modern volatility models[J]. Renewable and Sustainable Energy Reviews， 2017， 69： 692-704.

Bel G， Joseph S. Emission abatement： Untangling the impacts of the EU ETS and the economic crisis[J]. Energy Economics， 2015， 49： 531-539.

Kanamura T. Supply-side perspective for carbon pricing[J]. Available at SSRN 2905657， 2017.

Hartvig ? D， Pap ?， Pálos P. EU Climate Change News Index： Forecasting EU ETS prices with online news[J]. Finance Research Letters， 2023， 54： 103720.

Eslahi M， Mazza P. Can weather variables and electricity demand predict carbon emissions allowances prices？ Evidence from the first three phases of the EU ETS[J]. Ecological Economics， 2023， 214： 107985.

吕勇斌，邵律博.我国碳排放权价格波动特征研究： 基于GARCH族模型的分析[J].价格理论与实践，2015（12）：62-64.

张婕，孙立红，邢贞成.中国碳排放交易市场价格波动性的研究： 基于深圳、北京、上海等6个城市试点碳排放市场交易价格的数据分析[J].价格理论与实践，2018（1）：57-60.

吕靖烨，曹铭，张金锁，等.基于小波多分辨率的中国碳排放权市场价格波动性研究[J].系统工程理论与实践，2021，41（7）：1699-1708.

Glosten L R， Jagannathan R， Runkle D E. On the relation between the expected value and the volatility of the nominal excess return on stocks[J]. The journal of finance， 1993， 48（5）： 1779-1801.