第四章 欧盟碳排放权交易市场波动率预测研究

第一节 引言

在碳排放权市场中，除了碳排放权的价格外，收益率和波动率都是交易者观察市场整体状况与变化的维度，与价格和收益率一样，波动率对市场参与者来说也是至关重要的。然而不同参与者的目的并不完全一致，对于资产管理者，波动率越大意味着对应的风险越高，相应的仓位应该降低；套期保值者希望能对错误反应的市场进行套利；对于市场投机者，波动率对未来市场的走势有重要参考意义，预测波动率对其获利至关重要。尽管目的不完全相同，但波动率的预测对其交易都有重大的影响。

波动率是一个被创造出来的统计学概念，一般用来衡量标的资产价格或收益率波动的剧烈程度。较为常见的波动率理解是资产收益率的方差值，有时候波动率也取为价格极差的方差数值，不同的衡量方法对波动率有着不同的定义，但其本质不变。波动率有多种类型，但最重要的是可比性，即能做到同一体系下可比即可。关于波动率的类型的发展，相较于低频波动率，高频波动率所携带的原始数据信息更多；相较于传统的利用一维的收盘价数据或利用二维的最高价最低价数据的波动率，例如历史波动率和已实现波动率，基于OHLC（开盘价、最高价、最低价和收盘价四维数据集）数据的波动率估计所携带的原始数据信息更多。所以，基于OHLC数据的高频波动率估计能够更好地对未来波动率做出预测。

目前，我国正在启动全国碳交易工作，激发市场参与者的热情是促进碳排放权市场交易流动性和有效性的必要手段，套期保值者与投机者是市场参与者中的重要组成部分，碳排放权波动率的预测能够对市场的不确定性树立一定的预期，从而削减市场参与者的不确定性，这对以上两类碳市场参与者进行风险管理和交易来说至关重要。因此，借鉴西方发达国家碳减排市场化交易经验，进行欧盟碳排放权波动率的预测研究，对今后我国开展碳排放权期货市场具有重要借鉴意义，能够为我国碳排放权期货市场价格波动率的预测提供一定程度上的经验，同时对其他金融资产波动率的预测也具有一定的参考意义。

首先，本章进行欧盟碳排放权价格波动率的分解。研究波动率的分解对碳排放权价格波动率预测是否有帮助，以及研究波动率分解后的波动成分与原波动率的关系。对波动率分解后的分量进行重构，研究重构是否有助于对波动率的预测。通过对波动率的分解和重构将波动率细分和重归类，以此来达到精细预测和提升预测准确度的目的。其次，进行欧盟碳排放权价格波动率的拟合与预测。对比BP神经网络预测方法、GA遗传算法优化BP神经网络预测方法和SVM支持向量机预测方法对波动率拟合与预测准确度的差异，以及比较利用动态滚动预测方式和动态非滚动预测方式对波动率预测准确度的差异。通过以上的预测对比，研究比较不同预测方式和预测模型方法对不同特征的波动率预测的准确度的差异，并根据数据特征探寻最优的预测手段。再次，研究交易量、收益率和宏观经济变量等因素对波动率的影响以及研究它们是否对波动率的预测的准确度的提升是否有所帮助。研究对短期波动率的降噪处理是否能提高对短期波动率的预测准确度。实质上是在研究各种影响因子对波动率预测准确度的提升效果。最后，分析对比“分解—重构—预测”系统方法的适用性以及最终的预测效果。分析其对波动率这类具有复杂模式的数据类型的预测效果，如果预测结果表现良好则可以将此预测系统推广到其他金融资产交易市场上进行波动率的预测研究。

碳排放权市场价格波动率对碳市场交易参与者的风险管理具有重要作用。在碳排放权交易市场化的道路上，欧盟走在我国前列。因此，研究欧盟碳排放权市场的波动率预测方法对我国今后开展碳排放权期货交易、套期保值等活动具有重要借鉴意义。

通过本章的研究，（1）运用一套“分解—重构—预测”的系统性预测方法。相较于传统的预测方法，分解—重构—预测方法更加科学：先将波动率进行分解，再将分解后的波动率进行重构，最后按照重构后的波动率数据特征进行预测，同时也兼顾了高频波动率数据的降噪问题。这种预测方法具有一定的科学性，采取分步骤方式进行预测，相较于以往的单步骤直接预测方法或仅分解不重构的预测方法，此方法有着更大的概率会提升预测结果的准确度。（2）运用不同的预测方法和预测方式，对分解重组后的具有不同特征的波动率进行预测，探究每种数据特征下的波动率的最优预测模式。对分解后的波动率分量进行深入剖析，探究波动率分量与总量之间的关系，同时也细分波动率分量的特征进行重构。针对分解分量的数据特征选择预测方法是一种趋势，这在一定程度上也为在其他市场条件下的资产波动率成分预测提供了借鉴。

