• EU ETS市场背景及阶段划分 [page::0][page::1]

- EU ETS设立了碳排放配额交易机制，鼓励企业减少碳排放。
- 第三阶段注重逐年减少排放上限，仍保留部分免费配额；第四阶段目标更激进，配额减少加快，竞拍比重上升。

- 重大事件（Brexit、疫情、能源危机）导致价格波动及跃升，尤其显著于第四阶段。

• 研究方法与数据集说明 [page::4][page::5][page::6][page::7]

- 引入非参数的“信息不平衡度（Information Imbalance）”量化变量间预测信息，优于传统参数模型。
- 使用高斯过程(Gaussian Process, GP)进行时间序列插值、频率转换及预测。
- 数据涵盖2014至2023年，包含33个预测变量，涵盖宏观经济、能源价格、不确定性指标、金融市场等。

- 信息不平衡能有效捕捉线性、非线性及多变量复杂关系。

• 不同阶段碳价决定因素对比分析 [page::8][page::9][page::10][page::11]

- 第三阶段最具信息量的变量为ERIX指数（欧洲可再生能源领域）、欧盟电力指数、国债收益率等基本面因素。
- 第四阶段金融方面变量（如EUR/CHF汇率不确定性）信息量显著提升，反映疫情和能源危机冲击后市场结构变化。
- 重要能源商品价格如煤炭、天然气对碳价均具有显著贡献。
- 逐步贪婪选取变量法显示，3个变量即可覆盖主要信息量，分别为ERIX、煤炭、天然气（阶段3）；EUR/CHF不确定性、煤炭、EUR/USD现货价（阶段4）。

• 多频率数据整合与预测分析 [page::11][page::12][page::13]

- 采用GP插值实现数据频率转换，发现周频数据在信息量上对碳价预测最为充分。
- 进行单步预测（nowcasting）和次期预测，GDP、黄金和煤炭为最佳信息变量组合。
- 此外，次期预测中滞后碳价值与3个月期国债收益率亦是重要预测因子。

• 预测模型验证 [page::13]

- 对比使用全部变量、信息不平衡筛选的3个变量及随机选取3个变量构建GP预测模型。
- 使用精选3个信息变量的模型在均方误差上表现最佳，体现筛选变量有效淘汰噪音，提升预测稳定性。

| 预测情境 | 所用变量 | 均方误差 (MSE) |
|------------|----------------|-------------------------|
| Nowcasting | 全部变量 | 0.751 ± 0.102 |
| Nowcasting | 信息不平衡挑选3变量 | 0.631 ± 0.091 |
| Nowcasting | 随机挑选3变量 | 1.204 ± 0.413 |
| Forecasting| 全部变量 | 0.812 ± 0.152 |
| Forecasting| 信息不平衡挑选3变量 | 0.723 ± 0.111 |
| Forecasting| 随机挑选3变量 | 1.487 ± 0.484 |

• 结论摘要 [page::13]

- 采用信息不平衡度方法非参数地识别EU ETS价格决定因素，不同阶段驱动因子显著差异。
- 疫情及能源危机引发第四阶段市场对金融变量敏感性提升。
- 结合GP实现多频率数据融合，周频数据及少数核心变量即能良好支撑精准预测。
- 本文方法为碳市场参与者及政策制定者提供了科学的信息筛选与预测工具。

金融研究报告详尽分析报告

报告标题： Investigating the price determinants of the European Emission Trading System: a non-parametric approach
作者： Cristiano Salvagnin, Aldo Glielmo, Maria Elena De Giuli, Antonietta Mira
发布机构与出处： 多所欧洲大学及研究机构合作，涉及意大利、瑞士等学术单位
发布日期与时间范围： 数据使用范围为2014年1月至2023年4月，本报告未具体标注发布日期
主题： 欧洲碳排放交易体系（EU ETS）价格影响因素的非参数分析，聚焦价格决定机制、变量选择、预测方法及其应用

