在不同市场环境下，气候转型与物理风险对“清洁-污染”股票关联性的影响

《Borsa Istanbul Review》：Impact of Climate Transition and Physical Risks on Clean–Dirty Stock Connectedness across Market Conditions

　　Hela BEN HAMIDA | Shawkat HAMMOUDEH
沙特阿拉伯利雅得伊玛目穆罕默德·伊本·沙特伊斯兰大学（IMSIU）商学院金融系

**摘要**
本研究探讨了气候转型和物理气候风险在不同市场条件下解释清洁股与污染股之间时间变化相关性中的作用。我们采用了三种互补且相互支持的理论框架：包含动态条件相关性（DCC）的多变量Glosten、Jagannathan和Runkle GARCH（M-GJR-GARCH）模型、自回归分布滞后（ARDL）模型以及小波分位数相关（WQC）方法，数据样本覆盖了2015年1月至2025年1月的时期。通过在标准GARCH-ARDL分析基础上引入WQC方法，我们研究了在不同投资期限和市场状态下，关注气候问题的清洁股与污染股之间的关系。M-JGR-GARCH-DCC模型表明，清洁股与污染股之间存在负相关且相关性较弱，并且这种相关性具有显著的时间变化特征。ARDL模型显示，从长期来看，仅对物理气候风险的关注会负面影响清洁股与污染股的相关性，而气候转型风险的影响则不显著。WQC分析指出，气候风险关注度与股票相关性之间的关系会随时间尺度和市场状况而变化：在长期内，对气候风险的关注度提高会减弱相关性，降低投资组合的多元化效益；但在短期内，这种相关性较弱，主要受市场状况的影响。这表明在经济衰退期间，两者之间的关联性会减弱，而在市场乐观或稳定的情况下，关联性则会增强。对于包括原油市场波动性、金融压力和投资者情绪在内的全球风险因素，也观察到了类似的结果。我们的研究结果为政策制定和管理策略提供了若干可行的见解，涉及极端事件期间的韧性、投资组合风险管理、投资期限规划以及政策和监管的影响。

**JEL分类**：Q54, Q42, Q43, C32, C14, G01.1

**引言**
关于气候变化和环境可持续性的全球讨论及其相关政策对股市表现产生了重大影响，尤其是在能源领域（Krueger等人，2020）。投资者越来越关注环境、社会和治理（ESG）问题，这些问题在塑造股市表现中起着关键作用（例如Ng和Tao，2019）。与气候相关的因素显著影响了清洁能源股（代表从事环保领域的公司）和污染股（如石油、煤炭和天然气相关公司）的估值（例如Almeida和Xie，2020；Zhou和Huang，2023；Bednath和Sharma，2023；Li和Zhang，2024）。例如，EDHEC风险智库的报告指出，“如果不采取积极的气候行动，许多情景下的股价可能遭受超过50%的巨大损失”（路透社，2024年1月）。全球气候意识的提高、新的气候法规、技术解决方案以及消费者行为的改变正在许多行业中产生重要影响（麦肯锡报告，2025年）。

气候意识对股票估值影响的日益增强凸显了与气候相关风险的重要性。这些风险通常分为两大类：转型风险和物理风险。根据国际可持续发展标准委员会（2023年，IFRS S2报告，第10-11页）的定义，气候风险是指向低碳经济转型过程中所固有的财务风险，包括气候变化政策、技术、市场以及利益相关者的预期。也就是说，转型风险源于缓解气候变化的努力以及可能影响实体财务状况和表现的气候政策（例如Bertrand等人，2024；D’Orazio，2025）。第二类风险——物理气候风险——指的是与天气事件（如洪水、飓风、干旱和海平面上升）相关的资产、基础设施和供应链的财务和经济影响。这些风险可分为急性（短期极端事件，如热浪）或慢性（长期变化，如海平面上升）两类。评估和管理这些物理风险需要考虑系统的危害、暴露程度和脆弱性（例如世界银行技术报告，2022年，第6页；Bertrand等人，2024；D’Orazio，2025）。

随着脱碳和清洁能源政策的加速推进，区分转型风险和物理气候风险变得越来越重要。诸如《巴黎协定》（联合国气候变化框架公约，2015）等国际承诺促使政府和私人投资者转向低碳技术及绿色投资，远离高碳资产。与此同时，严重依赖化石燃料的传统能源公司面临着日益增加的监管风险、声誉问题以及资产搁浅的威胁（Tollefson，2020）。在能源市场研究中，关于清洁股与污染股走势协同性的讨论相对较少。只有少数研究试图评估其驱动因素，且很少涉及气候因素。例如，Sohag等人（2023）研究了清洁股与污染股之间的时间-频率关联性，发现污染股会将负面波动性溢出效应传递给清洁能源和绿色债券。Li和Tang（2024）利用自回归分布滞后（ARDL）模型记录了气候风险对清洁股与污染股动态相关性的影响。Joof等人（2024）表明，在极端市场条件下，清洁股与污染股之间的波动性溢出效应会加剧。Lu等人（2023）强调了COVID-19疫情期间清洁能源股之间的传染效应。Renata和Urjasz（2023）以及Arfaoui等人（2025）也对清洁能源股和化石燃料股得出了类似结论。Arfaoui等人（2025）和Wang等人（2025）记录了溢出的时间变化特性以及市场动荡对动态溢出的影响。Renata和Urjasz（2023）指出了乌克兰战争对清洁股与污染股动态相关性的影响。关于气候关注度对清洁股与污染股走势影响的研究有限，大多数研究依赖于单一的、预先设定的气候关注度指标，主要集中在波动性溢出效应、网络相关性、滚动相关性（例如Ding等人，2022；Dutta等人，2024；Li等人，2024；Mahadeo，2024；Bouri等人，2025）或时间-频率关联性（例如Tiwari等人，2023；Farid等人，2023）上。值得注意的是，现有研究尚未同时考察气候转型和物理气候风险冲击对清洁股与污染股相关性的影响，也未探讨这些影响在不同投资期限（短期与长期）和市场状况（熊市、牛市和正常市场）下的差异。本研究旨在填补这一研究空白，通过探讨投资者对气候转型的关注度及其对物理气候风险的认知是否会影响清洁股与污染股之间的走势。我们希望解决以下研究问题：
（1）清洁股与污染股在多大程度上存在关联，其相关性如何随时间变化？
（2）它们的动态相关性是否受市场状况影响？
（3）气候转型和气候风险关注度如何影响不同投资期限和市场条件下清洁股与污染股的走势？

因此，我们的第一个假设（H1）如下：气候变化关注度和市场状况会影响清洁股与污染股动态相关性的波动性。这一假设基于几个论点：首先是基于关注的资产定价理论（例如Barberis等人，2005），该理论认为公众对气候的关注是非基本面驱动因素（Peng和Xiong，2006）。投资者的关注通过影响其信息整合方式来强烈影响金融市场（例如Roberedo，2015；Andersson等人，2016；Zhang等人，2019；Engle等人，2020；Krueger等人，2020；Bolton和Kacperczyk，2021）。在这方面，通过社交媒体对谷歌搜索趋势的报道来衡量对气候变化的关注度，是环境风险和可持续性问题的一个相关信号。气候变化关注度的冲击和政策变化可能会提高投资者意识，促使他们在清洁（可再生）资产和污染资产之间重新平衡投资组合，从而影响动态相关性的强度和稳定性。然而，全球非基本面风险因素（如市场情绪、能源市场波动性、商业周期和金融压力）会增加对气候相关风险的认知，进而影响能源相关金融资产的强度。这一论点基于风险下的选择显著性理论。正如Bordalo等人（2012）所提出的，极端事件会增强投资者对气候意识的敏感度，改变投资组合资产配置，影响清洁股与污染股相关性的强度和稳定性。ESG金融文献进一步支持了这一观点。根据气候相关财务披露工作组（TCDF）的研究，气候相关关注度突显了由监管变化和脱碳政策驱动的转型风险，这些风险会影响清洁股和污染股的估值，加剧其时间相关性的不稳定性。

