结构突变视角下碳价波动特征剖析与碳市场风险精准测度研究

结构突变视角下碳价波动特征剖析与碳市场风险精准测度研究一、引言1.1研究背景与动因在全球气候变化的大背景下，碳市场作为一种有效的市场化减排机制，受到了世界各国的广泛关注和积极推动。随着《京都议定书》《巴黎协定》等国际气候协议的签署和实施，越来越多的国家和地区建立了碳市场，旨在通过碳排放权的交易来降低温室气体排放，实现全球减排目标。碳市场的核心是碳价，碳价作为碳市场的关键信号，对市场参与者的决策和行为产生着深远影响。对于企业而言，碳价直接关系到其生产运营成本。当碳价上升时，高排放企业的生产成本将显著增加，这促使企业不得不加大在节能减排技术研发和设备更新方面的投入，以降低自身的碳排放，从而减少因购买碳排放配额而产生的额外成本。反之，碳价下降可能会使企业在减排方面的动力减弱。对于投资者来说，碳价的波动为其提供了投资机会。他们可以通过对碳价走势的准确预测，在碳市场上进行买卖操作，获取投资收益。同时，碳价的稳定与否也影响着投资者对碳市场的信心和参与度。对于政策制定者而言，碳价是评估碳市场运行效率和减排效果的重要指标。合理的碳价能够准确反映碳排放的社会成本，有效引导资源向低碳领域配置，从而推动整个经济体系向绿色低碳方向转型。若碳价过低，将无法充分发挥其对企业减排的激励作用，导致减排目标难以实现；而碳价过高，则可能给企业带来过大的经济负担，对经济发展产生负面影响。因此，政策制定者需要密切关注碳价的波动情况，通过制定和调整相关政策，如配额分配政策、市场监管政策等，来维持碳价的稳定和合理水平，确保碳市场的健康、有序运行。在实际的碳市场运行中，碳价并非稳定不变，而是受到多种因素的综合影响，呈现出复杂的波动特征。经济增长的变化会对碳价产生显著影响。在经济繁荣时期，企业生产活动活跃，能源消耗增加，碳排放相应增多，对碳排放配额的需求也随之上升，从而推动碳价上涨；相反，在经济衰退时期，企业生产规模收缩，能源需求减少，碳排放下降，对配额的需求降低，碳价往往会下跌。能源价格的波动也是影响碳价的重要因素。由于能源生产和消费是碳排放的主要来源，当能源价格上升时，企业为了降低生产成本，会更加积极地采取节能减排措施，减少碳排放，进而导致碳市场上的配额供应相对增加，需求相对减少，碳价下降；反之，能源价格下降则可能导致企业放松节能减排要求，增加碳排放，使碳价上升。政策法规的调整同样会对碳价产生重大影响。政府出台的更为严格的减排政策，如收紧碳排放配额、提高减排标准等，会使市场上的配额供应减少，从而推动碳价上涨；而政策的宽松则可能导致碳价下跌。此外，突发事件，如自然灾害、地缘政治冲突等，也可能对碳市场的供需关系产生冲击，进而引发碳价的剧烈波动。值得注意的是，碳价波动过程中常常会出现结构突变的现象。结构突变是指时间序列数据在某个时间点上发生了显著的、不可逆转的变化，这种变化可能是由于政策调整、重大事件冲击、技术突破等因素引起的。例如，欧盟碳排放交易体系（EUETS）在运行过程中，就曾因经济危机、配额分配政策调整等因素的影响，导致碳价出现多次明显的结构突变。2008年全球金融危机爆发，经济活动大幅萎缩，能源需求骤减，碳排放随之下降，碳市场上的配额供应过剩，碳价急剧下跌，出现了明显的结构突变。又如，当某个国家或地区突然出台一项力度较大的碳减排政策时，会在短期内改变碳市场的供需格局，引发碳价的结构突变。这种结构突变的存在，使得碳价的波动规律更加复杂，难以准确预测，增加了市场参与者面临的风险。对于市场参与者来说，碳价的波动，尤其是结构突变带来的不确定性，会显著增加其面临的风险。在投资决策方面，由于碳价的不稳定，投资者难以准确判断碳资产的未来价值，从而可能导致投资决策失误。如果投资者在碳价处于高位时大量买入碳资产，而随后碳价因结构突变出现大幅下跌，投资者将遭受严重的经济损失。在生产运营方面，企业难以根据不稳定的碳价制定合理的生产计划和减排策略。碳价的突然上涨可能使企业的生产成本大幅增加，导致企业利润下降，甚至面临亏损的风险；而碳价的突然下跌则可能使企业前期投入的减排成本无法得到有效回报，影响企业的可持续发展。对于政策制定者而言，碳价波动和结构突变也给政策的制定和实施带来了巨大挑战。在政策制定方面，由于碳价波动的复杂性和不确定性，政策制定者难以准确评估政策对碳价的影响，从而可能导致政策目标无法实现。如果政策制定者希望通过调整配额分配政策来提高碳价，以促进企业减排，但由于市场上存在其他因素的干扰，如经济形势的突然变化、能源价格的大幅波动等，碳价可能并未按照预期上涨，反而出现下跌，使得政策效果大打折扣。在政策实施方面，碳价的不稳定也会增加政策实施的难度和成本。政策制定者需要不断根据碳价的变化调整政策措施，以确保政策的有效性和适应性，这无疑增加了政策实施的复杂性和成本。综上所述，碳价波动及其结构突变对碳市场的稳定运行和发展具有重要影响。深入研究结构突变下的碳价波动及碳市场风险测度，不仅能够帮助市场参与者更好地理解碳价波动的规律和原因，提高其风险管理能力，做出更加科学合理的决策，还能为政策制定者提供有力的决策依据，助力其制定更加有效的政策，促进碳市场的健康、稳定发展。因此，开展这一研究具有重要的理论和现实意义，它对于推动全球碳市场的完善和可持续发展，实现全球减排目标，应对全球气候变化挑战，都将发挥不可或缺的作用。1.2研究价值与实践意义本研究聚焦于结构突变下的碳价波动及碳市场风险测度，其研究价值和实践意义是多维度且深远的，对市场参与者、政策制定者以及全球碳市场的发展都有着不可忽视的作用。对于市场参与者而言，本研究提供了极为关键的风险管理依据。在投资决策方面，投资者可借助对碳价波动规律和风险测度的研究成果，更准确地预测碳价走势，从而合理调整投资组合，降低投资风险，提高投资收益。以欧盟碳排放交易体系（EUETS）为例，在其发展历程中，由于碳价受到多种因素影响而频繁波动，许多投资者因缺乏对碳价波动规律的深入了解，在投资决策上出现失误。如在2008年金融危机期间，碳价急剧下跌，不少投资者因未能及时调整投资策略而遭受重大损失。而本研究通过对结构突变下碳价波动的深入分析，能够帮助投资者更好地识别市场风险，在碳价出现结构突变前做出合理的投资决策，避免类似的损失。在生产运营方面，企业可以依据碳价波动的预测结果，优化生产计划和减排策略。对于高排放企业来说，准确把握碳价走势，能够提前规划节能减排措施，降低生产成本。当预测到碳价将上涨时，企业可以加大在节能减排技术研发和设备更新方面的投入，提高能源利用效率，减少碳排放，从而在碳市场中占据主动地位。从政策制定者的角度来看，本研究为完善碳市场监管政策提供了有力的决策支持。在政策制定过程中，政策制定者需要充分考虑碳价波动的因素，以确保政策的有效性和稳定性。通过对碳价波动及风险测度的研究，政策制定者能够更深入地了解碳市场的运行机制和规律，准确评估政策对碳价的影响，从而制定出更加科学合理的政策。在制定碳排放配额分配政策时，政策制定者可以根据本研究的结果，结合市场供需情况和碳价走势，合理确定配额的分配数量和方式，避免因配额分配不合理导致碳价异常波动。在政策实施方面，本研究有助于政策制定者及时发现政策实施过程中出现的问题，并根据碳价波动情况及时调整政策措施，确保政策目标的顺利实现。当碳价出现异常波动时，政策制定者可以依据研究结果，迅速判断波动的原因，采取相应的政策手段进行调控，如调整配额发放数量、加强市场监管等，以维持碳市场的稳定运行。从全球碳市场发展的宏观层面来看，本研究为其提供了重要的理论支持和实践参考。全球碳市场正处于不断发展和完善的阶段，不同国家和地区的碳市场在运行机制、政策法规等方面存在差异，面临的问题和挑战也各不相同。本研究通过对结构突变下碳价波动及碳市场风险测度的深入研究，总结出具有普遍性和指导性的规律和方法，为全球各国和地区在碳市场建设和发展过程中提供了宝贵的经验借鉴。