从而实现：（1）采用15min采样高频数据对欧盟ICE ECX EUA碳排放权期货的OHLC极差波动率进行估计和预测问题进行分析，同时分析交易量、收益率和宏观经济指标等因素对波动率预测的影响。有利于扩展市场参与者的认知，有利于短期投资者对短期波动率的成因和影响因素形成认识，有利于欧盟碳排放权市场参与者对碳排放权波动率的影响因素形成认识，有利于参与者对市场的运行规律和各因素间的相互作用形成认知，各投资者认清自身需求与风险，对可能造成自身损失的风险进行提前预防。（2）通过对波动率分解后的波动分量与原波动率之间关系的分析，有助于碳排放权市场参与者了解波动率的成分及其特点，有助于其了解波动率成分的结构特征，也有助于参与各方对市场的运行及本质进行深入了解，不局限于市场价格、收益率和波动率的表层维度，而是将其打碎再细致研究。（3）可以激发市场参与者的市场参与热情。套期保值者与投机者是市场中的重要参与者，波动率的预测有助于套期保值者进行风险管理，有助于投机者借助波动率的预测进行后市研判，也有助于市场管理者对市场进行干预，所以波动率的预测能够减轻市场参与的不确定性，也就能够激发市场参与者的热情。

本章主要研究欧盟碳排放权期货市场的碳排放权期货价格波动率短期预测问题。为此，选取欧盟碳排放权期货品种ICE ECX EUA（连续）作为标的，因其成交量大、交易频繁和数据可得性较好的特征。本书采用分解—重构—预测方法，先通过原始碳排放权的开盘价、最高价、最低价和收盘价（OHLC）数据估计出碳排放权价格波动率，再通过EMD经验模态分解模型将其分解成不同频率的经验模态（Intrinsic Model Function，IMF）分量，然后按照波动周期对分解后的经验模态进行重构，同时对短期波动率成分数据进行降噪处理，将去噪后的分量用遗传算法优化的BP神经网络、SVM支持向量机等方法进行预测，同时区分了动态滚动预测与动态非滚动预测，最后分别输出各个分量的预测结果，采用加和集成的方法将分量集成，得到最终的预测结果。本章采用了分解—重构—预测式预测原理，先对数据进行分解、重构、降噪处理，然后再对分量进行预测，最后将预测结果加和集成或者通过再预测方式得到最终预测结果。整个预测过程为：分解—重构—降噪—预测—集成。相比于传统的线性预测方法，采用分步骤组合式预测有更大概率能够提高预测的准确度。

第二节 文献综述

一 波动率估计方法的相关研究

金融资产波动率的估计问题是金融计量研究领域当中最重要的部分，过去几十年得到了较为丰富的研究成果。早期的波动率估计主要运用历史收益率序列的方差或标准差来度量。例如，在马科维茨的投资组合理论当中，将收益率序列总体方差的无偏估计作为对真实波动率的一种估计。但是历史方差法有一个缺陷，它对不同时期的历史数据进行等权重的平均，且假定波动率是固定值，而在实际市场中，不同时期的数据对未来波动率可能会有不同程度的影响，即越是近期的数据，对未来波动的影响可能就越大。因此，在估计波动率时，对不同时期的历史数据赋予不同的权重值。

ARCH类模型是目前金融研究中居于统治地位的一类波动率测度方法。该方法最早起源于Engle（1982）提出的自回归条件异方差模型（Auto-regressive Conditional Heteroscedastics，ARCH），随后Bollerslev（1986）又在ARCH模型的基础上进行了拓展，提出了广义自回归条件异方差模型（GARCH）。在一般的GARCH模型提出之后，众多学者为了将影响金融波动的其他特征或因素考虑进来，又将GARCH模型进行了改进。例如，Engle等（1987）提出了波动率能够直接影响收益率均值的ARCH-M模型，Nelson（1990）提出了指数GARCH模型来描述波动的非对称效应，而Engle、Bollerslev（1986）提出了单整GARCH模型，为了描述具有单位根特征的波动率函数，此模型即IGARCH模型。