我们的第二个假设（H2）如下：气候变化关注度与清洁股与污染股的相关性呈非线性互动，这种互动在不同投资期限和市场条件下有所不同。这一假设基于几个理论论点：首先是关注度分配和信息传播速度的滞后。公众对气候变化的突然关注会导致投资组合管理者逐渐将其有限的关注从其他问题转移到气候相关问题上。这种渐进式的整合会影响他们的长期信念和预期，而不仅仅是短期分配决策（例如Da等人，2011；Ding等人，2022）。此外，由于清洁股与污染股具有不同的风险特征、风险认知和投资期限，气候关注度的突然变化可能会以不同的方式改变它们之间的依赖结构。其次，这一假设涉及状态依赖的风险溢价和避险行为。在市场波动性高的时期，投资者会重新评估风险并寻求对冲；在这种情况下，如果清洁股被视为安全的投资，气候关注度的提高可能会加剧清洁股与污染股的分离。相反，在牛市条件下，来自气候关注度的信息流动可能会影响高收益资产，从而增强它们之间的相关性（例如Conlon等人，2018；Prange，2021；Ding等人，2022）。非线性气候变化、清洁股与污染股以及尾部事件之间的相互作用可以通过极端事件在高分位数（牛市）条件下放大动态依赖性来解释（Qi等人，2022；Shi，2024）。而在低分位数（熊市）条件下，气候关注度可能会增强对冲效果或促使投资者从周期性清洁资产中撤资（Kamel和Hassan，2002；Grabowski等人，2025）。这种气候关注度与股票相关性的模式可以通过小波分位数相关（WQC）方法来捕捉。

气候相关关注度通过三种机制影响清洁股与污染股之间的相关性：（1）信息处理；（2）差异性风险定价；（3）投资组合重新配置。对于第一种机制，我们参考了Peng和Xiong（2006）关于基于关注的资产定价的开创性工作。气候变化关注度的冲击使与气候相关的新闻更加突出，使投资者将注意力从特定公司因素转移到更广泛的资产类别（如清洁股与污染股）（即“投资者倾向于处理更多市场和行业层面的信息”，Peng和Xiong，2006，第563页），进而影响同一资产类别内及不同资产类别之间的回报相关性。第二种机制基于差异性风险定价。气候披露明确区分了转型风险和物理风险（IFRS S2气候相关披露）。转型风险源于向低碳经济转型的过程中产生的监管、政策、法律框架和技术市场动态，而物理风险则源于气候事件的急性或慢性影响。由于清洁股与污染股在这些气候风险中的暴露程度不同，对它们的关注程度不同可能会导致这两类资产之间的收敛或分化。这一机制与Peng和Xiong（2006）以及Huang等人（2019）的理论一致，他们指出更精细的信息处理会导致资产类别之间的差异性风险定价和耦合/分离（即时间变化相关性）。公众对气候的关注也可能引发投资组合的重新平衡。随着气候变化问题的日益突出，受ESG要求和脱碳限制影响的投资者会将资金从污染资产转向清洁资产。这一机制与Bordalo等人（2012）提出的显著性理论相符，该理论认为投资者会过度关注显著风险（Bordalo等人，2012，第1280页）。在这方面，日益增加的气候关注度提高了与气候相关风险的重要性，促使投资组合管理者调整他们的预期并重新平衡投资组合，从而影响了清洁资产和污染资产之间的联动性。我们的研究探讨了公共气候意识在两个互补的经验框架内对清洁资产和污染资产股票市场相互作用的影响。我们采用了多变量GJR-GARCH（M-GJR-GARCH）模型，并结合动态条件相关性（DCC）来捕捉清洁资产和污染资产之间的时变相关性。随后，我们提出了一个ARDL模型，在该模型中，从M-GJR-GARCH模型中提取的清洁-污染DCC被作为外生变量纳入。气候关注度得分和其他全球风险因素被视为内生变量，以便探索气候意识和其他全球风险因素在短期和长期投资期限内对清洁-污染资产相关性变化的驱动程度。尽管这些GARCH和ARDL基线方法很有价值，但它们仍然受限于时间尺度。因此，我们使用WQC方法将GARCH-ARDL分析扩展到时间-频率域。这种互补的方法使我们能够测试气候意识的非线性和分位数依赖性对清洁资产和污染资产市场关系的影响。

本研究有三个贡献。首先，我们在DCC和ARDL模型下实现了M-GJR-GARCH，以捕捉清洁资产和污染资产及其主要决定因素之间的时变关系。利用ARDL模型，我们可以评估气候变化和其他全球风险因素可能如何影响清洁-污染资产的动态相关性。其次，我们考虑了三个主要风险因素：（i）通过原油市场价格指数（OVX）近似的原油市场波动性；（ii）使用Bukan等人（2020）设计的情绪指数（Sent.）衡量的全球市场情绪，该指数基于经济相关新闻文章的词汇分析；（iii）由美国金融研究办公室设计、发布和测量的金融压力指数（FSI）表示的金融压力。最后，我们将仅限于时间域分析的GARCH类和ARDL基线框架扩展到时间-频率域。我们使用WQC作为补充框架，以更好地理解气候意识如何影响不同投资期限和市场条件下的清洁资产和污染资产市场。

总之，基于GJR-GARCH类的模型显示，清洁资产和污染资产股票呈现出弱化的、时变的负相关性。相比之下，ARDL模型表明，只有物理气候风险对其相关性具有长期负面影响。此外，WQC分析的结果表明，公共气候意识倾向于加强清洁资产和污染资产之间的依赖性，尤其是在较长的投资期限内，此时更深入的整合会削弱投资组合多样化的可能性。相反，短期依赖性主要是负面的，并且通常由市场状况决定：在熊市期间相关性减弱，而在牛市或稳定市场期间相关性增强。总体而言，这些结果表明，气候关注度会在清洁资产和污染资产之间的联动性上产生时间和分位数依赖性的变化，既带来了短期的多样化机会，也带来了长期趋同的风险。这些发现为增强金融韧性、在极端事件期间管理投资组合风险、为不同投资期限设计投资策略以及应对市场整合挑战提供了政策和管理上的见解。

研究的组织结构如下：第2节简要回顾了文献，并阐述了研究的主要贡献。第3节描述了所使用的方法和数据。第4节展示了实证结果，而第5节讨论了结论以及政策和管理的含义。

2. 文献回顾、研究空白和贡献
在本节中，我们回顾了之前关于清洁资产和污染资产市场之间的关系、其关键驱动因素以及气候风险关注度和其他全球风险因素影响的研究。然后，我们确定了研究空白，并将我们的贡献置于现有文献的背景下。