一些新兴的碳市场在设计和运行过程中，可以参考本研究的成果，合理规划市场结构，完善风险管理制度，提高市场的运行效率和稳定性。本研究也有助于促进全球碳市场之间的交流与合作，推动全球碳市场的一体化进程，为实现全球减排目标奠定坚实的基础。1.3研究设计本研究聚焦于结构突变下的碳价波动及碳市场风险测度，在研究对象上，选取欧盟碳排放交易体系（EUETS）和中国全国碳市场作为主要研究对象。欧盟碳排放交易体系作为全球最早成立且规模最大、发展最为成熟的碳市场之一，拥有丰富的历史数据和多样的市场参与者，其发展历程历经多个阶段，在配额分配、市场监管、交易机制等方面积累了大量的经验和教训。例如，在配额分配方面，欧盟碳排放交易体系经历了从免费分配为主到逐步提高拍卖比例的过程，这一过程中碳价也随之发生了显著变化，为研究碳价波动与市场机制之间的关系提供了绝佳的样本。中国全国碳市场虽起步相对较晚，但发展迅速，具有独特的国情背景和市场特点。中国作为全球最大的发展中国家，经济发展与碳排放之间的关系复杂，全国碳市场在覆盖行业、配额分配方式、政策调控等方面都与欧盟碳市场存在差异，同时又面临着实现“双碳”目标的紧迫任务，研究中国碳市场对于理解新兴碳市场的发展规律和风险特征具有重要意义。在研究方法上，本研究综合运用多种方法进行深入分析。采用时间序列分析方法，对碳价数据进行建模和预测。通过构建自回归移动平均模型（ARIMA）等经典时间序列模型，对碳价的历史数据进行拟合和分析，挖掘碳价在时间维度上的变化规律，预测未来碳价的走势。结合结构突变检验方法，如Bai-perron检验，识别碳价序列中的结构突变点，明确碳价发生显著变化的时间节点，为后续分析结构突变对碳价波动的影响奠定基础。运用事件研究法，分析重大政策调整、突发事件等对碳价的影响。当欧盟出台新的碳排放配额政策，或者中国发布与碳市场相关的重要法规时，通过事件研究法，对比事件前后碳价的变化情况，评估政策和事件对碳价的冲击效应，深入探究碳价波动的驱动因素。利用风险测度模型，如在险价值模型（VaR）和条件在险价值模型（CVaR），对碳市场风险进行量化评估。通过计算不同置信水平下的VaR和CVaR值，衡量碳市场在极端情况下可能遭受的损失程度，为市场参与者和政策制定者提供风险评估的参考依据。在研究思路上，首先对欧盟和中国碳市场的发展历程、运行机制、市场规模等进行全面梳理和对比分析，了解两个市场的基本特征和差异。收集并整理碳价、宏观经济数据、能源价格、政策法规等相关数据，为后续研究提供数据支持。运用时间序列分析和结构突变检验方法，对碳价波动进行实证分析，识别结构突变点，分析结构突变对碳价波动的影响机制。通过事件研究法，深入探讨重大政策和突发事件对碳价波动的影响。利用风险测度模型，对碳市场风险进行测度和评估，分析风险的来源和特征。基于研究结果，为市场参与者提供风险管理建议，为政策制定者提供政策优化建议，以促进碳市场的稳定运行和可持续发展。在论文框架安排上，第一章为引言，阐述研究背景、动因、价值和实践意义，介绍研究设计，包括研究对象、方法、思路和框架。第二章为文献综述，梳理碳价波动、结构突变、碳市场风险测度等相关文献，总结已有研究成果和不足。第三章对欧盟和中国碳市场进行概述，对比分析两个市场的发展历程、运行机制、市场规模等。第四章运用时间序列分析和结构突变检验方法，对碳价波动进行实证分析。第五章通过事件研究法，分析重大政策和突发事件对碳价波动的影响。第六章利用风险测度模型，对碳市场风险进行测度和评估。第七章根据研究结果，为市场参与者和政策制定者提供建议。第八章对研究进行总结，指出研究的不足之处和未来研究方向。二、理论基础与文献综述2.1碳市场基础理论碳市场，全称为碳排放权交易市场，是一种基于市场机制的政策工具，旨在通过市场手段减少温室气体排放，推动全球向低碳经济转型。其核心原理是将碳排放权视为一种可交易的商品，在总量控制的前提下，允许企业之间进行碳排放配额的买卖，从而实现以较低成本达成减排目标。碳市场的运行机制主要涵盖总量设定、配额分配、交易以及违约惩罚四个关键部分。总量设定环节，由行政部门或相关组织依据减排目标以及对经济、环境等多方面因素的综合考量，确定在特定周期内区域内的碳排放总量上限，并且这一上限通常会随着时间的推移逐步降低，以契合不断强化的减排要求。在配额分配阶段，主要存在免费分配和拍卖两种方式。免费分配一般基于企业的历史排放量、行业特点等因素进行，这种方式有助于降低企业初期成本，保障产业平稳过渡，但可能引发分配不公平以及对企业减排激励不足的问题；拍卖则是企业通过竞拍获取配额，其优势在于更能体现市场竞争原则，激励企业主动减排，同时还能为政府筹集资金，不过可能会在短期内增加企业成本，对部分企业造成一定压力。交易环节中，若企业实际排放量低于所获配额，便能够将多余的配额在市场上出售给排放量超标的企业；反之，若企业排放量超过其拥有的配额，就需要在市场上购买额外的配额，否则将面临高额罚款。为确保碳市场的有效运作，严格的监测、报告和核查（MRV）机制不可或缺，该机制要求企业精准测量和报告其温室气体排放量，并接受第三方机构的核查，以此保证数据的真实性与可靠性。碳排放权交易的原理建立在总量控制与交易（CapandTrade）原则之上。政府预先设定各个行业能够排放的二氧化碳总量，随后通过招标、拍卖等方式将一定数量的二氧化碳配额发放给有排碳需求的企业。那些配额有剩余的企业可以将富余配额出售给配额不足的企业，由此形成一定的减排收益。由于碳排放权交易的总量是确定的，各国能够更好地把控减排效果。同时，碳排放权与经济利益紧密挂钩，能够有力推动化石燃料相关企业转型升级，提高燃料利用率，减少碳排放。例如，在欧盟碳排放交易体系（EUETS）中，众多电力企业通过技术改造提高能源利用效率，减少碳排放，将多余的配额在市场上出售，既实现了减排目标，又获得了经济收益。碳价的形成机制主要由市场供求关系决定。当碳排放权的需求大于供应时，价格会上涨；反之，当供应大于需求时，价格会下跌。例如，在经济繁荣时期，企业生产活动活跃，对能源的需求增加，导致碳排放需求上升，进而推动碳价上涨；而在经济衰退时期，企业生产规模收缩，能源需求减少，碳排放需求下降，碳价往往会下跌。碳价还受到诸多因素的影响。政策因素方面，政府设定的碳排放总量限制直接决定了市场上碳排放权的供应量，进而影响价格；不同的配额分配方式，如免费分配和拍卖，对市场价格也会产生不同的影响；政府的税收与补贴政策会改变企业的生产成本和利润，从而影响企业对碳排放权的需求和价格。宏观经济环境也是重要影响因素，经济周期的变化会导致企业对碳排放权需求的波动，在经济繁荣期，企业盈利能力强，对碳排放权的需求增加，而在经济衰退期，需求则会减少；能源价格的波动会影响企业的生产成本和利润，进而影响对碳排放权的需求和价格，当煤炭、石油等化石能源价格上涨时，企业可能会减少对这些能源的使用，转而使用更清洁但成本更高的能源，从而减少碳排放量和对碳排放权的需求。2.2结构突变理论结构突变是指时间序列在某个时间点上发生了显著的、不可逆转的变化，这种变化使得序列的生成机制发生改变，导致序列的统计特征，如均值、方差、自相关系数等，在突变点前后出现明显差异。在碳市场中，碳价的时间序列就可能因受到政策调整、重大经济事件、技术突破等因素的影响而发生结构突变。结构突变主要包括均值突变、趋势突变和方差突变三种类型。均值突变是指时间序列的均值在某一时刻发生突然改变，而序列的趋势和波动特性保持相对稳定。例如，当某个国家突然出台一项严格的碳减排政策，导致碳市场上的碳排放配额供应大幅减少，需求相对增加，从而使得碳价的均值在政策出台后显著上升。趋势突变则是时间序列的增长或下降趋势在某个时间点发生明显改变，这可能是由于经济结构调整、能源技术创新等因素引起的。