---

一、元数据与概览（引言与报告概览）

本报告聚焦于欧洲碳排放交易体系（EU ETS）价格的决定因素，结合最新的非参数信息理论方法——信息不平衡（Information Imbalance）指标，研究并揭示了传统以参数模型难以发现的复杂非线性和多变量依赖。作者借助多种宏观经济指标、能源价格、汇率波动及不确定性指标，分析不同阶段（Phase 3与Phase 4）EU ETS价格驱动因素的差异，突出疫情与能源危机带来的冲击，同时提出基于信息不平衡结合高斯过程回归的新型预测模型，优于传统基于全变量的模型。

报告核心主旨与贡献包括：

• 通过非参数信息不平衡量识别并比较Phase 3和Phase 4期间EU ETS价格的主要决定变量；

- 揭示Phase 3以能源相关指数（如ERIX）为主，Phase 4则金融市场波动，尤其汇率不确定性占据主导；

• 采用信息不平衡指标对不同频率数据的混合处理，识别出周频率为最优预测时间尺度；

- 结合高斯过程回归搭建预测模型，实现更有效的现在值预测及未来价格预测，且可借少数高信息量变量实现性能提升。

上述研究结果对政策制定者、投资者及碳市场相关金融机构具有重要指导意义，有助于更精准把握EU ETS价格动态和前瞻性风险管理[page::0,1,3,4,13]。

---

二、逐节深度解读

2.1 引言及EU ETS概况

EU ETS作为欧盟减排核心机制，自2005年启动，基于排放配额交易方式调节关键行业碳排放。通过总量限制与配额交易，激励企业减排行为，兼顾经济效益与环境目标。系统分阶段推进，当前分析集中于Phase 3（2013-2020）与Phase 4（2021起）[page::0]。

Phase 3加强了市场稳定储备机制及对配额的免费分配与拍卖的平衡，侧重促进渐进减排，Phase 4目标更为激进，3年复合线性减排因子（LRF）由1.74%提高至2.2%，拍卖配额比例提升，减少免费分配，体现欧盟碳减排承诺升级，影响市场结构和价格动态[page::0]。

---

2.2 EUA价格演化及市场波动背景（图1解读）

图1展示了2014年至2023年4月的EU ETS价格走势，明显看到Phase 3末价格较为平稳，Phase 4开启后价格飙升且更为波动。标注了Brexit、COVID-19疫情及乌克兰冲突引发的能源危机三个重大事件。尤其疫情和能源危机对应的蓝色与浅蓝色区域，价格显著上涨，反映了供需、成本及政策环境变化对排放许可价格的强烈影响[page::1]。

价格大幅上升表明能源成本上升对排放许可需求有直接推升作用，同时企业遵守节能减排目标的成本压力加大。市场波动明显加剧，金融不确定性和宏观经济波动对价格影响显著，要求投资者和政策制定者密切关注这些因素[page::1]。

---

2.3 文献回顾与现有理论基础

文献表明燃料价格（油、气、煤）、股票市场指标和宏观经济活动对EU ETS价格具有关键影响。尤其天然气和油价是欧洲碳价的重要驱动因素，不同能源间价格关系复杂且随时间变化（阶段分明），例如煤炭影响在早期更为突出，后来天然气影响增加。多篇研究采用时间序列分析、贝叶斯结构VAR等模型揭示能源价格与碳价的动态依存及因果关系，偏重参数模型[page::2]。

此外，文献指出汇率不确定性、股市波动和政策变化对碳市场也有影响，存在非线性、多变量间交互及波动溢出效应。同时，混频数据处理是宏观经济预测的挑战，传统模型（如MIDAS）有一定应用，而基于Wavelet的小波变换保持一定关注，但计算复杂且维度膨胀大[page::2,3]。