2.1. 既往研究
表1总结了以往的研究，重点关注它们的方法和主要结果。

| 作者 | 数据 | 方法 | 关键结果 |
|------|------|------|------|
| Assal等人（2025） | 污染资产和清洁资产 | 面板数据多因子模型 | •在因子模型中，污染资产的表现优于清洁资产组合，这可能是由于市场趋势，其中受油价和气价上涨推动的能源行业表现最好。•碳和政治风险对风险溢价有负面影响；超额回报序列属于弱形式效率低下。|
| Li和Zhong（2025） | 清洁能源股票被分为水力、风能和太阳能股票以及高碳股票 | EPU、GPR和CPU指数 | 网络相关框架 | •清洁能源股票是风险的净接收者，而工业股票是风险的传递者。•水力发电市场是主要的风险接收者，而低碳组合是主要的风险传递者。•EPU和CPU对网络相关性有显著影响。|
| Bouri等人（2025） | 气候风险指数、清洁能源股票、科技股票 | 时变相关性方法 | •从长期来看，物理转型风险对清洁资产和科技股票之间的相关性有积极影响。•短期依赖性趋于减少。•清洁资产对气候物理风险的关注度反应更强烈。|
| Usman等人（2025） | 清洁资产和污染资产 | 第四次工业革命 | 分位数对分位数格兰傑因果关系测试 | •清洁资产和污染资产之间的联动性受市场条件影响。•在牛市和熊市条件下，时变相关性更为明显。|
| Raggad和Bouri（2025） | AI股票、清洁资产和污染资产、WTI价格 | 分位数对分位数方法 | •清洁-AI对的依赖性比其他组合（AI-污染资产和AI股票-WTI）更为明显。•清洁资产主要是来自AI股票ETF的收益连接的接收者。在动荡的经济条件下，清洁资产、污染资产和WTI表现出变化行为。|
| Huang等人（2025） | 清洁资产和污染资产指数、气候关注度指数 | 时变参数向量自回归 | •气候风险加剧了清洁资产和污染资产之间的相关性。•气候风险转型减少了两个股票市场之间的区别。|
| Li等人（2024） | 清洁资产和污染资产指数、石油市场情绪指数、美国商业周期和气候风险 | NARDL模型和DCC模型 | •气候风险对清洁资产和污染资产之间正的相关性有负面影响。NARDL模型显示，联邦基金利率的上升对清洁资产和污染资产价格相关性的影响更大。|
| Dutta等人（2024） | COVID-19数据（传染病相对不确定性指数） | 清洁资产和污染资产 | EPU和GPR指数 | GARCH-MIDAS模型 | •清洁资产和污染资产之间的时变相关性更多受到COVID-19不确定性的影响，而不是地缘政治风险和经济不确定性。|
| Mahadeo（2024） | 清洁资产和污染资产全球指数 | 跳跃非参数方法 | •石油市场的过度波动性强烈影响清洁资产和污染资产之间的相关性。•地缘政治风险和气候政策不确定性正在破坏清洁资产和污染资产之间的关联。|
| Farid等人（2023） | 清洁资产和污染资产指数 | Wilder Hill清洁能源指数和S&P全球指数 | 滚动窗口小波 | •在短期内，清洁资产和污染资产之间的依赖性较弱。•长期来看，依赖性更强。•在整个样本期内显示出持续的解耦行为。|
| Dias等人（2023） | 清洁能源和污染资产指数 | VAR模型和格兰傑因果关系测试 | •在动荡的市场条件下，清洁资产和污染资产没有表现出对冲模式或避风港特性。|

2.2. 研究空白和贡献
从这些发现中可以看出，虽然全球风险因素和极端事件已被广泛研究为清洁资产和污染资产相关性的关键驱动因素，但人们对公共气候风险感知的作用关注较少。只有少数近期研究（例如Ding等人（2022；Li等人（2024）；Huang等人（2025））探讨了公众对气候风险的关注如何影响清洁资产和污染资产之间的时变相关性。然而，关于气候风险和物理风险对清洁资产和污染资产联动性以及市场整合的影响尚无定论，特别是在相关性的强度和稳定性方面。此外，尽管使用了多种方法（VAR、分位数对分位数回归、波动性溢出、TVP-VAR模型），研究结果强调了显著的时变性和状态依赖性效应。本研究通过考察公众对气候转型和物理风险的关注对清洁资产和污染资产之间联动性的不同影响，填补了上述空白。具体而言，我们使用标准GARCH和M-GJR-GARCH模型以及DCC框架和WQC方法，研究了公众对气候转型和物理风险的关注对清洁资产和污染资产之间动态关系的影响。

3. 数据、初步诊断和方法

3.1. M-GJR-GARCH-DCC模型
DCC-GARCH类模型被广泛用于研究金融资产和实物资产之间的动态相关性。各种GARCH模型，如IGARCH、TGARCH、CO-GARCH、EGARCH和FI-GARCH（例如Vijayalakshmi，2024；Wanjuki等人，2024），被用来解决金融时间序列的关键特征问题。本研究采用了由Glosten、Jagannathan和Runkle开发的M-GJR-GARCH-DCC模型来分析清洁资产和污染资产回报之间的时变关系。与标准GARCH模型不同，GJR-GARCH模型考虑了金融时间序列的一个关键特征：滞后负面冲击对方差的影响通常大于正面冲击。这种现象通常被称为“杠杆效应”。在GJR-GARCH框架内，金融时间序列中的显著负面变化通常伴随着另一个负面冲击，而不是正面冲击。本质上，GJR-GARCH模型是标准GARCH模型的扩展。

正式地，我们假设以下均值方程控制回报：

(1)
其中表示清洁资产和污染资产回报的向量。是常数向量，长度为（n）。是表示自回归系数的向量，而则是残差误差的向量。GJR-GARCH模型的条件方差具有以下方程：

(2)
根据Lawrence等人（1993）的方法，我们定义了一个多变量指标向量如下：

(3)
其中估计的参数用于评估杠杆效应（即正面和负面波动性冲击对条件方差的影响），正值表示负面冲击的影响大于正面冲击。根据Lawrence等人（1993）的观点，当参数满足以下约束时，波动性过程中的正性和平稳性条件得到满足：