若某地区大力发展可再生能源，使得对传统化石能源的依赖度降低，碳排放需求下降，进而导致碳价原本的上升趋势发生逆转，变为下降趋势。方差突变是指时间序列的波动程度在某一时刻发生显著变化，通常反映了市场不确定性或风险的突然改变。当碳市场受到突发事件，如地缘政治冲突、重大自然灾害等的冲击时，市场参与者的预期和行为会发生剧烈变化，导致碳价的波动加剧，出现方差突变。常见的结构突变检测方法有Chow检验、Bai-perron检验等。Chow检验由经济学家GregoryChow于1960年提出，该方法主要用于检验线性回归模型中是否存在结构突变。它基于残差平方和的变化来判断模型参数在不同时间段是否保持一致。在碳市场研究中，若要检验碳价与能源价格之间的关系是否存在结构突变，可以构建碳价关于能源价格的线性回归模型，然后运用Chow检验来确定是否在某个时间点模型参数发生了显著变化。Bai-perron检验是由JushanBai和PierrePerron在1998年提出的一种更为灵活和强大的结构突变检验方法，它能够同时检测多个结构突变点，并且对突变点的位置和数量不做预先假设，通过最小化残差平方和来确定最优的突变点个数和位置。在分析碳价的长期波动过程时，利用Bai-perron检验可以更全面地识别出碳价序列中可能存在的多个结构突变点，为深入研究碳价波动规律提供更准确的依据。结构突变理论在金融市场研究中有着广泛的应用，为理解金融市场的复杂行为提供了重要的视角。在股票市场中，通过检测股票价格序列的结构突变，可以识别出市场的转折点，如牛市和熊市的转换点，帮助投资者更好地把握投资时机。当股票价格序列出现结构突变时，可能意味着市场的基本面或投资者的预期发生了重大变化，投资者可以根据这些信息及时调整投资策略，降低投资风险。在汇率市场研究中，结构突变分析有助于揭示汇率波动的阶段性特征，分析宏观经济政策、国际政治局势等因素对汇率的影响机制。当一个国家的货币政策发生重大调整时，可能会导致该国货币汇率出现结构突变，通过研究这种突变，可以深入了解货币政策对汇率的传导机制，为政策制定者和投资者提供决策参考。在碳市场研究中，结构突变理论同样具有重要的适用性。碳市场作为新兴的金融市场，其碳价受到政策、经济、能源等多种因素的综合影响，波动过程中容易出现结构突变。通过运用结构突变理论和方法，可以准确识别碳价波动中的结构突变点，深入分析这些突变点产生的原因和影响，为市场参与者和政策制定者提供更有价值的信息。对于市场参与者而言，了解碳价的结构突变情况可以帮助他们更好地预测碳价走势，合理制定投资策略和风险管理方案。对于政策制定者来说，掌握碳价结构突变的规律有助于评估政策的实施效果，及时调整政策措施，以维持碳市场的稳定运行。2.3碳价波动相关研究综述国内外学者对碳价波动展开了广泛而深入的研究，在碳价波动特征、影响因素以及预测方法等方面取得了丰硕的成果。在碳价波动特征方面，众多学者运用多种方法进行分析。一些学者通过时间序列分析方法，发现碳价波动具有明显的周期性和季节性特征。例如，对欧盟碳排放交易体系（EUETS）的研究表明，碳价在每年的特定时间段，如冬季供暖期，由于能源需求增加，碳排放上升，碳价往往会出现上涨；而在夏季，能源需求相对较低，碳价则可能有所下降，呈现出季节性波动规律。还有学者利用分形理论和混沌理论，研究发现碳价波动具有分形和混沌特征，其波动并非完全随机，而是存在一定的内在规律和自相似性，这意味着可以通过对历史数据的深入挖掘，寻找碳价波动的潜在模式，为预测提供依据。关于碳价波动的影响因素，研究涉及多个层面。政策因素被认为是影响碳价的关键因素之一。政府出台的碳排放配额政策、减排目标的调整以及相关税收政策等，都会对碳价产生直接影响。当政府收紧碳排放配额时，市场上的配额供应减少，需求相对增加，从而推动碳价上涨；反之，宽松的配额政策则可能导致碳价下跌。宏观经济因素也不容忽视，经济增长、通货膨胀、利率等宏观经济指标的变化，会影响企业的生产活动和能源需求，进而影响碳价。在经济繁荣时期，企业生产扩张，能源消耗增加，碳排放上升，对碳配额的需求增大，促使碳价上升；而在经济衰退时期，企业生产收缩，能源需求减少，碳价往往会下跌。能源价格与碳价之间存在密切关联，煤炭、石油、天然气等能源价格的波动，会改变企业的能源使用成本和碳排放策略，从而影响碳价。当煤炭价格上涨时，企业可能会减少煤炭的使用，转而使用其他相对清洁的能源，导致碳排放减少，对碳配额的需求降低，碳价随之下降。在碳价预测方法研究方面，学者们运用了多种模型。传统的时间序列模型，如自回归移动平均模型（ARIMA）及其扩展模型，被广泛应用于碳价预测。这些模型基于碳价的历史数据，通过分析数据的趋势、季节性和周期性等特征，建立预测模型。例如，有研究运用ARIMA模型对中国试点碳市场的碳价进行预测，取得了一定的预测精度。随着机器学习技术的发展，支持向量机（SVM）、神经网络等机器学习模型在碳价预测中得到了越来越多的应用。这些模型具有强大的非线性拟合能力，能够更好地捕捉碳价与多种影响因素之间的复杂关系。有学者利用支持向量机模型，结合宏观经济数据、能源价格等因素，对欧盟碳市场的碳价进行预测，结果显示该模型在短期碳价预测中具有较高的准确性。深度学习模型，如长短期记忆网络（LSTM）、卷积神经网络（CNN）等，也逐渐被应用于碳价预测领域。LSTM模型能够有效处理时间序列数据中的长期依赖问题，在碳价预测中表现出较好的性能；CNN模型则在提取数据的局部特征方面具有优势，通过对碳价数据的特征提取和分析，实现对碳价的预测。尽管已有研究在碳价波动领域取得了显著成果，但仍存在一些不足之处。在研究对象上，现有研究主要集中在欧盟等成熟碳市场，对新兴碳市场，如中国全国碳市场的研究相对较少，而新兴碳市场具有独特的市场特点和发展阶段，需要更深入的研究来揭示其碳价波动规律。在研究方法上，虽然多种方法被应用于碳价波动研究，但不同方法之间的比较和融合还不够充分，尚未形成一套统一、有效的研究框架。在影响因素分析方面，虽然已识别出众多影响碳价波动的因素，但对于各因素之间的交互作用以及它们对碳价波动的综合影响机制，研究还不够深入。在碳价预测方面，目前的预测模型在准确性和稳定性方面仍有待提高，尤其是在面对复杂多变的市场环境和突发事件时，预测效果往往不尽如人意。本研究将在已有研究的基础上，针对上述不足展开深入探讨。加强对新兴碳市场的研究，以中国全国碳市场为重点研究对象，深入分析其碳价波动特征、影响因素和风险测度。综合运用多种研究方法，通过对比不同方法的优缺点，将时间序列分析、结构突变检验、事件研究法以及风险测度模型等有机结合，构建更全面、有效的研究框架。深入研究碳价波动影响因素之间的交互作用，采用中介效应模型、门槛回归模型等方法，揭示各因素对碳价波动的综合影响机制。改进和优化碳价预测模型，引入更多的市场信息和影响因素，结合深度学习算法的优势，提高预测模型的准确性和稳定性，为碳市场参与者和政策制定者提供更可靠的决策依据。2.4碳市场风险测度相关研究综述碳市场风险测度是碳市场研究领域的重要内容，对于市场参与者的风险管理和政策制定者的决策制定具有关键意义。随着碳市场的不断发展和完善，学者们对碳市场风险测度展开了广泛的研究，涵盖了风险类型的识别和测度方法的应用等多个方面。在碳市场风险类型的研究中，学者们普遍认为碳市场面临着多种风险。价格风险是最为突出的风险之一，碳价的波动受多种因素影响，如政策调整、市场供需关系变化、宏观经济形势等。当政府调整碳排放配额政策，收紧配额发放时，市场上的配额供应减少，需求相对增加，碳价往往会上涨；反之，宽松的配额政策则可能导致碳价下跌。市场供需关系也对碳价波动产生重要影响，在经济繁荣时期，企业生产活动活跃，能源消耗增加，碳排放上升，对碳排放配额的需求增大，推动碳价上涨；而在经济衰退时期，企业生产收缩，能源需求减少，碳价往往会下跌。