欧盟排放交易系统（ETS）于2005年启动。自那时起，该系统通过近11,000个发电站和工业工厂的积极参与，在减少欧洲二氧化碳排放和加速欧洲经济脱碳方面取得了显著成效。根据总量控制与交易原则，ETS规定了每个发电站或工业工厂可以排放的温室气体最大量。因此，参与者根据需要购买或出售排放配额，这些配额成为交易系统的核心货币。2023年，由于电力部门的推动，ETS实现了历史上16.5%的排放削减。1随着这一进展，来自这些设施的排放量比2005年的水平大幅降低了约47.6%，并预计将达到2030年减少62%的目标。这些统计数据凸显了ETS作为应对气候变化威胁的主要政策工具的有效性和能力。
精确估计碳排放波动性对许多市场参与者非常有用，因为它对资产定价和风险管理具有影响。这对于寻求实现脱碳投资组合和低碳经济的环保意识投资者尤为重要（Ahmed等人，2024年）。文献中确定了三类用于预测碳市场回报的模型。2第一类使用计量经济模型，包括自回归积分移动平均（ARIMA）模型、GARCH过程和基于马尔可夫的模型，正如Dutta等人（2019年）、Qin等人（2022年）、Zhang和Xia（2022年）、Huang等人（2021年）以及Xu等人（2024年）的最新研究所展示的。第二类应用机器学习（ML）模型来解决碳价格的非线性问题，因为早期的研究忽略了价格不对称性。这一类别中的代表性研究（例如Liu和Shen，2020年；Wang等人，2022年；Li等人，2023年；Wang和He，2025年）提倡使用循环神经网络（RNN）、随机森林（RF）和长短期记忆（LSTM）等ML技术来提高预测准确性。第三类探索混合方法来建模碳价格回报。这些混合模型结合了小波变换（WT）、经验模态分解（EMD）和变分模态分解（VMD）等方法，能够适应性地处理碳排放价格的非线性（Wang等人，2021年；Gao和Shao，2022年；Niu等人，2022年；Zhou等人，2022年）。
我们的当前研究通过利用ML方法，评估了碳隐含波动率对欧盟碳排放期货回报实现波动性的预测能力，扩展了以往的研究。碳隐含波动率是一种前瞻性指标，其中包含了关于ETS市场风险的宝贵信息。这使得我们的分析能够为建模碳市场风险提供新的见解。
我们在几个方面为文献做出了贡献。首先，与以往研究碳排放价格的不同之处在于，我们利用碳隐含波动率（CVIX）指数的信息内容3来预测欧盟碳排放期货回报的实现波动性。这与越来越多的文献一致，这些文献强调了基于期权和前瞻性指标（如VIX）在提高其他资产（如股票、原油和黄金）预测准确性方面的价值（参见Dutta和Das，2022年等）。然而，CVIX在欧盟碳排放市场中的作用尚未得到充分探索。因此，使用CVIX来预测排放交易价格回报的实现波动性可能会为许多市场参与者提供新的见解，因为CVIX是衡量碳市场风险的关键指标。值得注意的是，CVIX不仅捕捉了历史波动性，还反映了投资者对未来市场条件的预期，使其在预测实现波动性方面具有价值和效力。作为标准化的波动性指标，CVIX允许市场参与者将当前市场条件与历史波动模式进行对比。这有助于判断当前波动性水平是否异常高或低，从而为交易策略提供信息。因此，希望在碳市场进入或退出位置的投资者可以使用CVIX作为当前市场状况的指标——高波动性可能表明需要谨慎，而低波动性可能表明投资环境更为有利。此外，由于CVIX可以应对监管框架的变化、经济条件或可能影响碳定价的技术进步，监控这一指数有助于利益相关者评估政策发展如何影响市场稳定性，并在不确定性时期预测波动性的增加。总之，CVIX是通过提供明确的市场预期指标，理解和预测欧盟排放交易波动性的关键工具，有助于风险管理、影响交易策略，并应对监管和经济条件的变化。