使用Engle（1982）的DCC，并假设和，其中表示基于现有信息集的条件期望，条件方差-协方差矩阵可以表示为：

(4a)
其中表示时变相关矩阵，而是对角矩阵，表示条件方差。因此，DCC的表达如下（Engle，1982）：（4b）（5）在方程（5）中，和是两个非负参数，确保了，而是一个估计误差的无条件协方差矩阵。3.2. ARDL规范我们使用Pesaran（2001）的ARDL模型来研究气候关注对清洁股票和污染股票之间动态相关性的影响，这种相关性通过DCC来衡量。DCC是因变量，而气候关注和其他全球风险因素是自变量。与传统的Johansen协整方法（例如，Johansen，1988；Johansen和Juselius，1990）相比，ARDL规范更加灵活，因为它不要求所有变量都具有相同的整合阶数（例如，Malik等人，2020）。然而，变量可以是I(0)阶、I(1)阶或两者兼有，但不能是I(2)阶。此外，该模型可以应用于小样本，以估计感兴趣变量之间的长期和短期关系。这些优势使我们能够使用这种方法来检查清洁-污染股票DCC、与气候相关的关注变量以及其他全球风险因素之间的关系。在ARDL规范中，因变量和自变量在滞后值上是形式上相互关联的。特别是，如果 是因变量， 表示解释变量，那么一般的ARDL模型将写成如下形式：（6）其中 是因变量， 表示解释变量， 是常数参数， 而 表示白噪声。此外， 、 和 分别表示与线性趋势相关的系数、因变量的滞后以及因变量和自变量差异项的滞后阶数。为了确定变量之间存在协整，Pesaran等人（2001）建议使用Fisher检验。拒绝原假设 表明因变量和自变量之间存在长期（协整）关系。具体来说，如果计算出的F统计量低于下界值，则接受原假设，意味着变量之间不存在协整。相反，如果计算出的F统计量超过上界值，则拒绝原假设，表明变量之间存在长期关系。然而，如果计算值介于上下界之间，则结果不确定。3.3. 数据清洁能源股票由标准普尔全球清洁能源指数（SPGTCLNT）表示，该指数是衡量全球清洁能源相关企业绩效的基准。它涵盖了从太阳能、风能或其他可再生能源生产清洁能源的公司，以及提供相关技术和设备的公司。对于污染股票，我们使用了标准普尔全球石油指数（OEI），该指数跟踪在标准普尔全球指数中上市的120家最大公司在石油和天然气行业的表现。该指数按总市值加权。这两个指数来自标准普尔数据库（https://www.spglobal.com/spdji/en/indices/equity/）。样本时间范围是从2015年1月26日到2025年1月27日，共有2,602个日观测值。我们选择使用全球指数，因为它们符合我们捕捉受全球风险因素影响的总体股市动态的目标，包括气候转型和气候风险。全球指数提供了综合的股市表现，其中跨境资本流动和跨国公司在其中扮演着关键角色。因此，这些全球指数特别适合评估气候风险关注对清洁和污染股票之间时变相关性的影响，并与全球气候转型和气候物理风险指数一起使用。对于气候关注指数，我们使用了基于文本的过渡风险关注（TRAI）和物理风险关注（PRAI）指数。这些指数最近由Bua等人（2024）开发，其理论基于Engle等人（2020）。数据来自政策不确定性数据库（http://www-policyuncertainty.com）。气候物理风险和气候转型定义如前所述（Bua等人，2024，第2077页）。选择这些气候关注代理有两个原因：首先，我们遵循Engle等人（2020）和Bua等人（2024）的工作，他们发现这两个指数可以以不同的方式影响金融市场。因此，值得研究这两种气候关注代理是否不同地影响清洁和污染股市之间的动态相关性。其次，这两个指数是使用基于文本的方法设计的。我们推测投资者通过关注气候新闻来调整他们对气候风险的看法（Engle等人，2020）。此外，我们认为气候媒体报道会随着气候风险的增加而加强（Bua等人，2024）。TRAI和PRAI是为同一样本期间每日收集的。3.4. 初步诊断图1显示了清洁和污染股票的价格（按水平计算）、它们的对数回报以及TRAI和PRAI（按水平计算）的时间序列。第一个图表显示，清洁能源指数（CEI）在2015年至2019年间保持相对稳定，然后在2020年至2021年间急剧上升。该指数在2020年2月首次达到920点，然后在2021年8月达到2,010点，随后进入一个波动的修正期，最终在样本期末降至820点。这说明了该指数的波动性，其波动幅度很大。下载：下载高分辨率图像（472KB）下载：下载全尺寸图像图1. 清洁-污染股票价格、回报以及TRAI和PRAI指数的时间路径。来源：作者。TRAI和TRAI指数取自https://sites.google.com/view/lavinia-rognone-library。污染股票指数的图表显示，CEI和OEI遵循不同的趋势。CEI在2019年之前保持稳定，然后在2020-2021年间因对绿色复苏的乐观情绪而急剧上升。在这一上升之后，它经历了剧烈的修正，并最终在样本期末稳定在之前的水平附近。相比之下，OEI在COVID-19大流行之前稳步下降。然而，在沙特阿拉伯和俄罗斯之间的冲突引发的欧洲能源危机以及化石燃料需求的增加推动下，它强劲反弹，然后稳定在一个较高水平。总体而言，CEI表现出繁荣和萧条的周期，而OEI则显示出崩溃和复苏的模式。因此，我们预计OEI-CEI的相关性将是弱的、不稳定的，并且常常是负的，特别是在压力时期，如COVID-19大流行和欧洲能源危机期间。描述性统计数据显示在表2中，表2显示清洁股票的平均回报远低于污染股票的回报，并且根据标准差测量的波动性较低。这一结果与Kokaarslan和Soytas（2020）以及Di等人（2024）的研究结果相反，他们发现清洁能源ETF比化石能源行业风险更高。所有时间序列都显著偏离正态性，这一点通过Jarque–Bera统计量可以看出。两种资产的回报都是左偏的，并且具有平峰分布。两种气候意识代理——TRAI和PRAI——在波动性、平均值和偏离正态性方面显示出相似的模式。增强的Dickey–Fuller（ADF）和Phillips–Perron（PP）检验表明所有时间序列的一阶差分都是平稳的。表2. 描述性统计空单元清洁股票回报（CEI）污染股票回报（OEI）PRAI TRAI 平均值0.00000?0.004637?0.002379?0.003682中位数0.0001550.019873?0.004350?0.005149最大值0.1116898.7489920.1225070.137991最小值?0.124971?14.11529?0.063146?0.081479标准差0.0153031.1322580.0209510.021852偏度?0.403927?0.5908240.7189620.555633峰度11.2211315.837504.7691215.142675Jarque–Bera7,392.63118,004.76563.0533631.1467概率0.0000000.0000000.0000000.000000ADF?17.93***?52.60***?15.54***?14.08***PP?46.20***?52.61***?59.92***?62.09***观测值2,6012,6012,6012,6012,601注：CEI指清洁能源的日回报（清洁）。OEI表示石油能源股票的回报（污染）。PRAI是气候物理风险关注指数。TRAI是气候转型关注指数。Jarque–Bera是正态性检验。ADF是增强的Dickey–Fuller检验，而PP是Phillips–Perron单位根检验。单位根检验考虑了截距，最佳滞后长度是根据Shwartz信息准则确定的。表3展示了清洁和污染资产之间的无条件相关矩阵以及气候风险度量。清洁和污染股票的回报显示出弱正相关。此外，PRAI和TRAI的物理和转型风险与清洁和污染股票都呈弱负相关。同时，这两种气候度量之间的相关性为0.42，表明存在相对较强的正相关关系。表3. 无条件相关性空单元清洁（CEI）污染（OEI）PRAI TRAI清洁（CEI）1污染（OEI）0.0332***1PRI?0.0254**?0.0508***1TRI?0.0185***?0.0156***0.4212***1注：**、** 和 * 分别表示1%、5%和10%水平上的显著性。4. 实证发现4.1. GJR-GARCH估计和清洁-污染动态相关性如上所述，我们使用M-GJR-GARCH-DCC模型来估计清洁和污染股票之间的时变相关性。表4展示了GJR-GARCH参数估计（面板a）、平均DCC（面板b）和诊断测试（面板c）。结果表明，自回归参数对清洁和污染股票都具有统计显著性。ARCH和GARCH参数在清洁股票上具有1%的统计显著性，在污染股票上分别为5%和1%的统计显著性。更重要的是，GJR-GARCH参数在清洁和污染股票上均为正且具有1%的统计显著性，表明存在不对称性（杠杆效应）。这意味着由坏消息引发的负面冲击比由好消息引发的正面冲击更能驱动条件波动性的增加。这一结果反映了金融市场中公认的杠杆效应。比较两种资产类别的杠杆参数（γ）的大小，发现污染股票的杠杆参数更高（0.14263），这意味着它们对市场下跌的敏感度高于清洁股票，这可能会加剧它们在坏消息后的波动性聚集。杠杆参数的显著性表明M-GJR-GARCH规范适合捕捉清洁和污染股票之间的时变相关性。面板b中的结果显示，平均DCC为?0.01836，表明整体清洁-污染相关性较弱且为负。面板c中的诊断测试强调GJR-GARCH规范的适用性。Ljung–Box统计量显示模型的平方残差不拒绝无自相关的原假设，表明它可以消除平方残差中的线性依赖性。McLeod–Li统计量不拒绝不存在残差ARCH效应的原假设。表4. AR(1)-GJR-GARCH(1,1)的估计结果空单元清洁股票（CEI）污染股票（OEI）面板a：GJR-GARCH估计0.00112 (?0.44)?0.011439*** (?2.46)0.14968*** (6.78)?0.41601*** (?20.78)0.02754** (2.20)0.116320* (1.94)0.09585*** (3.47)0.06438** (2.10)0.87942*** (29.8)0.770444*** (7.7)0.03851*** (2.48)0.14263*** (3.93)面板b：DCC估计?0.01836** (1.91)0.0655** (1.90)0.8211*** (7.20)面板c：测试诊断Shibata?5.2720Hannan-Quinn?5.259610.23 [0.96] (20)7.51 [0.98]7.76 [0.97]注：第20个平方残差的Ljung–Box统计量是Q(20)。Hosking（20）用于模拟金融数据中的波动性聚集，McLoed–Li（20）是平方残差的多变量Portmanteau序列相关检验。**、** 和 * 分别表示1%、5%和10%水平上的显著性。括号（,...）之间的数字是t值，而方括号[.]之间的数字是经过2自由度校正的p值。Shibata和Hannan-Quinn是多变量GJR-GARCH模型的诊断测试。图2绘制了清洁和污染股票随时间的动态相关性。从图中可以观察到几个现象。DCC在零上下显著波动，表明清洁和污染股票之间的关系不稳定并且随时间变化。相关性非常接近零，这与M-GJR-GARCH模型产生的平均DCC值一致。此外，我们观察到短暂的正面和负面峰值，表明清洁和污染股票市场之间存在短暂的耦合/解耦，可能是由市场条件驱动的。这一发现与Tang等人（2023）的研究结果一致，他们使用贝叶斯GARCH-DCC框架报告了清洁和能源股票之间的弱负相关性。这与Di等人（2024）的最新研究结果相反，后者发现美国的清洁和污染能源ETF呈正相关并显示出显著的时变模式。下载：下载高分辨率图像（287KB）下载：下载全尺寸图像图2. 清洁和污染股票的DCC估计来源：作者。清洁-污染DCC是从M-GJR-GARCH模型中提取的。4.2. DCC估计的驱动因素：如前所述，我们的主要目标是分析对气候风险的关注如何影响清洁和污染股票之间的动态相关性。我们使用ARDL模型，其中DCC由GJR-GARCH模型生成作为因变量。我们的主要自变量是气候TRAI和PRAI，这使我们能够测试我们的第一个假设。我们还纳入了几个额外的独立变量，包括市场新闻 sentiment、原油市场波动性和金融压力，以评估市场相关风险因素对清洁股票和污染股票之间动态相关性的影响。我们使用 CBOE OVX 作为原油市场波动性的代理指标，数据来源于圣路易斯联邦储备银行数据库（https://fred.stlouisfed.org/series/OVXCLS）。理论讨论强调了原油市场波动性对清洁能源股票和污染能源股票之间相关性的重要影响。文献中普遍存在两种观点。首先，在原油市场波动性较高的时期，冲击会波及股票价格并增强能源股票之间的相关性；相反，在市场较为稳定的时期，这些相关性往往较弱，甚至趋近于零（例如，Sadorsky, 2012）。此外，一些研究表明，显著的波动性冲击具有不对称效应，油价上涨可能会增强对清洁能源股票的替代效应，从而削弱相关性，甚至使其变为负相关（例如，Foglia 等人，2022；Attazadeh 和 Bacilar，2022；Dinh，2025）。