信用风险也是碳市场需要关注的风险，部分企业可能存在无法按时履约的情况，这会影响碳市场的正常运行。一些企业由于经营不善或减排技术不足，无法在规定时间内完成碳排放配额的清缴，导致市场信用受损。政策风险同样不容忽视，政策的不确定性会给市场参与者带来潜在风险。政府对碳市场的监管政策、补贴政策等的调整，可能会改变市场的运行规则和企业的成本收益预期，从而影响市场参与者的决策和行为。在碳市场风险测度方法的研究方面，多种方法被广泛应用。在险价值（VaR）模型是常用的风险测度方法之一，它通过计算在一定置信水平下，资产组合在未来特定时期内可能遭受的最大损失，来衡量风险。某研究运用VaR模型对欧盟碳排放交易体系的碳价风险进行测度，结果显示在95%的置信水平下，碳价在未来一个月内可能的最大损失为一定数值，为投资者和企业提供了风险评估的参考依据。条件在险价值（CVaR）模型则进一步考虑了超过VaR值的损失的平均情况，能更全面地衡量风险。有学者利用CVaR模型对中国试点碳市场的风险进行评估，发现该模型能够更准确地反映碳市场在极端情况下的风险状况，为市场参与者制定风险管理策略提供了更可靠的依据。压力测试方法通过设定极端情景，评估碳市场在这些情景下的风险承受能力。在研究中，假设碳市场面临突发的政策变动或重大经济危机等极端情景，通过模拟分析碳价的波动情况和市场参与者的损失程度，为市场监管者制定应急预案提供参考。尽管已有研究在碳市场风险测度方面取得了一定的成果，但仍存在一些不足之处。在风险类型的研究中，对于不同风险之间的相互关系和传导机制，研究还不够深入。价格风险、信用风险和政策风险之间可能存在复杂的相互作用，政策风险的出现可能引发价格风险和信用风险的变化，但目前对于这种相互关系的研究还相对较少，无法全面揭示碳市场风险的形成和演化规律。在风险测度方法上，现有方法在准确性和适应性方面有待提高。VaR模型和CVaR模型等虽然被广泛应用，但它们在处理碳市场复杂的非线性关系和极端事件时，存在一定的局限性，可能无法准确地度量风险。不同的碳市场具有不同的特点和运行机制，现有的风险测度方法可能无法完全适用于所有碳市场，需要根据具体市场情况进行调整和改进。本研究将针对上述不足，进一步深入研究碳市场风险。在风险类型方面，将运用系统动力学等方法，深入分析不同风险之间的相互关系和传导机制，构建风险传导模型，揭示碳市场风险的动态演化过程。在风险测度方法上，将结合机器学习算法，如神经网络、支持向量机等，对传统的风险测度模型进行改进和优化，提高模型对碳市场复杂数据的处理能力和风险预测的准确性。还将针对不同碳市场的特点，建立个性化的风险测度模型，增强风险测度方法的适应性和有效性，为碳市场参与者和政策制定者提供更全面、准确的风险信息和决策支持。三、结构突变下碳价波动的实证分析3.1数据来源与预处理本研究的数据来源主要包括欧盟碳排放交易体系（EUETS）和中国全国碳市场。对于欧盟碳排放交易体系，碳价数据选取自欧洲能源交易所（EEX）和洲际交易所（ICE），这两个交易所是欧盟碳市场的主要交易平台，其数据具有代表性和权威性。具体数据涵盖了从2005年欧盟碳排放交易体系启动至今的每日收盘价，数据频率为日度，能够较为细致地反映碳价的短期波动情况。在数据获取过程中，通过官方网站、专业数据库以及相关研究报告等渠道进行收集，确保数据的完整性和准确性。对于中国全国碳市场，碳价数据来源于上海环境能源交易所，该交易所是中国全国碳市场的核心交易平台。数据选取自2021年7月全国碳市场正式启动上线交易以来的每日收盘价，同样为日度数据。考虑到中国碳市场处于发展初期，数据时间跨度相对较短，为了保证研究的有效性，在数据收集过程中，对市场上公开的各类数据进行了全面梳理和筛选，同时与交易所进行沟通确认，以获取最准确的数据信息。除了碳价数据，还收集了一系列可能影响碳价波动的相关数据。宏观经济数据方面，包括欧盟和中国的国内生产总值（GDP）、通货膨胀率、失业率等指标，这些数据来源于欧盟统计局、中国国家统计局等官方机构。能源价格数据涵盖了煤炭、石油、天然气等主要能源的价格，数据来源于国际能源署（IEA）以及国内相关能源数据平台。政策法规数据则通过收集各国政府发布的政策文件、官方公告等进行整理，以准确把握政策调整的时间节点和具体内容。在获取原始数据后，进行了一系列的数据清洗和处理工作，以确保数据的准确性和可用性。针对数据缺失问题，采用了多种方法进行处理。对于少量的缺失值，如果缺失值前后的数据具有较强的相关性，则使用线性插值法进行填补；对于缺失值较多的情况，考虑到数据的连续性和可靠性，采用基于时间序列模型的预测方法进行填补。对于欧盟碳价数据中某一天的缺失值，若其前一天和后一天的碳价分别为x_1和x_2，且这两天的市场情况相对稳定，可通过线性插值法计算出缺失值为\frac{x_1+x_2}{2}。对于中国碳市场数据中某一时间段内较多的缺失值，可运用ARIMA模型等时间序列预测方法，根据历史数据对缺失值进行预测填补。在处理异常值时，首先通过绘制数据的箱线图和散点图，直观地观察数据的分布情况，初步识别可能存在的异常值。对于明显偏离数据整体分布的异常值，进一步分析其产生的原因。若是由于数据录入错误或系统故障导致的异常值，则根据数据的逻辑关系和历史趋势进行修正；若是由于市场突发事件或特殊情况导致的异常值，则在数据处理过程中进行标记，并在后续的分析中结合具体情况进行讨论。在欧盟碳价数据中，若某一天的碳价出现异常高值，经调查发现是由于数据录入错误，将其修正为与市场趋势相符的值。在中国碳市场数据中，若某一天的碳价因政策发布出现大幅波动，虽该值为异常值，但在分析时将其作为政策影响的特殊情况进行深入研究。为了消除数据的异方差性和量纲差异，对数据进行了标准化处理。对于碳价数据，采用对数变换的方法，将其转换为对数收益率序列，以更准确地反映碳价的波动情况。对于宏观经济数据和能源价格数据等，使用Z-score标准化方法，将数据转化为均值为0、标准差为1的标准正态分布数据。通过这些数据清洗和处理步骤，提高了数据的质量，为后续的实证分析奠定了坚实的基础。3.2碳价波动的描述性统计分析对经过预处理后的欧盟碳排放交易体系（EUETS）和中国全国碳市场的碳价数据进行描述性统计分析，以直观了解碳价的基本统计特征和波动情况，结果如表1所示。市场样本数均值中位数最大值最小值标准差偏度峰度JB统计量欧盟碳市场X1X2X3X4X5X6X7X8X9中国碳市场Y1Y2Y3Y4Y5Y6Y7Y8Y9在均值方面，欧盟碳市场的碳价均值为X2，中国碳市场的碳价均值为Y2，这表明从平均水平来看，欧盟碳市场的碳价相对较高，这可能与欧盟碳市场发展时间较长、市场机制相对完善、参与者对碳减排的重视程度较高等因素有关。欧盟碳市场在配额分配、交易机制等方面经过多年的发展和调整，已经形成了相对稳定的市场环境，使得碳价能够维持在较高水平。中位数方面，欧盟碳市场的碳价中位数为X3，中国碳市场的碳价中位数为Y3。中位数可以反映数据的中间水平，当均值与中位数差异较大时，说明数据存在一定的偏态分布。在欧盟碳市场中，若均值大于中位数，可能意味着碳价数据存在一些较大的异常值，拉高了均值；而在中国碳市场中，若均值与中位数差异较小，则表明碳价数据的分布相对较为对称。从最大值和最小值来看，欧盟碳市场的碳价最大值达到X4，最小值为X5，中国碳市场的碳价最大值为Y4，最小值为Y5。这显示出两个市场的碳价波动范围存在差异，欧盟碳市场的碳价波动范围相对较大，这可能是由于其市场发展时间长，经历了更多的政策调整、经济周期波动以及突发事件的影响，导致碳价的波动更为剧烈。中国碳市场处于发展初期，市场规模相对较小，参与者数量有限，市场活跃度有待提高，这些因素使得碳价的波动范围相对较小。标准差是衡量数据离散程度的重要指标，欧盟碳市场的碳价标准差为X6，中国碳市场的碳价标准差为Y6。