• 研究背景与意义 [page::0][page::1]：

- 金融机构通过温度对齐指标评估投资组合碳排放与全球气温升幅的关系，助力低碳转型，区别行业领先与落后企业。
- 传统方法多采用线性TCRE（暂态气候响应对累计CO₂排放）乘数，本报告采用更精确的FaIR简单气候模型，弥补线性模型局限。

• 方法论框架 [page::2][page::4][page::5][page::8][page::9][page::10]：

- 采用XDC模型细分行业排放强度（EEI），用公司温度对齐路径取代传统基准，提升模型透明度和行业相关性。
- 用贝叶斯统计与MCMC采样量化FaIR模型20参数的不确定性，有效规避非唯一解问题。
- 融合排放不确定性，通过概率密度函数建模排放数据误差，并通过蒙特卡洛方法传播至温度预测。
- 提出贝叶斯模型选择分析，为模型结构不确定性提供数学量化基础。
- 引入深度学习仿真器，基于三层全连接神经网络，将模拟时长从12分钟缩短至0.06秒，适用于实时分析。

• 量化结果与实证分析 [page::12][page::13][page::14][page::16][page::17]：

- 与传统敏感性分析相比，贝叶斯MCMC方法可显著缩小温度预测置信区间（如SSP2-RCP4.5情景下2050年90%置信区间从(1.551, 3.971)缩小至(2.107, 2.484)）。



- 排放不确定性模型采用正态与对数正态分布模拟偏差，体现系统性低估（如碳信用问题）与随机误差影响。







- 联合参数与排放不确定性，覆盖多个SSP-RCP情景，提供更全面风险估计。



- 实际案例：基于瑞典钢铁企业SSAB AB财务和排放数据，评估采用绿色钢铁生产技术对温度对齐及其减缓气温升幅的贡献。








| Scenario | Baseline Temp. | Temp. SSAB | Temp. SSAB With Green Steel |
|----------------|----------------|------------|-----------------------------|
| SSP1-RCP2.6 | 1.611°C | 1.604°C | 1.584°C |
| SSP2-RCP4.5 | 2.558°C | 2.551°C | 2.501°C |
| SSP5-RCP8.5 | 4.444°C | 4.433°C | 4.327°C |

• 关键技术点总结 [page::10][page::20]：

- 采用DRAM MCMC算法提升采样效率，结合物理和专家知识设定先验概率，确保模型参数更科学合理。
- 利用神经网络仿真器极大缩短预测运算时间，支持多场景快速模拟。
- 结合EDGAR数据库等科学来源完善排放数据不确定性参数。

• 未来研究方向与限制 [page::18]：

- 需深化不确定性模型，尤其是模型结构不确定性的比较。
- 推动框架直接嵌入投资组合构建过程，实现基于温度对齐与不确定性量化的优化策略设计。
- 加强多行业、多区域验证，完善基于公司未来减排路径的动态风险管理。

金融研究报告分析报告

报告题目

Uncertainty Quantification in Portfolio Temperature Alignment
作者：Hendrik Weichel, Aleksandr Zinovev, Heikki Haario, Martin Simon
发布日期：2024年12月20日
主题：面向金融机构的投资组合气候温度对齐中的不确定性量化研究，聚焦于使用FaIR气候模型的贝叶斯不确定性评估方法。

---

1. 元数据与报告概览

本报告提出了一种创新的贝叶斯框架，用以对投资组合“温度对齐”模型中的不确定性进行系统化定量分析。该方法基于X-Degree Compatibility (XDC)框架，并采用科学验证的简单气候模型FaIR（Finite Amplitude Impulse Response）。该方法显著超越了此前行业采用的基于碳排放瞬时气候响应（TCRE）的线性近似方法。报告核心观点强调，不确定性应被视为风险管理中的关键变量而非约束，有助于投资组合决策的稳健性和透明性，同时揭示不确定性的主要来源以指导未来研究。

报告由right°公司合作开发，right°是投资组合温度对齐工具的市场先锋。综合考虑了参数不确定性、输入排放数据、不同减排路径的场景不确定性，并采用先进的自适应马尔可夫链蒙特卡罗（MCMC）采样及深度学习模拟器，实现近实时模拟。报告结合案例展示了该方法在气候风险管理中的实际应用价值。