我们考虑了 Bukan 等人（2020）设计的 Sent. 作为 ARDL 模型中的一个市场相关独立变量。该指数基于经济新闻文章的词汇分析，情感得分来源于旧金山联邦储备银行数据库（https://www.frbsf.org/research-and-insights/data-and-indicators/daily-news-sentiment-index/）。该得分由 Shapiro、Sudhof 和 Wilson （2020）定期更新和发布。

Zhang 等人（2025）、Broadstock 等人（2021）和 Salisu 等人（2022）的研究普遍表明，新闻 sentiment 显著影响清洁股票和污染股票的相关性。关于清洁能源资产的正面（或好）新闻通常会提升清洁股票的表现。相反，关于化石燃料的负面（或坏）新闻可能会削弱污染股票的表现，从而改变它们的联动性。时间变化因素，如市场压力或 COVID-19 大流行、俄乌战争、加沙局势以及特朗普的关税等，可能会进一步改变这些相关性，社交媒体 sentiment 通常会放大这些因素的影响。

我们还包括了金融压力作为一个额外的独立变量。我们参考了美国金融研究办公室（OFR）的 FSI（OFR SFI），这是一个基于市场的全球金融市场压力每日指标（https://www.financialresearch.gov/financial-stress-index/）。该指数包括五个主要类别：信用、股权、融资、安全资产和波动性。当压力水平高于平均水平时，OFR SFI 为正值，否则为负值。该指数涵盖了美国、发达市场和新兴金融市场。理论上，不断加剧的金融压力往往会增加清洁股票和污染股票之间的相关性。在系统性冲击期间，投资者寻求流动性，这可能会增加相关性，从而削弱分散化的好处。例如，Fu （2022）记录了在动荡市场条件（如 COVID-19 大流行）下相关性的显著飙升。相比之下，这种关系在长期内保持不稳定和异质性。Li 等人（2023）和 Syuhada 等人（2024）也得出了类似的结论。

DCC 驱动因素的时间变化在图 3 中显示，而其描述性统计数据在表 5 中报告。

图 3. DCC 驱动因素的时间变化
来源：作者

表 5. DCC 驱动因素的描述性统计数据

空单元

DCC
PRAI

TRAI
OVX
SENT
FSI

平均值 ?0.017
2.67
?0.002
3.79
?0.003
6.82
4.039
9.80.007
8.54
?1.403
6.20

中位数 ?0.017
3.59
?0.004
3.50
?0.005
1.49
3.67
0.000
0.040
0.000
0.?1.69
90.00

最大值 0.046
1.38
0.122
5.07
0.137
9.91
3.25.15
0.340
0.000
01.0
2.66
0.0

最小值 ?0.064
2.78
?0.063
1.46
?0.081
4.79
17.86
0.000
?0.67
0.000
00.?4.36
4.00

标准差 0.010
4.03
0.020
9.51
0.021
8.52
18.77
23.50
1.910
5.05

偏度 0.126
981
0.718
96
20.555
633
5.540
535
?1.344
569
1.483
568

峰度 5.334
078
4.769
121
5.142
675
51.631
285.321
700
7.398
489

J-B 597.178
656
3.053
363
1.146
726
9,510.71,367.357
3,049.649

注：J-B 指的是 Jarque–Bera 正态性检验。

如前所述，ARDL 模型接受输入序列为 I(0) 或 I(1)，或两者兼有。如果使用更高阶的积分序列（如 I(2)，会导致虚假回归。因此，为了实施 ARDL 模型，我们必须确保所有使用的时间序列都是 I(0), I(1)，或两者兼有。为此，我们应用了增广的 Dickey–Fuller (ADF) 和 Phillips–Perron (PP) 检验，这两种检验都有两种规格：仅包含截距的模型和包含趋势和截距的模型。检验模型的规格是通过检查变量、时间变化以及趋势参数的显著性来确定的。最优滞后长度是使用 Akaike 信息准则 (AIC) 确定的。相反，PP 检验的带宽是使用 Newey–West 方法和基于 Bartlett 核的自动选择来确定的。