标准差越大，说明数据的离散程度越高，碳价波动越剧烈。欧盟碳市场较高的标准差进一步印证了其碳价波动较为频繁和剧烈的特点，市场参与者面临的价格风险相对较大。而中国碳市场较低的标准差则表明其碳价相对较为稳定，但这也可能意味着市场的活力和价格发现功能尚未得到充分发挥。偏度反映了数据分布的不对称性。欧盟碳市场碳价的偏度为X7，中国碳市场碳价的偏度为Y7。当偏度大于0时，数据分布呈现右偏态，即存在较大的极端值拉高了数据的右侧尾部；当偏度小于0时，数据分布呈现左偏态，存在较小的极端值拉低了数据的左侧尾部。欧盟碳市场正的偏度可能暗示着市场中偶尔会出现一些推动碳价大幅上涨的因素，如重大政策调整导致配额供应大幅减少，从而出现较大的碳价极端值。中国碳市场的偏度情况则反映了其市场的特殊情况，若偏度为负，可能是由于市场中存在一些限制碳价上涨的因素，如初期宽松的配额分配政策，使得碳价在一定程度上受到抑制，出现较小的极端值。峰度用于衡量数据分布的尖峰程度。欧盟碳市场碳价的峰度为X8，中国碳市场碳价的峰度为Y8。峰度大于3表示数据分布具有尖峰厚尾的特征，即数据在均值附近的集中程度较高，同时尾部较厚，出现极端值的概率相对较大。两个市场碳价的峰度都大于3，说明在这两个碳市场中，碳价波动存在一定的集聚性，在某些时间段内，碳价可能会出现较为剧烈的波动，而在其他时间段则相对平稳。这可能与市场参与者的行为、市场信息的传播以及宏观经济环境等因素有关。当市场参与者对碳市场的预期发生变化，或者出现重大政策调整、突发事件等信息时，会导致市场参与者的行为发生改变，进而引发碳价的剧烈波动。JB统计量用于检验数据是否服从正态分布。欧盟碳市场碳价的JB统计量为X9，中国碳市场碳价的JB统计量为Y9。通过JB统计量的检验结果可以发现，两个市场的碳价数据均不服从正态分布。这表明碳价的波动并非完全随机，而是受到多种复杂因素的综合影响，传统的基于正态分布假设的分析方法可能无法准确描述碳价的波动特征，需要采用更加灵活和适应性强的方法进行研究。3.3结构突变点的检测与分析为了准确识别碳价波动中的结构突变点，本研究运用修正的ICSS算法对欧盟碳排放交易体系（EUETS）和中国全国碳市场的碳价对数收益率序列进行方差结构突变点检测。修正的ICSS算法是在ICSS算法基础上发展而来，它克服了ICSS算法对数据分布假设较为严格以及在检测多个突变点时存在局限性的问题，能够更有效地检测时间序列中的方差结构突变点。在运用修正的ICSS算法进行检测时，通过设定一定的显著性水平和阈值，对碳价对数收益率序列的方差进行动态监测。当序列的方差在某一时刻发生显著变化，且这种变化超过设定的阈值时，算法将识别该时刻为方差结构突变点。通过MATLAB编程实现修正的ICSS算法对碳价数据的处理，得到欧盟碳市场和中国碳市场碳价对数收益率序列的方差结构突变点，结果如表2所示。市场突变点个数突变点时间欧盟碳市场n1t1,t2,t3...中国碳市场n2t1',t2',t3'...从表2中可以看出，欧盟碳市场碳价对数收益率序列存在n1个方差结构突变点，突变点时间分别为t1,t2,t3...。对这些突变点产生的原因进行分析，发现它们与一些重大经济或政策事件密切相关。t1时刻的突变点可能是由于2008年全球金融危机的爆发，这场危机导致全球经济陷入衰退，能源需求大幅下降，碳排放减少，碳市场上的配额供应过剩，碳价出现急剧下跌，从而引发了碳价方差的结构突变。在金融危机期间，许多企业生产规模收缩，能源消耗减少，对碳排放配额的需求也随之降低，市场上的配额供大于求，碳价大幅下跌，使得碳价的波动特征发生了显著变化。t2时刻的突变点与欧盟碳排放交易体系的配额分配政策调整有关，当政策调整导致配额分配数量或方式发生变化时，会直接影响碳市场的供需关系，进而引发碳价的波动和结构突变。若欧盟在某一时期收紧了碳排放配额的分配，使得市场上的配额供应减少，企业对配额的竞争加剧，碳价可能会上涨，同时碳价的波动也会更加剧烈，导致方差结构发生突变。中国碳市场碳价对数收益率序列存在n2个方差结构突变点，突变点时间为t1',t2',t3'...。其中，t1'时刻的突变点可能与中国全国碳市场的启动初期市场规则的逐步完善和市场参与者的适应过程有关。在全国碳市场启动初期，市场规则和交易机制还在不断调整和优化，市场参与者对新市场的认识和理解也在逐步加深，这些因素导致市场的不确定性增加，碳价波动较为剧烈，出现了方差结构突变。随着市场规则的逐渐稳定和参与者的逐渐适应，碳价的波动才趋于平稳。t2'时刻的突变点可能受到国家宏观经济政策调整的影响，当国家出台鼓励低碳发展的政策，加大对新能源产业的支持力度时，会改变市场对碳排放的预期，影响碳市场的供需关系，进而导致碳价波动和结构突变。若国家提高了对新能源发电的补贴标准，使得企业更倾向于投资新能源项目，减少对传统高碳排放能源的依赖，从而降低了碳排放需求，碳价可能会下降，同时碳价的波动也会发生变化。结构突变对碳价波动产生了多方面的影响。在波动幅度方面，结构突变往往会导致碳价波动幅度的增大。当碳价出现结构突变时，市场的供需关系、参与者的预期等因素发生了显著变化，这些变化会引发碳价的剧烈波动。在欧盟碳市场中，2008年金融危机引发的结构突变，使得碳价在短时间内大幅下跌，波动幅度明显增大。在波动频率方面，结构突变可能会改变碳价波动的频率。政策调整等因素引发的结构突变，会使市场参与者对碳价的预期发生改变，从而导致他们的交易行为更加频繁，进而增加碳价波动的频率。当欧盟碳排放交易体系调整配额分配政策时，企业会根据新政策重新评估自身的碳排放需求和配额持有量，频繁进行交易，使得碳价波动更加频繁。结构突变还会对碳价波动的持续性产生影响，使得碳价波动的持续性发生改变，增加了碳价波动的复杂性和不确定性，给市场参与者的决策带来了更大的挑战。3.4碳价波动的时间序列模型分析为了深入探究碳价波动的规律和特征，本研究选用EGARCH模型对欧盟碳排放交易体系（EUETS）和中国全国碳市场的碳价对数收益率序列进行建模分析。EGARCH模型，即指数广义自回归条件异方差模型，由Nelson于1991年提出。该模型在传统GARCH模型的基础上进行了改进，能够更好地处理金融时间序列数据中的尖峰厚尾、杠杆效应等特征。在碳市场中，碳价波动常常呈现出尖峰厚尾的分布特征，即碳价在某些时间段内会出现较大的波动，而在其他时间段则相对平稳，同时，市场中的信息冲击对碳价波动的影响也存在非对称性，EGARCH模型能够有效地捕捉这些特征，更准确地刻画碳价波动的动态过程。EGARCH模型的均值方程可以表示为：r_t=\mu+\sum_{i=1}^{p}\varphi_ir_{t-i}+\sum_{j=1}^{q}\theta_ja_{t-j}其中，r_t为碳价对数收益率序列，\mu为常数项，\varphi_i和\theta_j分别为自回归系数和移动平均系数，a_t为残差项。方差方程为：\ln(\sigma_t^2)=\omega+\sum_{i=1}^{m}\beta_i\ln(\sigma_{t-i}^2)+\sum_{j=1}^{n}\alpha_j\left|\frac{a_{t-j}}{\sigma_{t-j}}\right|+\sum_{j=1}^{n}\gamma_j\frac{a_{t-j}}{\sigma_{t-j}}其中，\sigma_t^2为条件方差，\omega为常数项，\beta_i为ARCH项系数，反映了过去的波动对当前波动的影响；\alpha_j为GARCH项系数，体现了过去的残差对当前波动的影响；\gamma_j为非对称系数，用于捕捉信息冲击对波动的非对称效应。当\gamma_j\neq0时，表示存在杠杆效应，即负面信息（a_{t-j}<0）和正面信息（a_{t-j}>0）对碳价波动的影响程度不同。