尽管不涉及传统意义上的投资评级与目标价，但其“投资组合温度对齐”的量化工具对于金融风控与资产管理决策具有重要影响。[page::0-2]

---

2. 逐章深度解读

2.1 引言与背景

报告指出，金融机构在推动“净零排放”绿色转型中扮演核心角色，与高排放行业的持续合作及创新支持被强调为有效路径，而非简单撤资。
过渡至低碳经济带来的不确定性对投资信用价风险构成挑战，包括信用、市场、操作和流动性风险。投资者已开始对碳排风险追求风险溢价，且其预期与科学预测高度契合。因高碳行业存在监管、碳价及市场偏好等风险，投资组合中的相关敞口面临较高违约风险，金融机构需准确评估并披露相关转型风险。
报告强调，传统指标多聚焦当前碳足迹，而温度对齐指标通过动态测算企业减排路径相对全球碳预算分配，提供对未来碳过度排放的前瞻性量化。
欧银行2022年政策文件高度认可温度对齐在信贷风险管理中的重要性，并推动对不确定性披露的要求。
本文聚焦于基于“隐含升温”（ITR）模型的进一步技术发展，提出替代传统线性TCRE近似的贝叶斯方法。[page::0-2]

2.2 X-Degree Compatibility (XDC)模型详解

XDC模型将宏观经济投产与温度升幅直接关联，计算投资组合或企业单位产值（以百万欧元计）所产生的温室气体排放量。该模型拆分全球工业为多个细分部门，依据各部门的现有排放占比赋予权重，结合基于科学的减排路径（SSP框架）进行未来排放预测。这与欧盟巴黎对齐基准（PABs）不同，后者可能侧重资金重新分配至低碳部门，存在与实际经济脱节风险。
经济排放强度（EEI）的定义是：
$$
EEI^{公司} = \frac{\text{温室气体排放量 (吨CO}2\text{当量)}}{\text{百万欧元产值}}
$$
其中产值定义为EBITDA加人工成本，因其较能准确衡量企业真实经济贡献。
报告采取该指标评估投资组合内行业的加权平均EEI，据此估算若整个行业以组合企业的排放强度运作时的全球碳排放量。项目未来将将具体企业减排路径纳入比对，但此处以当前排放数据为基础进行行业基准对齐。
气候学部分核心是使用FaIR简单气候模型代替线性TCRE公式。FaIR模型基于年度排放输入计算大气中各温室气体浓度及对应温度反应，涵盖碳循环多个吸收库和非CO2气体强迫效应，结构参数多且受物理先验约束，体现了模型参数不确定性的重要性。FaIR模型以其较高的物理真实性和灵活性，成为气候温度对齐建模的较优工具。
图1（见图表分析部分）展示FaIR模型框架，[page::3-6]

2.3 不确定性来源分析

• 参数不确定性：FaIR模型含20个需拟合历史数据的参数，拟合具有非唯一性和不确定性。只选取单一最优解会忽略潜在参数空间的多样性，引入偏差。贝叶斯框架有助捕捉并表达这种参数多样性。

- 排放数据不确定性：当下公司级温室气体排放数据难以精准获得且范围有限（尤其是Scope 3），需考虑数据测量和估计误差。

• 模型结构不确定性：简单气候模型因其忽略的气候过程（如冰-反照率反馈）与假设风险，结构上存在不确定性。建议对比多个模型输出以捕捉该不确定性。

- 情景不确定性：未来经济和气候路径无法准确预测。选用IPCC-AR5定义的代表性浓度路径(RCPs)与社会经济路径(SSPs)来涵盖多种可能情景并进行不确定性量化。文章重点推荐分析5条SSP-RCP联合路径（SSP1-RCP1.9、SSP1-RCP2.6、SSP2-RCP4.5、SSP3-RCP7.0、SSP5-RCP8.5）。
图2展示5大SSP情景的适应/减缓挑战空间位置。[page::6-8]