表 6 中报告的单位根检验结果显示，所有变量都是 I(0)，除了 sentiment 指数，它是 I(1)。因此，这些变量可以用于 ARDL 模型。为了捕捉清洁–污染 DCC 和 TRI、PRI 与其他全球风险因素之间的长期（共整合）关系，我们估计了以下 ARDL 模型：

(7)

其中 Δ 表示一阶差分运算符，λ 和 λ* 是最优滞后长度，ε 是白噪声误差项。TRAI 和 PRAI 分别表示气候转型和物理风险指数。OVX、Sent. 和 FSI 分别表示原油市场波动性指数、市场新闻 sentiment 指数和金融压力指数。

表 6. 单位根检验结果

变量（水平）
ADF
PP
含截距
含截距和趋势
含截距和趋势

DCC ?14.95***
?14.96***
?15.11***
?15.11***
TRAI ?14.08***
?14.66***
?60.85***
?62.07***
PRAI ?15.53***
?15.54***
?59.11***
?59.90***
OVX ?5.25***
?5.26***
?7.09***
?7.06***
Sent. ?2.03
?2.26
?2.57
?2.88
FSI ?4.39***
?4.57***
?3.98***
?4.03***

注：ADF 表示增广的 Dickey–Fuller 单位根检验。PP 是 Phillips–Perron 单位根检验。DCCs 是从 M-GJR-GARCH 模型中提取的动态条件相关性。TRAI 和 PRAI 分别表示气候转型和物理风险指数。OVX 是原油市场波动性指数。Sent. 表示市场 sentiment 指数，FSI 是金融压力指数。所有变量在水平上是 I(0)，除了 sentiment 是 I(1)。

我们使用共整合界限检验来评估清洁–污染 DCC 与独立变量之间存在长期关系的可能性。计算出的 F 检验统计量在 1% 的显著性水平上大大超过了上界（表 7），表明拒绝了无共整合的零假设。因此，这些变量之间存在长期（共整合）关系。

表 7. 共整合界限检验

检验值
I(0) 界限
I(1) 界限

结论
F 检验 33.11
3.06
4.15

共整合存在

注：I(0) 和 I(1) 界限检验的临界值对应于 1% 的显著性水平。

下一步是估计长期 ARDL 参数，这首先需要确定每个变量的最优滞后长度，以确保误差项是高斯的（即正态分布的）、同方差的，并且没有序列相关性。我们参考了 AIC、Schwarz 贝叶斯准则和 Hannan-Quinn 准则。表 8 报告了 ARDL 模型的估计参数。我们执行了残差诊断检验，即 Breusch–Pagan 方差异性和 Breusch–Godfrey 序列相关性检验，以确保结果的可靠性。诊断检验结果确认了 ARDL 模型的有效性，估计的模型通过了所有检验，除了正态性检验。

表 8. 长期 ARDL 结果

参数
估计系数
TRAI 0.095
3 (1.33)
PRAI ?0.204
3*** (?2.74)
OVX ?0.0001 (?0.26)
Sent. ?0.0005 (?0.13)
FSI ?0.00043 (?1.19)
C ?0.0176*** (?9.29)

注：因变量是方程 (7) 中指定的 DCC。t 统计量在括号内给出（.）。*** 表示在 1% 水平上的显著性。

上述结果显示，只有 PRAI 变量是显著的。估计参数（?0.2043）在 1% 的水平上显著为负。然而，TRAI 参数为正但不显著，表明投资者或媒体对气候相关物理风险的关注程度增加会削弱清洁股票和污染股票之间的联动性。这一结果与以往关于气候风险定价的研究一致。从理论上讲，有几个原因可以解释为什么对气候物理风险的关注具有长期效应，而对转型风险的关注则不显著。更具体地说，这可能是由于这两种气候相关风险的传递机制不同。一方面，气候相关的物理风险是直接的、突然的和外生的，影响企业的运营、基础设施和生产力。物理风险会产生持续的、逐渐传播的冲击，影响企业的长期盈利能力，从而影响清洁股票和污染股票的估值。这一结果与以往的研究（如 Albanese 等人，2025）相符。Bua 等人（2022）的研究表明，金融市场立即内化了气候相关的物理风险。相反，气候转型风险主要源于气候法规、政策、技术发展以及投资者选择的变化。投资者可能会预期到这些影响，并提前在价格中反映出来，从而减弱它们对 ARDL 模型长期均衡关系的影响。此外，气候转型风险通常与政策设置的不确定性、规模和政策可信度的高相关性有关，可能减少它们对长期投资视野的影响（例如，Campiglio 等人，2018）。这一观点与金融市场对物理气候风险的反应比对政策相关不确定性的反应更强烈的观点一致（Bua 等人，2022）。

其他内生变量（OVX、FSI 和 Sent.）在统计上都不显著。我们的结果与 Batten 和 Szilagyi （2023）以及 Di 等人（2024）的发现一致。Batten 和 Szilagyi （2023）表明，气候相关风险加剧了清洁股票和污染股票回报之间的分化。Di 等人（2024）使用 ARDL 模型和 ADCC-GARCH 模型研究了气候政策不确定性（CPU）和其他全球风险因素对各种清洁股票和污染股票 ETF 之间动态相关性的影响。他们发现，在大多数情况下，CPU 对美国清洁股票和污染股票之间的不对称 DCC（ADCC）有负面影响。

4.3. WQC 分析

我们使用小波 WQC 方法将我们的 GJR-GARCH-DCC 和 ARDL 分析扩展到清洁–污染 DCC 时间序列、气候关注指数和全球风险因素之间的依赖结构。在本小节中，我们简要描述了该技术，然后报告并讨论了结果。

4.3.1. WQC 方法

本质上，WQC 框架结合了 QC 方法（Li 等人，2015）和最大重叠离散小波变换（MODWT）。WQC 的主要特点是能够捕捉金融市场中的风格化事实，包括不对称性和非线性、市场状态之间的尾部依赖性以及不同投资时段的依赖性（例如，Choi 和 Shin，2018；Patel 等人，2023）。根据 Li 等人（2015）的方法，QC 系数定义如下：

(8)

其中 Δ 表示 DCC 和气候关注指数之间的分位数特定协方差，φ 表示给定 φ 的条件分位数函数，ρ 表示分位数检验函数。

基于 Percival 和 Walden（2000）的方法，我们探索了不同投资时段的这些依赖性，并使用了基于 HAAR 小波的 MODWT 分解。MODWT 提供了一种时间不变且保持尺度不变的数据分解方法，允许进行稳健的多分辨率分析，而不会丢失对齐或引入边界伪影（Percival 和 Walden，2000）。MODWT 分解方法的迭代过滤过程表示如下：

(9a)
(9b)

其中 ρ 和 ρ* 分别表示在尺度 φ 处的近似值和细节系数，α 和 γ 表示缩放和小波滤波器。因此，每个 φ 对应的 QC 可以表示为：

(10)