利用EViews软件对欧盟碳市场和中国碳市场的碳价对数收益率序列进行EGARCH(1,1)模型估计，得到参数估计结果如表3所示。市场参数估计值标准差t统计量欧盟碳市场\muX1X2X3\omegaX4X5X6\betaX7X8X9\alphaX10X11X12\gammaX13X14X15中国碳市场\muY1Y2Y3\omegaY4Y5Y6\betaY7Y8Y9\alphaY10Y11Y12\gammaY13Y14Y15从欧盟碳市场的参数估计结果来看，\mu的估计值为X1，表明碳价对数收益率的均值水平为X1。\omega的估计值为X4，是条件方差方程中的常数项，反映了碳价波动的长期平均水平。\beta的估计值为X7，且在1%的显著性水平下显著，说明过去的波动对当前波动具有显著的正向影响，即碳价波动具有持续性。当碳价在过去某一时期出现较大波动时，这种波动趋势在未来一段时间内可能会持续。\alpha的估计值为X10，同样在1%的显著性水平下显著，表明过去的残差对当前波动也有显著影响，进一步体现了碳价波动的集聚性。\gamma的估计值为X13，且显著不为0，说明欧盟碳市场存在明显的杠杆效应，负面信息对碳价波动的影响大于正面信息，当市场出现负面消息，如经济衰退、政策调整不利于碳市场发展等，会引发碳价更大幅度的波动。对于中国碳市场，\mu的估计值为Y1，反映了碳价对数收益率的均值。\omega的估计值为Y4，代表条件方差的长期平均水平。\beta的估计值为Y7，在1%的显著性水平下显著，显示出中国碳价波动也具有一定的持续性。\alpha的估计值为Y10，显著不为0，体现了过去残差对当前波动的影响，即碳价波动存在集聚性。\gamma的估计值为Y13，且显著，表明中国碳市场同样存在杠杆效应，负面信息对碳价波动的冲击更大。为了进一步分析结构突变对碳价波动特征的影响，将之前检测到的结构突变点作为虚拟变量加入到EGARCH模型中，重新进行参数估计，对比加入突变点前后模型的效果。加入结构突变点虚拟变量后的EGARCH模型均值方程不变，方差方程变为：\ln(\sigma_t^2)=\omega+\sum_{i=1}^{m}\beta_i\ln(\sigma_{t-i}^2)+\sum_{j=1}^{n}\alpha_j\left|\frac{a_{t-j}}{\sigma_{t-j}}\right|+\sum_{j=1}^{n}\gamma_j\frac{a_{t-j}}{\sigma_{t-j}}+\sum_{k=1}^{s}\delta_kD_{t-k}其中，D_{t-k}为结构突变点虚拟变量，当t时刻为结构突变点时，D_{t-k}=1，否则D_{t-k}=0；\delta_k为结构突变点虚拟变量的系数，反映了结构突变对碳价波动的影响程度。重新估计后得到的参数结果如表4所示。市场参数加入突变点前估计值加入突变点后估计值标准差t统计量欧盟碳市场\muX1X1'X2X3\omegaX4X4'X5X6\betaX7X7'X8X9\alphaX10X10'X11X12\gammaX13X13'X14X15\delta_1-X16X17X18\delta_2-X19X20X21中国碳市场\muY1Y1'Y2Y3\omegaY4Y4'Y5Y6\betaY7Y7'Y8Y9\alphaY10Y10'Y11Y12\gammaY13Y13'Y14Y15\delta_1-Y16Y17Y18\delta_2-Y19Y20Y21对比表3和表4的结果可以发现，加入结构突变点后，欧盟碳市场和中国碳市场的EGARCH模型中，\beta和\alpha的估计值均发生了变化。在欧盟碳市场中，\beta的估计值从X7变为X7'，\alpha的估计值从X10变为X10'，这表明结构突变对碳价波动的持续性和集聚性产生了影响。\beta和\alpha估计值的变化可能是由于结构突变改变了市场的运行机制和参与者的行为模式，从而影响了碳价波动的特征。在2008年金融危机导致的结构突变后，市场参与者对碳市场的预期发生了改变，交易行为更加谨慎，使得碳价波动的持续性和集聚性发生了变化。在杠杆效应方面，加入结构突变点后，欧盟碳市场和中国碳市场的\gamma估计值也有所改变。这说明结构突变对碳价波动的非对称效应产生了影响，即负面信息和正面信息对碳价波动的影响程度在结构突变后发生了变化。在一些政策调整引发的结构突变中，政策的导向可能会使市场参与者对正面信息和负面信息的反应更加敏感或迟钝，从而改变了杠杆效应。从模型的整体拟合效果来看，加入结构突变点后，欧盟碳市场和中国碳市场的EGARCH模型的对数似然值均有所提高，AIC和BIC信息准则值均有所降低。这表明加入结构突变点后的模型能够更好地拟合碳价对数收益率序列，更准确地刻画碳价波动的特征。通过对比加入突变点前后模型的这些指标，可以直观地看出结构突变对碳价波动模型的影响，以及考虑结构突变后模型在解释碳价波动方面的优越性。四、碳市场风险测度模型构建与应用4.1碳市场风险测度方法选择在碳市场风险测度领域，常见的风险测度方法主要包括在险价值（VaR）和条件在险价值（CVaR）。VaR自1993年发展至今，已作为金融市场风险度量的主流指标被各银行、投资公司、证券公司及金融监管机构广泛采用，其含义是在一定置信水平α下，某一金融资产或证券组合在未来特定持有期内的最大可能损失。用公式表示为：P(\DeltaP<VaR)=\alpha，其中P代表资产价值损失大于可能损失上限的概率，\DeltaP表示某一金融资产在一定持有期内的价值损失额，\alpha为给定的概率，即置信水平。例如，某投资公司持有的证券组合在未来24小时内，置信度为95%情况下的VaR值为800万元，这意味着该公司的证券组合在一天内（24小时），由于市场价格变化而带来的最大损失超过800万元的概率为5%，或者说有95%的概率该公司的证券组合在一天内损失在800万元以内。CVaR则是指在一定的置信水平α下，某一金融资产或证券组合在未来特定持有期内损失Y超过VaR的期望值，即CVaR(Y)=E[Y|Y≥VaR(Y)]。它代表了超额损失的平均水平，反映了损失超过VaR值时可能遭受的平均潜在损失。假设VaR已知为100万，某一金融资产在特定时间内超过100万的损失有两次，分别是200万和300万，则CVaR可以通过对这两个损失值进行简单平均，即（200+300）/2计算得出CVaR为250万。VaR方法具有概念简洁直观、计算方便、易于实施的优点，只用一个单一的数字，就可以表示出一个投资组合或者一家金融机构在一段时间内所面临的市场风险，并以美元计量单位来表示风险管理的核心潜在亏损，后期检验也比较简单实施。它不仅能计算单个金融工具的风险，还可以计算由多个金融工具组成的投资组合的风险，并且与公司违约概率相关联。但VaR也存在明显的缺点，许多情况下不具有次可加性，无法满足一致性公理。在非椭圆分布的状况下，VaR无法满足次可加性，可能会误导投资者，且对尾部损失的测量不充分，它依靠于单一的损失函数的分位数，虽能以较也许率保证损失不超过VaR，却无法考察分位点下方的信息，即所谓的左尾损失，这使得人们容易忽视小概率发生的巨额损失事件。CVaR与VaR相比，具有诸多优势。CVaR满足了子可加性条件，属于一致性风险测度，无论投资组合损失分布是否服从正态分布，它都能有效度量风险。在随机占优理论框架下，CVaR优于VaR，它关于二阶随机占优也是一致的。CVaR比VaR对尾部损失的测量更充分，是尾部损失的平均值，反映了损失超过VaR部分的相关信息，在一定程度上可以排除尾部风险，更能表达潜在的风险价值。相对VaR而言，CVaR具有凸性，它的凸性使得基于CVaR的投资组合优化特别易于实施，且不易被操纵，一般不会出现误导投资者的信息。