2.4 方法论

2.4.1 贝叶斯参数不确定性校准

利用贝叶斯原理，将FaIR模型参数视为随机变量，结合历史温度与浓度观测，通过MCMC方法（特别是自适应的DRAM算法）获得参数后验分布样本。该算法结合适应性Metropolis全局探索与延迟拒绝机制提高采样效率，避免参数采样局限于单点估计。此过程提供了历史观测数据支持下合理的参数不确定性描述。

参数校准统计模型：
$$
\mathbf y = F(\mathbf x | \pmb \theta) + \pmb \varepsilon,
$$
其中 $\mathbf y$ 为历史观测数据，$F$为模型映射，$\pmb \theta$为参数向量， $\varepsilon$为噪声项。
后验分布通过贝叶斯定理得到，因分母难以解析计算故采用MCMC数值采样。采样结果随后用于未来情景下的气温预测，实现参数不确定性的传播。

2.4.2 排放输入不确定性处理

采用概率密度函数（如正态分布与对数正态分布）模型化排放测量偏差，允许用户灵活设定偏差性质（随机误差与系统性误差）。利用蒙特卡洛采样，对原始基线排放路径加权偏差因子，得到一系列扰动排放路径，再传入FaIR模型得到带输入不确定性波动的气温轨迹。

2.4.3 模型不确定性

通过贝叶斯模型选择框架比较多种简单气候模型的似然性和后验概率，定量反映模型结构差异对温度预测的影响，尽管完整实现留待未来工作。

2.4.4 深度学习替代器提升计算效率

直接基于MCMC采样的参数不确定性校准计算耗时较高（单次80年预测约0.07秒，10000次采样需约12分钟），不可满足实时性需求。引入三层全连接神经网络作为模拟器，由参数后验样本训练，输入基线年份排放数据，输出具置信区间的温度预测，运行时间压缩至0.06秒，保证精度的同时大幅提升实用性。

以上系列方法集成形成一个参数、输入、模型与情景多源不确定性全覆盖的贝叶斯量化框架，并提供开源代码提升实用性与科研透明性。[page::8-11]

---

3. 图表深度解读

图1（第6页）：FaIR简单气候模型工作流程图

• 描述：图示FaIR模型中CO$2$排放输入如何流经四个不同碳库（地质、深海、生物圈、海洋混合层）并计算各储层碳含量（$R_i$），且储层寿命随温度调整（$\alpha(T)$），进而算出大气浓度、辐射强迫和全球温度变化。

- 解释：该图体现FaIR模型对碳循环复杂反馈的简化处理，反映多储层动态平衡机制及温度依赖的碳寿命调整，增强模型反馈物理真实性。

• 文本联系：图示对应2.1.2中模型介绍，强调该模型如何通过多参数物理过程组合，较传统线性TCRE更全面模拟温度响应不确定性。[page::6]

图2（第8页）：SSP情景二维表示图

• 描述：二维平面中列示五个SSP社会经济发展情景，根据面临"减缓挑战"和"适应挑战"的难易度进行分类。

- 解释：左下角SSP1代表可持续发展路径，右上角SSP3对立，代表地区竞争加剧。此图帮助理解不同社会经济路径对气候政策和排放的影响框架。

• 文本联系：图2为3.4情景不确定性章节的形象说明，说明其在综合情景分析中不可或缺的地位。[page::8]

图3（第12页）：SSP2-RCP4.5情景下的参数不确定性温度预测

• 描述：以蓝线表示温度中位数曲线，浅蓝和深蓝区域分别代表90%和99%置信区间。红点为历史观测数据。

- 解释：基于MCMC贝叶斯后验采样的温度预测显示随时间扩散的不确定带，置信区间明显窄于传统简单蒙特卡洛方法，说明贝叶斯校准减少了预测不确定性。

• 文本联系：强调5.1中测试案例1的论点，贝叶斯方法显著提高参数估计的可靠性。[page::12]

图4（第13页）：排放偏差概率密度函数（PDF）

• 描述：两种概率分布曲线，蓝色为对数正态分布，绿色为正态分布，两者皆以百分比偏差为自变量。

- 解释：对数正态分布侧重于系统性低报（偏倚偏高概率），更适合碳抵消等偏误场景；正态分布适合随机误差。

• 文本联系：为4.2章节排放输入不确定性部分提供统计模型基础。[page::13]