---

2.4 研究目标与方法创新

本研究创新点在于：

• 采用非参数的“信息不平衡”测度，避免了传统依赖模型假设的局限，可识别复杂非线性和多变量依赖性，同时处理高维数据更为稳健；

- 比较Phase 3与Phase 4两期EU ETS价格决定因素，探索金融危机与疫情双重冲击下变量重要性变化；

• 引入高斯过程回归（GP回归）处理混频数据，支持从季度GDP到日度EUA价格的频率转化，实现统一数据框架下的准确预测；

- 利用信息不平衡量筛选最具预测力变量，避免冗余，提升预测模型的准确性和泛化能力；

• 探索不同时间尺度（从日频到月频）对碳价预测的影响，发现周频为最优，且结合少量高信息量变量即可获得良好预测表现[page::3,4,5,6]。

---

2.5 具体数据说明与变量分类（表1）

• 目标变量：欧盟排放许可价格（EUA），日收盘价，时间跨度2014-2023，共2374条数据；

- 33个预测变量，涵盖七大类：不确定性类（如地缘政治风险指数、汇率不确定性指标）、非能源商品（天然气、电价、原油、煤炭、黄金）、汇率现货、能源价格指数、国家股指、宏观经济指标（GDP、通胀）、利率指标等；

• 除GDP和通胀为季度与月度频率外，余均为日频数据；

- 为避免因频率差异导致信息损失，实证分析弃用宏观变量，后续利用GP方法纳入其混频预测贡献[page::4,5]。

---

三、图表深度解读

3.1 图1：EUA价格历时演变

显示EUA价格从2014年低位缓慢爬升，2020年疫情爆发后价格剧烈波动并快速攀升至近100欧元水平。切换Phase 3与4明显界线及重大事件提示了价格驱动的制度变迁与经济冲击记录。图表围绕价格时间序列，直观反映市场状态与外部事件对价格的时效性影响[page::1]。

---

3.2 图2：信息不平衡概念演示

说明信息不平衡指标如何衡量两组变量间的信息传递方向性和强度。示例中，对比线性（相关系数高）和非线性（如二次、螺旋）关系，传统的皮尔逊相关度失效时，信息不平衡仍能准确反映变量间依赖和预测能力，显示其优越的非参数特性与多变量扩展能力[page::5,6]。

• 图中A1-A4各为不同关系模式测试示范，右侧B图对应每种情况的△(X→Y)与△(Y→X)值的分布及方向，说明预测变量和被预测变量间信息不对称性。

---

3.3 图3：高斯过程数据插补与聚合示例

左图：季度GDP数据通过GP拟合插补为周频数据，平滑且合理填补不足；
右图：日频EUA价格通过GP聚合成周频价格，展示数据转换处理效果。该技术为混频数据整合提供有效工具，保证后续非参数分析的频率统一与数据完整[page::6,7]。