如方程 (10) 所示，WQC 方法使我们能够探索给定分位数和投资时段的清洁–污染股票市场的依赖性。它提供了关于 PRAI、TRAI 和其他全球风险因素如何影响市场条件和投资时段下 DCC 动态的见解。我们按照以下步骤进行当前的 WQC 分析：首先，我们对六个时间序列（TRAI、TRAI、清洁–污染 DCC、OVX、FSI 和 Sent.）应用 MODWT，使用 HAAR 小波滤波器进行九个分解层次的分解。然后，我们计算每个小波尺度 φ 和每个分位数水平（从 0.1 到 0.9）之间 DCC 和其决定因素的分位数相关性。

4.3.2. WQC 结果和讨论

WQC 热图比较了清洁股票和污染股票的 DCC、PRAI、TRAI 和全球风险因素，分别显示在图 4、图 5、图 6、图 7 和图 8 中。为了更直观的解释，热图中的 x 轴表示从 0.1 到 0.9 的分位数水平。x 轴上的分位数范围从 τ = 0.1 到 0.9，捕捉条件分布的不同部分。较低的分位数（τ = 0.1–0.3）对应于市场低迷或看跌状态，中位数分位数（τ ≈ 0.5）代表正常或典型条件，较高的分位数（τ = 0.7–0.9）表示市场繁荣或看涨状态。y 轴显示了九个 MODWT 尺度，表示投资时段从 2 天到超过 512 天不等（投资时段的分类在附录的表 9 中报告）。右侧的颜色条显示了相关性的强度和方向（黄色/白色表示正相关，红色/黑色表示负相关）。投资时段由 MODWT 定义。图 4 展示了气候转型风险与清洁–污染股票 DCC 之间的 WQC 热图。如图所示，这种关系随时间、频率和分位数的变化而显著变化，表明它依赖于市场条件。

图 4.图5. PRAI与DCC之间的WQC关系。请参阅图4的注释。下载高分辨率图像（175KB）；下载全尺寸图像。

图6. OVX与清洁-肮脏DCC之间的WQC关系。请参阅图4的注释。下载高分辨率图像（174KB）；下载全尺寸图像。

图7. 市场情绪与清洁-肮脏DCC之间的WQC关系。请参阅图4的注释。下载高分辨率图像（171KB）；下载全尺寸图像。

图8. FSI与清洁-肮脏DCC之间的WQC关系。请参阅图4的注释。

例如，在短期内和低分位数（尺度1和2）时，相关性较弱且为负，如图中的黄色（尺度1）和深色区域（尺度2）所示。相关性范围从-0.05到-0.03，表明在熊市或市场压力较大时，对气候转型风险的关注会减弱清洁-肮脏资产之间的相关性。因此，在短期内和压力期间，清洁股票与肮脏股票之间的相关性减弱，突显了清洁股票在提供绿色-肮脏资产组合多样化效益方面的作用。然而，在中期和长期内，特别是在中高分位数，对气候转型的关注与清洁-肮脏资产之间的相关性呈弱正相关。在正常和牛市市场中，气候转型会增强这种相关性。这些结果突显了气候转型风险与清洁-肮脏资产之间关系的状态依赖性。我们的结果与Reboredo（2018年）和Ahmed（2024年）的先前的研究结果一致。Roboredo（2018年）发现绿色资产和其他传统股票之间的相关性较弱，而Bouri（2022年）则表明在动荡市场期间，可再生能源资产与化石燃料资产之间的相关性增强。Ahmed（2024年）发现，在气候关注度提高时，清洁和太阳能股票的表现较差。

图5展示了PRAI与DCC之间WQC的热图，显示这种关系在不同尺度和分位数上有显著差异。在短期（尺度1-3）内，相关性主要表现为正相关，特别是在低分位数（0.1-0.3）时。这表明在物理气候风险较高的情况下，清洁股票与肮脏股票之间的相关性增强，尤其是在市场下行或压力较大的时期。相反，在中期和长期投资期限（5-8）内，我们观察到混合相关性，多为负相关（相关性范围从-0.05到-0.01），表明气候相关物理风险的加剧在正常和牛市市场条件下减弱了清洁-肮脏资产之间的相关性。这一结果支持了ARDL模型的观点，该模型显示从长期来看，对物理气候风险的关注与清洁-肮脏资产之间的负相关关系显著。

图6显示了OVX与清洁-肮脏DCC之间WQC的热图，OVX-DCC之间的关系在不同尺度和分位数上有很大差异。相关性范围从-0.1到0.04。在短期尺度（尺度1-3）内，几乎所有分位数的相关性都为正相关，尤其是在中位数和高分位数处更为明显，如黄色和白色区域所示。这表明短期内原油市场波动性的增加会增强清洁股票与肮脏股票之间的相关性，表明在这几个尺度上它们作为组合多样化工具的作用不大。相反，在中期投资期限（尺度4-6）内，观察到负相关（范围从-0.06到-0.02，红色和棕色区域）。在长期投资期限（尺度7-9）内，相关性表现为混合：部分为正相关（分位数0.1-0.5）和负相关（分位数0.5-0.9）。总体而言，这些结果强调了石油波动性的状态和尺度依赖性。Mahadeo（2025年）的研究也发现原油市场冲击、地缘政治和气候政策会影响能源和清洁股票的稳定性。

图7展示了市场情绪与清洁-肮脏DCC之间WQC的热图，显示情绪-DCC关系在不同尺度和市场状态下有显著差异。相关性范围从-0.06到0.08。在短期尺度内，几乎所有分位数的相关性都为负，如红色和棕色区域所示。这些结果还表明，在短期内，悲观情绪会在高压力时期减弱清洁股票与肮脏股票之间的相关性——在中期（尺度5-7）这种配置发生了变化。在正常和牛市市场条件下，市场情绪的乐观趋势会增强清洁-肮脏资产之间的相关性。对于更长的投资期限（尺度8），当分位数在0.1到0.7之间时，观察到负相关。这些结果与Li等人（2024年）的研究一致。使用ADCC-GARCH和NARDL模型，作者研究了投资者情绪如何影响清洁能源ETF与化石燃料股票之间的动态相关性，发现投资者情绪这一市场相关因素在短期内会降低这种相关性。

图8展示了金融压力与清洁-肮脏DCC之间WQC的热图，显示这种关系既依赖于尺度也依赖于市场状态。在短期（尺度1和2）和低分位数时，相关性较弱且主要为负相关，表明在熊市和动荡市场条件下，金融压力会减弱清洁股票与肮脏股票之间的相关性。这一结果表明，在严重市场条件下，清洁股票可以与肮脏股票对冲风险。然而，随着金融压力的加剧，投资者倾向于转向更安全的资产，并重新分配资本远离肮脏能源资产。我们的结果与Kang（2019年）和Bouri（2021年）的先前的研究一致，这些研究表明金融压力对清洁-肮脏股票互动的影响是非线性和不对称的。然而，在正常市场条件下（中位数分位数0.3-0.6），金融压力-DCC关系呈弱正相关，表明市场整合推动了适度的相关性。相比之下，在高压力或牛市时期（高分位数），随着风险偏好和乐观情绪的增加，相关性增强，导致市场高度同步。

5. 结论性意见与政策启示

在这项研究中，我们探讨了气候转型和对气候物理风险关注对清洁股票与肮脏股票之间动态相关性的影响。遵循Bua（2024年）的方法，我们选取了气候物理风险和气候转型评分数据，使用了2015年1月27日至2025年1月27日的日数据。我们还实施了三个互补和支持性的实证框架。首先，我们采用了多变量GJR-GARCH模型结合DCC来捕捉清洁资产与肮脏资产之间的动态关联，该模型考虑了股票市场波动性的主要特征，如不对称性、异方差性和非线性。接着，我们实施了ARDL模型，将DCC作为独立变量，并结合气候风险评分。作为额外的因变量，我们还包括了其他全球风险因素，如原油市场波动性、FSI（金融系统指数）和市场情绪。