图5（第13页）：SSP2-RCP4.5排放路径的不确定性范围

• 描述：蓝、绿两条曲线为两种不确定性模型下排放轨迹中位数，阴影区域为90%置信区间，显示到2100年全球排放趋势与可能变幅。

- 解释：表示在排放估计的不确定性影响下，排放路径预测的区间波动，直观地反映了输入测量误差对减排分析的影响。

• 文本联系：结合4.2节介绍，定量说明如何将排放数据不确定性传递到温度预测中。[page::13]

图6（第13页）：带排放不确定性的SSP2-RCP4.5温度升高预测

• 描述：与图3结构相似，不同排放不确定性模型产生的温度中位数和90%置信区间，含历史数据点。

- 解释：对比基于不同排放误差分布的温度预测结果，显示排放估计误差对未来气温监测的重要性。

• 文本联系：强调排放输入不确定性对温度测量的贡献，验证4.2节方法实际效果。[page::13]

图7（第14页）：多情景下结合参数及排放输入不确定性的温度预测

• 描述：展示了三条SSP场景路径的温度中位数和90%置信区间，结合了参数不确定性与排放输入不确定性，包含历史数据点。

- 解释：能够同时考虑多重不确定性，结果置信区间更广但更真实地反映总不确定性。不同情景下温度轨迹差异明显。

• 文本联系：5.3测试3案例结果，体现综合不确定性量化的能力。[page::14]

图8至13（第16-17页）：SSAB铁钢企业案例对应的全球排放和温度场景分析

• 描述：分别对应SSP1-RCP2.6、SSP2-RCP4.5、SSP5-RCP8.5情景下，三种钢铁生产模式（蓝色SSP基准、红色当前排放强度、绿色绿色钢铁排放强度）对全球排放量与温度升幅的影响曲线。

- 解释：绿色钢铁技术大幅降低排放强度，仿真显示对全球排放的减缓效应以及对长期全球平均温度的微小改善。三种情景中变化趋势相似，但温度水平差异突出，说明技术改进为行业贡献减排潜力。

• 文本联系：5.4测试4案例，结合实务数据验证模型框架，体现模型对细分行业减排路径的适用性与风险量化能力。

- 表2量化了不同场景下温度预测值对比，技术引进带来的温度改善在0.006到0.12摄氏度之间，说明小幅但实际的转型影响。[page::16-17]

图14（第20页）：FaIR模型参数贝叶斯后验采样链

• 描述：20个FaIR模型参数在MCMC迭代过程中的采样轨迹散点图，显示参数收敛至稳定状态。

- 解释：图示参数采样中的收敛行为，验证采用DRAM方法有效获得多样化、稳定的参数分布以体现不确定性。

• 文本联系：附录B.中进一步介绍贝叶斯参数校准的技术细节，图为采样方法有效性的直观证明。[page::20]

---

4. 估值分析

本报告无传统财务估值框架（如DCF或市盈率）讨论，核心集中于气候温度对齐的风险计量与不确定性量化方法学。

其“估值”概念可理解为从经济活动映射到环境影响（温度升幅）的一种跨学科“价值转换”，即投资组合或企业单位经济产值的碳排放强度转换为全球温度升幅指标。XDC模型及FaIR模型构成了此估值核心，其中碳排放、经济贡献价值（GVA）和气候情景共同构成输入，输出为样本化的未来温度路径。

报告重点介绍了贝叶斯方法与深度学习模拟器的结合以解决传统模拟计算在实时应用中遇到的效率瓶颈，而非给出单一的估值结论。该框架为金融机构提供了一种量化投资组合气候风险及转型风险的科学工具，辅以不确定性界定增加决策透明度与鲁棒性。[page::8-11]