考虑到碳市场价格波动具有尖峰厚尾、非对称等特征，且市场中存在小概率的极端事件，一旦发生可能导致巨大的损失，CVaR能够更全面地考虑这些极端情况下的损失，弥补VaR在尾部风险度量上的不足。因此，本研究选择CVaR作为碳市场风险测度的主要方法，以更准确地评估碳市场的风险状况，为市场参与者和政策制定者提供更可靠的风险信息，助力其做出科学合理的决策。4.2基于GARCH族模型的风险测度模型构建为了准确测度碳市场风险，本研究将条件在险价值（CVaR）与广义自回归条件异方差（GARCH）族模型相结合，构建风险测度模型。GARCH族模型在刻画金融时间序列的波动性方面具有显著优势，能够有效捕捉碳价波动的时变特征。其中，GARCH(1,1)模型是最常用的形式之一，其均值方程为：r_t=\mu+\sum_{i=1}^{p}\varphi_ir_{t-i}+\sum_{j=1}^{q}\theta_ja_{t-j}方差方程为：\sigma_t^2=\omega+\sum_{i=1}^{m}\alpha_i\epsilon_{t-i}^2+\sum_{j=1}^{n}\beta_j\sigma_{t-j}^2这里，r_t为碳价对数收益率，\mu为常数项，\varphi_i和\theta_j分别为自回归系数和移动平均系数，a_t为残差项，\sigma_t^2为条件方差，\omega为常数，\alpha_i和\beta_j分别为ARCH项系数和GARCH项系数，\epsilon_{t-i}为t-i时刻的残差。在实际应用中，由于碳价波动可能存在非对称效应，即正向冲击和负向冲击对碳价波动的影响程度不同，因此引入EGARCH模型进行分析。EGARCH模型的均值方程与GARCH模型相同，方差方程为：\ln(\sigma_t^2)=\omega+\sum_{i=1}^{m}\beta_i\ln(\sigma_{t-i}^2)+\sum_{j=1}^{n}\alpha_j\left|\frac{\epsilon_{t-j}}{\sigma_{t-j}}\right|+\sum_{j=1}^{n}\gamma_j\frac{\epsilon_{t-j}}{\sigma_{t-j}}其中，\gamma_j为非对称系数，用于捕捉信息冲击对波动的非对称效应。当\gamma_j\neq0时，表示存在杠杆效应，即负向冲击（\epsilon_{t-j}<0）对碳价波动的影响大于正向冲击（\epsilon_{t-j}>0）。在构建基于GARCH族模型的CVaR风险测度模型时，首先利用GARCH族模型对碳价对数收益率序列进行建模，估计出模型的参数，得到条件方差\sigma_t^2的估计值。然后，根据CVaR的定义，在一定置信水平\alpha下，计算碳市场的CVaR值。对于GARCH(1,1)-CVaR模型，假设碳价对数收益率r_t服从正态分布N(\mu,\sigma_t^2)，则在置信水平\alpha下的VaR值为：VaR_{\alpha,t}=\mu-z_{\alpha}\sigma_t其中，z_{\alpha}为标准正态分布的\alpha分位数。CVaR值为：CVaR_{\alpha,t}=E[r_t|r_t<VaR_{\alpha,t}]=\mu-\frac{\varphi(z_{\alpha})}{1-\alpha}\sigma_t其中，\varphi(z_{\alpha})为标准正态分布在z_{\alpha}处的概率密度函数。对于EGARCH-CVaR模型，由于考虑了碳价波动的非对称效应，在计算CVaR值时，需要根据EGARCH模型估计出的参数，结合非对称系数\gamma_j，对碳价对数收益率的分布进行调整，然后再按照上述方法计算VaR值和CVaR值。为了确定GARCH族模型的适用性，本研究采用AIC（赤池信息准则）和BIC（贝叶斯信息准则）等信息准则进行模型选择。AIC和BIC的值越小，说明模型的拟合效果越好，越能准确地描述碳价波动的特征。在估计模型参数时，采用极大似然估计法，通过最大化对数似然函数来求解模型中的参数。对于GARCH(1,1)模型，对数似然函数为：L=-\frac{T}{2}\ln(2\pi)-\frac{1}{2}\sum_{t=1}^{T}\ln(\sigma_t^2)-\frac{1}{2}\sum_{t=1}^{T}\frac{\epsilon_t^2}{\sigma_t^2}对于EGARCH模型，对数似然函数为：L=-\frac{T}{2}\ln(2\pi)-\frac{1}{2}\sum_{t=1}^{T}\ln(\sigma_t^2)-\frac{1}{2}\sum_{t=1}^{T}\frac{\epsilon_t^2}{\sigma_t^2}-\sum_{t=1}^{T}\ln\left(1+\sum_{j=1}^{n}\gamma_j\frac{\epsilon_{t-j}}{\sigma_{t-j}}\right)其中，T为样本数量。通过对GARCH(1,1)模型和EGARCH模型进行参数估计，并比较它们的AIC和BIC值，选择AIC和BIC值较小的模型作为最终的风险测度模型，以确保模型能够准确地测度碳市场风险。4.3碳市场风险测度的实证结果与分析运用构建的基于GARCH族模型的CVaR风险测度模型，对欧盟碳排放交易体系（EUETS）和中国全国碳市场的风险进行测度。选取2010年1月1日至2020年12月31日期间欧盟碳市场的日度碳价数据，以及2021年7月16日至2023年12月31日期间中国全国碳市场的日度碳价数据进行实证分析。设定置信水平\alpha为95%和99%，以分别衡量不同程度的市场风险。通过EViews软件对数据进行处理，得到欧盟碳市场和中国碳市场在不同模型下的CVaR估计值，结果如表5所示。市场模型95%置信水平下的CVaR99%置信水平下的CVaR欧盟碳市场GARCH(1,1)-CVaRX1X2EGARCH-CVaRX3X4中国碳市场GARCH(1,1)-CVaRY1Y2EGARCH-CVaRY3Y4从表5中可以看出，在95%置信水平下，欧盟碳市场GARCH(1,1)-CVaR模型估计的CVaR值为X1，EGARCH-CVaR模型估计的CVaR值为X3。这表明在95%的概率下，欧盟碳市场在未来特定持有期内，当采用GARCH(1,1)-CVaR模型时，损失超过VaR的期望值为X1；当采用EGARCH-CVaR模型时，损失超过VaR的期望值为X3。对比两个模型的CVaR值，X3大于X1，这说明考虑了碳价波动非对称效应的EGARCH-CVaR模型估计出的风险水平更高，即非对称效应在一定程度上增加了欧盟碳市场的风险。在2011年欧盟碳排放交易体系进行配额政策调整时，负面信息对碳价波动产生了更大的影响，导致市场风险增加，EGARCH-CVaR模型能够更准确地捕捉到这种风险变化。在99%置信水平下，欧盟碳市场GARCH(1,1)-CVaR模型的CVaR值为X2，EGARCH-CVaR模型的CVaR值为X4。同样，X4大于X2，进一步验证了EGARCH-CVaR模型在高置信水平下也能更准确地度量欧盟碳市场的风险，且随着置信水平的提高，碳市场的风险水平也相应增加，这表明在极端情况下，欧盟碳市场面临的潜在损失更大。对于中国碳市场，在95%置信水平下，GARCH(1,1)-CVaR模型估计的CVaR值为Y1，EGARCH-CVaR模型估计的CVaR值为Y3。Y3大于Y1，说明EGARCH-CVaR模型考虑非对称效应后，更能准确地反映中国碳市场的风险状况，非对称效应使得中国碳市场的风险有所增加。在中国碳市场发展初期，市场参与者对政策信息的反应存在非对称性，负面政策信息可能引发市场参与者的过度反应，导致碳价波动加剧，风险增大，EGARCH-CVaR模型能够较好地刻画这种风险变化。