---

3.4 图4和表2：描述性统计及相关性分析

表2展示33个变量及目标变量的均值、波动和极值，中和了变量特征多样性。图4呈现两阶段变量与EUA价格的相关系数。主要发现：

• Phase 3时，商品类变量（如ERIX指数、欧洲电力指数等）与EUA价格相关度较高，说明以能源基本面为核心驱动；

- Phase 4时，多数变量与EUA呈正相关，尤其汇率（EUR/CHF、EUR/USD）表现为强烈负相关，反映金融市场波动对碳价的显著影响；

• 部分重要指数（EUROSTOXX电力指数、ERIX、环保指数）相关符号从Phase 3到4出现显著翻转，体现阶段性机制变化[page::7,8,9]。

---

3.5 图5：Phase 3和4信息不平衡平面（单变量分析）

在信息不平衡平面中，横轴为变量→EUA，纵轴为EUA→变量的信息不平衡度。点越接近原点，变量对EUA价格的信息越充分。关键点：

• Phase 3以ERIX指数为最优，结合电力指数、债券利率等传统能源市场与宏观经济指标，其趋势稳定且说明力强；

- Phase 4则以汇率不确定性（特别EUR/CHF）为首，表明金融波动性成为主导因素，同时Coal价格依旧重要；

• 位于对角线附近的点显示变量与EUA价格信息对称或等效性。

此图有效展示了变量信息贡献和阶段性转变，辅以经济解释支持其合理性[page::8,9]。

---

3.6 图6：贪婪算法选择变量过程与多变量信息不平衡平面

该图显示逐步将变量加入描述集，信息不平衡快速下降的曲线，表明前三至五个变量已能解释大部分信息：

• Phase 3前三变量为ERIX、电煤、天然气，之后加入变量信息边际收益大幅减少；

- Phase 4前三为汇率不确定性、欧元兑美元、煤炭价格，显著区别于Phase 3的能源核心驱动；

• 变量扩容使得样本点在信息不平衡平面聚集向低值区，证明组合变量优势；

- 贪婪算法有效缓解变量选择的维度灾难，提高后续建模效率与准确性[page::10,11]。

---

3.7 图7和图8：数据频率选择及单变量信息不平衡与预测性能

图7首次比较了日、周、双周及月频数据对信息不平衡的影响，周期越长虽平滑噪声但可能丢失有效信息。结果显示周频信息最丰富，对EUA价格的现在值和未来值预测均优于其他频率。

图8展示了包含GDP及通胀的34变量信息不平衡面，发现GDP、ERIX、欧洲股指等与预测相关性高，且一周滞后内EUA本身为最强单变量预测因子。

结合图9和表3的预测验证实验说明，通过信息不平衡筛选的3个最有效变量结合高斯过程回归模型，预测性能优于随机选择或全变量模型，且误差较小，预测残差稳定，模型稳健性和泛化能力强[page::11,12,13]。

---

四、估值分析

本报告侧重于价格决定因素分析和预测方法创新，未对EU ETS价格本身的估值（如DCF等）做显著讨论，但结合信息不平衡指标的非参数框架，本质上为估值及风险定价提供了有效的变量筛选和时间尺度选择工具。
通过筛选出少数核心变量（能源相关指数、汇率不确定性和宏观经济变量）并采用高斯过程回归，可以实现更精细的即时估值和市场价格走势预测，有助于金融机构对交易策略和风险管理估值的科学支持[page::5,6,11,12]。

---

五、风险因素评估

报告指出的主要风险和不确定因素包括：

• 交易期阶段转换风险： Phase 3与Phase 4施行规则不同，包扩配额分配机制及减排目标变更，对价格形成结构性冲击；

- 外部经济冲击风险： COVID-19疫情和俄乌冲突能源危机导致价格及其波动剧增，影响基本面和市场情绪；

• 金融市场波动风险： 汇率不确定性（特别EUR/CHF）与宏观经济指标的波动为价格带来较大不确定性；

- 变量测度和混频数据风险： 经济变量（GDP和通胀）数据频率不同，若插值处理不慎，可能引入误差影响预测；

• 模型风险： 非参数信息不平衡对变量筛选敏感，且高斯过程在长周期拟合可能面临平滑和过拟合权衡问题。

报告通过贪婪算法和交叉验证减少变量冗余和过拟合风险，同时采用非参数方法无需强分布假设，降低模型错配风险，但对外部冲击和制度变迁仍较为敏感，提示政策制定者需警惕市场非稳态和突发风险[page::7,8,10,12,13]。