---

5. 风险因素评估

报告系统识别并量化投资组合气候相关风险的不确定性，包括：

• 参数风险：FaIR模型参数难以唯一确定，单一参数点估计会低估风险，贝叶斯参数后验分布呈现该多样性风险。

- 排放数据风险：排放数据本身存在测量误差和系统性低估风险，例如碳抵消计入偏差，需使用统计模型（正态、对数正态分布）表达。

• 模型风险：简单气候模型结构本身存在简化和缺失反馈机制，模型选择差异导致输出不一，应跨模型对比以识别结构不确定性。

- 情景风险：未来经济增长与碳排放路径高度不确定，报告采用多情景覆盖的SSP-RCP组合以捕获这一风险。

• 数据限制风险：行业细分及企业层经济活动数据（GVA）与排放数据普遍缺失或不透明，对应风险评估的客观性面临挑战。

报告未明确讨论风险缓释策略，但提出通过科学严谨的量化框架和综合多源不确定性分析提升风险识别及管理水平，最终助力风险缓释和投资决策优化。[page::3-8, 14-18]

---

6. 批判性视角与细微差别

虽然报告整体方法先进，但存在以下需关注的局限和潜在偏见：

• 参数空间采样依赖物理先验：贝叶斯方法依赖专家设定的先验，若先验错误或偏狭将直接影响后验结果，可能隐藏复杂参数交互。

- 数据不完整性：特别是Scope 3排放数据与针对非上市或小型企业的排放数据缺失，当前方法更多依赖估算与行业平均，限制精准度。

• 模型选择局限：虽然推荐多模型比较，但本报告实际实验及案例仅用FaIR模型，未展示多模型融合结果，可能低估结构不确定性。

- 情景选择偏差：只以SSP-RCP五种结合情景为例，未来可能出现非典型路径，模型对极端情况的适应性未知。

• 深度学习模拟器黑箱风险：虽然提升效率，但模拟器准确性依赖训练样本，参数空间外推时可能表现欠佳，缺乏详细误差分析。

- 行业与区域适用性：案例主要关注重工业钢铁，行业内多样性和地理差异对方法泛化有影响，但报告未涵盖。

整体来看，报告方法科学创新，结合贝叶斯统计与机器学习，但未来应更多关注以上潜在风险与方法拓展性。[page::8-18, 20]

---

7. 结论性综合

本报告提出了第一套针对投资组合温度对齐问题的全面贝叶斯不确定性量化框架，将模型参数不确定性、输入排放数据误差、模型结构差异及未来情景变化多维度整合。其核心在于利用FaIR简单气候模型替代传统线性TCRE近似，结合自适应MCMC采样恰当刻画温度预测不确定区间，并采用深度学习模拟器大幅提升计算速度，满足实时投资组合分析的需求。

实证测试清晰表明：

• 贝叶斯校准显著收敛FaIR参数，显著收窄温度预测置信区间（图3、14）；

- 输入排放不确定性显著波及未来温度估计，需区别随机与系统性误差模型（图4-6）；

• 多源不确定性整合更全面反映未来气温区间，赋予决策更稳健依据（图7）；

- 钢铁行业案例验证模型操作性及温度反应微弱但明确的改善效果（图8-13，表2）。

该框架提升投资者对气候风险的量化能力，强化决策的科学基础和透明度，为推动资本配置向低碳转型提供有力工具。未来研究重点包括模型结构对比、行业与地理多样性扩展、数据完整性提升，同时将输出直接纳入投资组合构造优化中，全面提升金融行业的气候风险管理水平。

本报告并无传统财务估值内容，而是围绕温度对齐指标的金融风险量化及不确定性管理，构成了绿色投资分析领域的前沿技术路线。

总体来看，报告结构清晰，理论与实证平衡，系统地揭示了投资组合气候温度对齐中的重要不确定性来源，为金融机构应对转型风险提供了科学的决策支持框架和工具。报告的图表丰富，特别是对FaIR模型流程及不确定性覆盖的关键图形，有力辅助论证。报告对未来研究方向也提出了十分有价值的建议。

[page::0-20, 22-23, 25-27]

---

参考关键图表（Markdown格式）

• FaIR模型架构图

• SSP情景二维映射图

• 参数贝叶斯校准温度轨迹

• 排放偏差概率分布

• 排放路径不确定区间

• 温度预测带排放不确定性

• 多情景综合温度预测

• SSAB案例多个排放及温度图（示例）

• MCMC采样链示意图

---

以上内容严格基于报告文本与数据，所有引用均附带分页码以供溯源。

报告