其次，我们预测了欧盟碳市场的良好波动性和不良波动性，扩展了仅考虑整体波动性的先前研究。我们的详细分析很有前景，因为与正面和负面碳回报相关的好波动性和坏波动性可能会对价格变化产生不同的影响，从而在碳排放定价中发挥关键作用。早期在股票市场中的研究（Ang等人，2006年；Farago和Tédongap，2018年；Lyu等人，2021年；Patton和Sheppard，2015年）记录了不良波动性对资产回报的影响大于良好波动性，这对投资者和风险管理者具有重要意义。在碳排放交易的背景下，研究CVIX信息是否能够准确预测好波动性和坏波动性对于开发适当的波动性预测和风险评估模型非常重要。
第三，我们的研究全面分析了各种计量经济和ML模型对欧盟碳排放期货回报波动性的预测能力。具体来说，我们评估了基于ML的收缩方法（包括LASSO（最小绝对值收缩和选择算子）方法、弹性网络（ENET）和岭回归（RR），这些方法广泛用于预测时变波动性（?epni等人，2022年），是否优于简单的线性模型（如自回归（AR）过程。值得注意的是，这些收缩方法比AR类型模型提供了更多的计算优势。例如，使用现代优化技术拟合收缩模型的效率使其成为比AR方法更优选的选择，后者可能需要更密集的计算（Fang等人，2024年）。此外，LASSO和RR技术也可以成为集成技术（例如堆叠、装袋）的一部分，这些技术结合多个模型以提高性能。另外，这些ML方法允许用户通过选择收缩参数来纳入关于某些特征相关性的先验知识，而这种灵活性在传统的时间序列模型（包括AR过程）中较少见（Ding等人，2021年）。此外，AR模型还有其他显著的缺点，包括严格的分布假设和管理大型数据集的挑战，这与金融数据的特性不完全兼容。相比之下，ML模型擅长处理具有大量数据和不确定分布的时间序列数据。然而，尽管收缩方法可以产生比AR模型更好的预测（?epni等人，2022年），现有文献要么结论不明确（Audrino和Knaus，2016年），要么观点分歧（Ding等人，2021年；Dutta等人，2024年）。因此，本研究旨在进一步阐明这一持续的辩论。
总体而言，本研究的动机如下。随着各国政府承诺实现净零目标，碳定价机制在促进这一转型中发挥着核心作用。了解碳价格的波动性非常重要，因为这通常受到监管变化、技术进步以及碳信用供需变化等因素的影响，因此政策制定者需要衡量现有政策的有效性并做出关于未来法规的明智决策。精确估计碳市场波动性还可以提供关于温室气体排放趋势及其减排政策有效性的见解。为此，预测碳价格的好波动性和坏波动性尤为重要，因为碳市场在应对气候变化和调节温室气体排放方面越来越重要。具体来说，好波动性可能预示着有利于绿色投资的环境，而坏波动性可能需要重新评估企业的可持续性目标。鉴于参与碳市场的公司必须管理其价格波动的风险，了解好波动性和坏波动性使它们能够有效对冲不利的价格变动，确保财务稳定。由于参与碳市场的投资者和公司需要了解碳价格的波动性，以便做出关于资本分配、运营调整和风险管理的明智决策，预测好波动性何时发生可以帮助投资者抓住盈利机会，而预测坏波动性则有助于他们减轻潜在损失。因此，仅关注整体波动性而忽视将其分为好波动性和坏波动性的重要性可能会导致投资组合和交易策略效率低下。因此，本研究扩展了以往关于碳金融的文献，因为之前很少有研究关注预测好波动性和坏波动性。此外，本文还探讨了碳VIX和Lasso算法在优化波动性预测模型中的可行性。因此，我们的目的不仅是提供一个更好的预测模型，还旨在鼓励利益相关者。例如，对于寻求高风险低回报的投资者，我们的方法可以提供有关碳定价相关风险的见解，以及它们如何影响低碳技术的投资决策。对于学者来说，CVIX的信息内容和ML技术的应用可以帮助加深对衍生品与其基础资产之间联系的理解。对于政策制定者而言，碳VIX可能是市场情绪的关键预测指标；因此，在所有碳市场中开发这样的VIX工具至关重要，因为它能够及时检测市场预期并在需要时进行有效干预。因此，我们的分析可能有助于他们设计更有效的碳定价机制和法规，从而有助于实现更好的气候政策成果。
本文的其余部分组织如下。下一节概述了数据集。第3节描述了研究中使用的方法。第4节展示了研究结果并进行了讨论。第5节总结了本文并强调了一些实际和政策意义。