我们的目标是测试气候转型和物理风险在多大程度上影响清洁-肮脏资产之间的时变相关性。最后，我们使用GJR-GARCH-ARDL模型将分析扩展到时频域，通过捕捉不同投资期限和市场条件下的动态相关性（包括熊市、牛市和正常市场状态），获得了更多关于气候相关风险对清洁-肮脏资产之间相互联系影响的洞察。据我们所知，这是第一个结合M-GJR-GARCH-DCC、ARDL和WQC方法来深入探讨气候意识对清洁股票与肮脏股票市场相互关系影响的实证研究。

M-GJR-GARCH-DCC模型分析揭示了一些有趣的结果：清洁股票与肮脏股票之间呈现出弱负相关，并具有显著的时间变化模式。ARDL模型的结果显示，从长期来看，只有对气候物理风险的关注才会对清洁股票与肮脏股票之间的动态相关性产生负面影响。相比之下，气候转型风险的影响不显著。所选的风险因素对清洁-肮脏资产之间的动态相关性均无显著影响。这一结果表明，投资者或媒体对气候物理风险的关注度提高会降低清洁股票与肮脏股票之间的一致性，可能是因为清洁股票在长期内较少面临物理气候风险。相反，能源股票则直接面临这种风险。此外，随着气候物理风险的加剧，投资者可能会调整其投资组合，倾向于选择被视为气候适应性强或可持续的清洁资产。此外，对气候物理风险的关注增加可能会改变信息流动，从而在风险评估和股票估值方面对清洁股票和肮脏股票产生不同影响，可能降低它们的相关性。

我们的WQC分析发现了气候意识对清洁股票与肮脏股票之间关系的异质性和市场依赖性效应。在短期内和低分位数时，相关性较弱且为负，表明在市场下行或压力较大时，清洁股票与肮脏股票之间的相关性减弱，提高了它们的多样化潜力。然而，在中期和长期投资期限内，特别是在正常和牛市市场中，相关性呈弱正相关，表明气候转型的关注增强了清洁股票与肮脏股票之间的相关性。这些发现表明，气候转型风险在短期内起到分散风险的作用，但在长期内则起到了连接作用。物理气候风险也显示出类似的趋势，在经济衰退期间减弱相关性，而在稳定时期增强相关性，长期投资期限内的负相关关系支持了ARDL估计的主要发现。

总体而言，这两种类型的气候风险都表现出非线性和依赖于市场状态的影响，在正常市场条件下降低了多样化效益，但在气候或金融压力加剧时期增强了这种效应。原油市场波动性、经济压力和市场情绪也观察到了类似的趋势。WQC分析表明，这些全球风险因素主要影响清洁股票与肮脏股票之间的动态相关性。

这些结果具有 several 经济政策和投资组合管理的启示。首先，由于M-GJR-GARCH和ARDL的结果表明物理气候风险会减弱清洁股票与肮脏股票之间的相关性，投资组合管理者被鼓励根据市场条件和投资期限动态调整其对冲策略。同时，投资组合和基金经理应将气候意识作为一个关键变量纳入他们的风险管理模型（例如基于GARCH的框架），以改进他们对清洁股票与肮脏股票之间耦合/解耦的预测，并据此重新平衡投资组合。其次，WQC分析表明，气候物理风险与其他全球风险因素之间的关系在不同投资期限和市场状态下存在差异。这一结果突显了多期限投资组合管理方法的重要性，在这种方法中，具有不同风险特征和认知的短期和长期交易者会对气候风险信号作出不同的反应。因此，投资组合管理者应对其投资组合进行压力测试，考虑金融压力、原油市场波动性和市场情绪，并将公众对气候物理风险的关注作为全球风险驱动因素。

鉴于气候风险在改变清洁股票与肮脏股票强度和波动性方面的作用，政策制定者被鼓励通过加强ESG报告要求和公司关于气候风险披露的透明度来完善气候相关的金融法规和披露标准。这些做法将提高交易者解读清洁股票与肮脏股票走势的能力，减少信息不对称性，并提高资产配置效率。市场监管机构和中央银行在设计宏观审慎政策和金融稳定性评估时应考虑气候转型和物理风险，因为气候关注度在传递波动性冲击和影响股票定价方面起着重要作用，进而影响清洁股票与肮脏股票之间的相关性。更重要的是，采用整合气候风险披露和风险量化的标准框架有助于缓解股市碎片化，从而增强全球金融市场的韧性，尤其是在气候风险高度不确定的情况下。

我们的结果具有启发性，并为进一步的研究开辟了途径，特别是利用综合指数时能掩盖气候政策、监管框架和投资者行为的区域差异。换句话说，新兴经济体与发达经济体在气候承诺方面的差异可能会……因此，应谨慎分析这些结果，因为它们反映的是全球平均趋势，而非地区或国家层面的具体效应。这样的不足可能会激发有前景的区域或国家层面研究。其次，可以通过使用其他气候关注度的替代指标（如基于新闻的气候指数、社交媒体情绪或CPU指数）来扩展这项研究，这可能有助于捕捉公众气候意识的更多维度。此外，研究气候变化关注度对清洁和肮脏股市之间相互影响的程度在不同环境法规的国家或地区之间的差异也将是有益的。第三，本研究采用了全球清洁与肮脏股票指数；因此，将分析扩展到企业层面将具有价值。投资于清洁（例如太阳能、风能）和肮脏（例如燃料、石油、天然气）股票子行业可能会为整体指数中观察到的异质性提供新的见解和解释。最后，从实证的角度来看，可以采用几种其他技术来考虑投资期限和市场状态对气候变化股票互联性的影响。例如，使用马尔可夫转换模型、滚动窗口小波、TVP-VAR或基于copula的模型可以提高理解，并识别市场状态之间的非线性和不对称性以及极端事件。

未引用的参考文献：
Ahmed, 2024; Akram and Haider, 2022; Alharbey and Ben-Salha, 2024; Ardia et al., 2023; Asal et al., 2025; Attarzadeh and Balcilar, 2022; Bouri et al., 2021; Bouri et al., 2019; Bouri et al., 2022; Caporin and McAleer, 2012; Diebold and Yilmaz, 2014; Dinh et al., 2025; Engle, 2002; Farid, 2023; Farid et al., 2023; Glosten et al., 1993; Hu et al., 2025; Huang and Guo, 2025; Kamal and Hassan, 2022; Kang et al., 2019; Li, 2024; Liu and Zhang, 2022; Mahadeo, 2024; Mar’I, 2024; Ozcelebi et al., 2024; Peng and Xiong, 2006; Reboredo, 2015; Rogmann, 2024; Santi, 2023; Tang et al., 2022; Task Force on Climate-related Financial Disclosures, 2017; U?urlu-Y?ld?r?m and Din?-Cavlak, 2024; Yoon and Godfrey, 1996; Yu, 2024; Zaier et al., 2024; Zhang, 2022; Zhang et al., 2025.

作者声明：作者没有竞争利益。数据和代码可应要求提供。Grammarly Pro工具仅用于语言润色和提高文本的可读性。

资助声明：本项工作得到了伊玛目穆罕默德·伊本·沙特伊斯兰大学（IMSIU）科学研究院的支持和资助（项目编号：IMSIU-DDRSP2604）。