---

六、批判性视角与细微差别

• 报告极力强调非参数方法优越性，然而对比传统参数模型的稳定性与经济解释性可能不足；高斯过程虽灵活但计算量及过拟合风险未详尽讨论。

- Phase 3与Phase 4区别分析中，变量选择受阶段时间跨度、样本容量与突发事件影响较大，阶段性划分可能掩盖变量连续性与演变趋势。

• GDP与EUA价格高度同步，可能导致预测中存在共线性或潜在的趋势染色效应，预测结果易受宏观经济趋势驱动掩盖短期市场内生性波动。

- 未对政策变化、配额制度变革等硬变量建模，而主要依赖市场数据，可能忽略制度因素的结构性影响。

• 图表中频率选择以信息不平衡指标为标准，缺乏对经济或市场参与者行为角度的解释，这可能限制结论的政策含义展现。

整体而言，报告严谨但存在对方法本身潜在缺陷及结果解释的进一步深化空间[page::3,7,11,13]。

---

七、结论性综合

本报告深入分析了EU ETS市场价格的决定因素，通过创新的非参数“信息不平衡”指标结合高斯过程回归，成功识别了不同市场阶段下的主要价格驱动因素及其时间尺度特征。核心发现包括：

• Phase 3中，价格受基础能源指数（如ERIX、EUROSTOXX电力指数）和传统宏观经济指标（3个月及10年债券利率）主导，反映较稳定的供需和政策环境；

- Phase 4受COVID-19疫情及能源危机影响显著，金融市场波动尤其汇率不确定性跃居关键变量，显示市场风险剧增及价格机制复杂化；

• 采用信息不平衡进行变量选择，可明显减少输入维度且提升预测效率与精度，避免噪声干扰；

- 不同数据频率对碳价预测信息丰富度影响显著，周频数据效果最佳，过短频率噪声大、过长则丢失关键动态；

• 结合GP回归建模实现了高性能的EUA价格现在值及未来值预测，展示了非参数与机器学习工具在环境金融领域的潜力。

报告不仅为理解EU ETS价格形成机制提供了学术和实践双重价值，也为混频数据整合、变量选择及碳市场预测建模开拓了新的研究思路和方法，具有显著的政策指导和风险管理应用意义[page::1,5,6,9,11,13]。

---

参考重要图表索引

| 图表编号 | 内容简介 | 关键解读要点及意义 | 关联章节与页码 |
| -------- | -------- | ------------------ | -------------- |
| 图1 | EUA价格时间序列（2014-2023） | 展现阶段切换及重大危机事件对价格的结构性影响和价格波动趋势。 | 1.2，页1 |
| 图2 | 信息不平衡指标演示 | 演示指标对不同类型变量依赖性的刻画，非线性和多变量优势明显。 | 3.1，页5-6 |
| 图3 | 高斯过程时间频率插补与聚合 | 技术演示非均频率数据处理，高质量构建统一频率数据集。 | 3.2，页6-7 |
| 图4-5 | 变量与EUA相关性及信息不平衡单变量分析 | 识别关键能源指标与金融变量阶段性重要性差异。 | 4.1-4.2，页7-9 |
| 图6 | 信息不平衡贪婪变量选择 | 验证绝大部分信息通过TOP3-5变量捕获，减少模型复杂性。 | 4.3，页10-11 |
| 图7-8 | 多频率信息不平衡及单变量预测能力 | 确定周频为最优预测尺度，GDP与EUA自变量相关性最强。 | 5.1-5.2，页11-12 |
| 图9 | 基于变量选择的GP预测性能比较 | TOP3变量模型优于全变量和随机变量模型，预测精度高且稳定。 | 5.3，页13 |

---

总结

本篇报告以极为详尽且前沿的非参数分析视角，结合信息论度量和机器学习模型，深刻揭示并预测了EU ETS价格的复合驱动机制，体现了跨学科方法对环境金融问题的新贡献。研究充分反映了欧盟碳市场在不同时期受基本面与金融波动双重影响的复杂动态，为市场参与者与政策制定者提供了科学的量化工具和决策参考。未来工作可进一步结合制度参数与政策变量，拓展动态预警与风险管理金融衍生品定价领域的应用。

---

注：以上所有结论均严格基于原文内容及图表数据，并附加对应页面溯源标注，如[page::X]。

报告