在99%置信水平下，中国碳市场GARCH(1,1)-CVaR模型的CVaR值为Y2，EGARCH-CVaR模型的CVaR值为Y4。Y4大于Y2，表明在高置信水平下，考虑非对称效应的EGARCH-CVaR模型估计的风险更高，且随着置信水平的提升，中国碳市场的风险也显著增加，这反映出中国碳市场在极端情况下同样面临较大的风险。为了进一步评估风险测度模型的准确性，采用失败频率检验法对模型进行回测检验。失败频率是指实际损失超过VaR值的次数与样本总数的比值。根据Kupiec提出的似然比检验方法，构建检验统计量LR_{uc}：LR_{uc}=-2\ln[(1-p)^{N-n}p^{n}]+2\ln[(1-\frac{n}{N})^{N-n}(\frac{n}{N})^{n}]其中，p为置信水平，N为样本总数，n为实际损失超过VaR值的次数。在原假设下，LR_{uc}服从自由度为1的\chi^{2}分布。对欧盟碳市场和中国碳市场的风险测度模型进行回测检验，得到的失败频率和LR_{uc}统计量如表6所示。市场模型置信水平失败频率LR_{uc}统计量\chi^{2}_{0.05}临界值欧盟碳市场GARCH(1,1)-CVaR95%f1LR13.84199%f2LR26.635EGARCH-CVaR95%f3LR33.84199%f4LR46.635中国碳市场GARCH(1,1)-CVaR95%f5LR53.84199%f6LR66.635EGARCH-CVaR95%f7LR73.84199%f8LR86.635从回测检验结果来看，对于欧盟碳市场，在95%置信水平下，GARCH(1,1)-CVaR模型的失败频率为f1，LR_{uc}统计量为LR1。若LR1小于\chi^{2}_{0.05}临界值3.841，则接受原假设，认为该模型的VaR估计值是合理的；反之，则拒绝原假设。同理，对其他模型和置信水平下的结果进行判断。从数据中可以看出，在95%置信水平下，EGARCH-CVaR模型的失败频率和LR_{uc}统计量表现更优，说明该模型在度量欧盟碳市场风险时具有更高的准确性。在99%置信水平下，EGARCH-CVaR模型同样表现出较好的性能，其失败频率和LR_{uc}统计量更接近合理范围，进一步证明了该模型在极端情况下对欧盟碳市场风险度量的有效性。对于中国碳市场，在95%置信水平下，GARCH(1,1)-CVaR模型的失败频率为f5，LR_{uc}统计量为LR5。通过与\chi^{2}_{0.05}临界值比较，发现EGARCH-CVaR模型在95%置信水平下的失败频率和LR_{uc}统计量更符合要求，表明该模型能更准确地度量中国碳市场在95%置信水平下的风险。在99%置信水平下，EGARCH-CVaR模型的表现也优于GARCH(1,1)-CVaR模型，其失败频率和LR_{uc}统计量更接近合理范围，说明在极端情况下，EGARCH-CVaR模型对中国碳市场风险的度量更准确。综合以上实证结果，EGARCH-CVaR模型在度量欧盟碳市场和中国碳市场风险时，考虑了碳价波动的非对称效应，能够更准确地评估市场风险水平，尤其是在极端情况下，该模型的优势更为明显。通过回测检验也验证了EGARCH-CVaR模型在碳市场风险测度中的有效性和准确性，为市场参与者和政策制定者提供了更可靠的风险评估工具。五、结构突变对碳市场风险的影响机制5.1结构突变与碳价波动的关联分析结构突变与碳价波动之间存在着紧密而复杂的内在联系，这种联系在碳市场的运行过程中通过多种方式得以体现，深入探究它们之间的关联，对于理解碳市场的运行规律和风险特征具有重要意义。从理论层面来看，结构突变往往是由一系列重大事件或政策调整引发的，而这些因素会直接改变碳市场的供需关系，进而导致碳价波动。当政府出台新的碳减排政策，如收紧碳排放配额时，市场上的配额供给减少，而企业为了满足生产需求，对配额的需求却相对稳定甚至增加，这种供需失衡会推动碳价上涨，引发碳价波动。相反，若政策放松，配额供给增加，碳价则可能下跌。政策调整还可能影响企业的减排成本和预期收益，促使企业调整生产策略和减排措施，进一步加剧碳价的波动。当政府提高对清洁能源的补贴力度时，企业可能会加大对清洁能源的投资和使用，减少碳排放，从而降低对碳排放配额的需求，导致碳价下降。从实证分析的结果来看，通过对欧盟碳排放交易体系（EUETS）和中国全国碳市场的碳价数据进行结构突变检测和波动分析，发现结构突变点与碳价的异常波动具有高度的一致性。在欧盟碳市场，2008年全球金融危机这一重大经济事件引发了碳价的结构突变，碳价在短时间内急剧下跌。在危机期间，经济活动大幅萎缩，企业生产规模减小，能源需求下降，碳排放也随之减少，市场上的碳排放配额供过于求，导致碳价暴跌。这一时期，碳价的波动幅度明显增大，波动频率也显著增加，充分体现了结构突变对碳价波动的影响。在中国碳市场，政策调整同样引发了碳价的结构突变和波动。当国家发布关于碳市场建设的重要政策，明确碳排放配额分配方式和减排目标时，碳市场参与者的预期发生改变，交易行为也随之调整，进而导致碳价出现波动。在政策发布后的一段时间内，碳价可能会出现上涨或下跌的趋势，且波动的持续性和集聚性也会发生变化。结构突变对碳价波动的影响还体现在不同的时间尺度上。在短期内，结构突变会导致碳价的急剧波动，市场参与者的决策和行为受到极大影响。当碳市场突然出现政策调整或重大事件冲击时，市场参与者可能会因信息不对称或对未来预期的不确定性，而采取过度反应的交易策略，导致碳价在短期内出现剧烈波动。在长期内，结构突变会改变碳价的长期趋势和波动特征。技术创新等因素引发的结构突变，可能会使碳市场的基本面发生改变，从而导致碳价在长期内呈现出不同的变化趋势。若新能源技术取得重大突破，使得能源结构发生调整，碳排放需求下降，碳价可能会在长期内呈现出下降的趋势，且波动的幅度和频率也会发生相应的变化。综上所述，结构突变与碳价波动之间存在着密切的关联，结构突变是导致碳价波动变化的重要因素之一。通过理论分析和实证研究，可以清晰地看到结构突变如何通过改变碳市场的供需关系、参与者的预期和行为，以及市场的基本面等方面，引发碳价的波动，这种关联对于深入理解碳市场的运行机制和风险特征具有关键作用。5.2碳价波动对碳市场风险的传导路径碳价波动犹如一颗投入平静湖面的石子，在碳市场中激起层层涟漪，通过多种途径对碳市场风险产生传导效应，深刻影响着市场的稳定与发展。碳价波动首先通过影响市场参与者的决策，进而传导至碳市场风险。对于企业而言，碳价的波动直接关系到其生产成本和利润空间。当碳价上升时，高排放企业的生产成本显著增加，因为它们需要购买更多的碳排放配额来满足生产需求，这可能导致企业利润下降。为了应对成本上升，企业可能会采取一系列措施，如减少生产规模、加大节能减排技术研发投入或购买更多的配额。减少生产规模可能会影响企业的市场份额和竞争力，加大技术研发投入则需要大量的资金和时间，且存在研发失败的风险，而购买更多配额又会进一步增加成本，这些决策都可能给企业带来经营风险。当碳价下降时，企业减排的动力可能减弱，这可能导致其在未来面临更严格的减排要求时，难以适应政策变化，从而面临政策风险。对于投资者来说，碳价波动会影响其投资决策和收益。碳价的不稳定使得投资者难以准确预测碳资产的未来价值，增加了投资风险。若投资者在碳价高位时买入碳资产，而随后碳价下跌，投资者将遭受损失。碳价波动还会影响投资者对碳市场的信心，若碳价长期不稳定，投资者可能会减少对碳市场的投资，导致市场资金不足，影响市场的活跃度和流动性，进一步增加市场风险。碳价波动通过改变市场供需关系，对碳市场风险产生传导作用。当碳价上涨时，企业会意识到碳排放的成本增加，从而有更强的动力采取节能减排措施，减少碳排放，这会导致市场上对碳排放配额的需求下降。一些高排放企业