本文摘要：摘要：歐洲碳排放交易系統(tǒng)與芝加哥氣候環(huán)境交易所的碳交易市場都有正的風險溢價，且下跌的信息對于市場的影響更明顯。強制性交易市場更有效率且風險相對較低，現(xiàn)有的風險度量模型難以度量政策風險和經(jīng)濟環(huán)境風險。中國應頒布二氧化碳強制減排政策以及總量控
摘要：歐洲碳排放交易系統(tǒng)與芝加哥氣候環(huán)境交易所的碳交易市場都有正的風險溢價，且下跌的信息對于市場的影響更明顯。強制性交易市場更有效率且風險相對較低，現(xiàn)有的風險度量模型難以度量政策風險和經(jīng)濟環(huán)境風險。中國應頒布二氧化碳強制減排政策以及總量控制政策，建立全國性的碳交易監(jiān)管機構(gòu)，在試點初期不要引入碳信用的期貨交易，以保證市場穩(wěn)健發(fā)展。
關(guān)鍵詞：碳交易;GARCH模型;極值理論;在險值;風險 經(jīng)濟類核心期刊
碳排放權(quán)交易市場在國際上已經(jīng)有十多年的歷史，目前全球最大的也是最成功的歐洲碳排放交易系統(tǒng)(EU ETS)在經(jīng)歷了第一階段的探索實驗和金融危機的考驗后已經(jīng)越發(fā)成熟。世界最大自愿性交易市場芝加哥氣候交易所(CCX)運行時所處的政策環(huán)境和交易方式與目前中國試點的碳交易市場有一些相似之處。國際上的碳排放權(quán)交易市場價格都存在一定的波動，體現(xiàn)出了金融市場具有風險的特性，通過選取兩個市場的現(xiàn)貨價格和具有代表性的期貨價格進行風險的測算，可以對比強制性交易市場與自愿性交易市場在風險上的差異，發(fā)現(xiàn)其各自的市場規(guī)律。目前，中國的碳排放權(quán)交易市場處于試點階段，七個試點均在實踐中探索著自己的政策和管理模式，為建立真正的全國性碳排放權(quán)交易市場做準備。研究國際主要碳交易市場風險，尋找合適的市場風險預測模型，可以為中國碳排放權(quán)交易市場的建立提供更多的借鑒，從而為未來構(gòu)建全國范圍內(nèi)的碳排放權(quán)交易市場提供更多的理論支撐。
一、文獻綜述
隨著碳交易市場的發(fā)展，碳排放權(quán)交易的研究內(nèi)容逐漸從市場構(gòu)建延伸到了市場價格波動以及對風險的把控上。Alberrola認為，由于碳排放權(quán)交易市場不僅受到市場機制作用，還受到外界的諸如氣候談判、全球溫度變化、排放配額分配等特殊事件的影響，使得碳價會出現(xiàn)較大浮動的波動。Chevallier將碳交易看作是一種新型的商品資產(chǎn)，引入金融市場中常用的GARCH族模型分析了EU ETS碳信用的收益率在宏觀經(jīng)濟條件中的變化，發(fā)現(xiàn)收益率波動與配額分配和電力需求相關(guān)。魏一鳴等根據(jù)投資組合理論測算了EU ETS的系統(tǒng)性風險。Zhenhua Feng又通過構(gòu)建GARCH-EVT-VaR模型有效地擬合了EU ETS碳收益序列的殘差，驗證了極值理論是評估EU ETS風險的有效方法。這些研究都是針對強制性碳排放市場開展的，而中國目前所建立的碳排放權(quán)交易市場因為沒有總量控制政策出臺，可以看作是自愿性市場。因此，本文嘗試同時測度EU ETS和CCX兩個市場的風險，通過對比分析，為中國碳交易市場發(fā)展提供經(jīng)驗借鑒。
在金融市場中，常利用在險值和期望損失值測度市場風險。VaR表示在給定的置信水平和時間問隔下，由市場變化引起的高于目標水平的最大損失，Es表示當損失超過風險價值VaR時的期望值。在計算在險值中引入極值理論能夠較好地解決收益率序列的厚尾現(xiàn)象，常用的有POT模型和BMM模型，但后者更多地用于季節(jié)性特征明顯的序列。在極值理論的應用中，最關(guān)鍵的一點是閾值的選取，且方法有多種，其中Hill圖法，平均超限圖法都是以觀察函數(shù)圖變化為基準，主觀因素可能會造成誤差。DuMouchel提出了一種相對容易的量化方法，認為在μ允許的情況下選取令Nμ=90%n左右的數(shù)據(jù)為閾值μ。另外，Pierre Patie曾提出過可利用峰度逐步剔除變量來確定閾值，Lu在研究中國商業(yè)銀行的操作風險中運用過該方法，花擁軍等在測算滬深股市極端風險的時候也曾用過該方法確定POT模型中的閾值。但是該方法在研究中應用較少，并沒有被學術(shù)界所完全接受。因此，為保證研究的科學性及嚴謹性，本文將結(jié)合Hill圖、平均超限圖兩種方法以及相應的量化方法確定閾值μ，以提高Vail測算的精度。
二、數(shù)據(jù)處理與分析
本文用于研究EUETS的數(shù)據(jù)是從其第二階段，即2008年之后截止到2013年6月28日的日序列，其中期貨交易的序列由于交易開始的日期不同而造成樣本量不同。如EU ETS DEC2016從2011年12月24日開始，截止2013年6月28日，數(shù)據(jù)樣本僅為133個。用于分析CCX的數(shù)據(jù)從市場建立之初的2003年12月22日開始，截止2011年1月31日關(guān)停，樣本數(shù)共1800個。
1.GARCH分析
對各價格序列進行一階差分得到收益率序列，r1對應ETS現(xiàn)貨收益率，r2對應ETS DEC2012，表示2012年12月交割的期貨收益率，r3對應ETS DEC2013，r4對應ETS DEC2014，r5對應ETS DEC2015，r6對應ETSDEC2016，r7對應CCX中2003年生效的CFI價格收益率。各峰度均大于3，且J-B統(tǒng)計量非常顯著，表明七組收益率的分布均呈現(xiàn)出尖峰厚尾狀。各序列ADF檢驗T值均顯著大于置信度99%的臨界值，全部平穩(wěn)。對七組收益率序列進行ARCH效應檢驗，結(jié)果表明除了r6，r7以外，其余收益率序列都可以拒絕異方差ARCH的原假設，即表明這五組收益率序列存在明顯的ARCH效應。將r6的殘差進行ARCH-LM檢驗，Obs*l=R-squared值為12.788，p值為0.001，表明r6實際上也存在ARCH效應。而對r7的殘差進行ARCH-LM檢驗，結(jié)果并不顯著，這表明r，存在一定的ARCH效應，只是并不明顯。
在完成GARCH檢驗之后，本文對七組收益率序列分別建模，各模型中的參數(shù)估計結(jié)果如表1所示。從表1可以看到r6的模型參數(shù)不顯著，表明上述的GARCH模型并不適合用來分析r6。對于r6，本文嘗試引入IGARCH檢驗，擬合后各項系數(shù)均比原有模型顯著，且ARCH—LM檢驗后同樣不能拒絕原假設。因此，針對r6本文單獨選用IGARCH模型，其參數(shù)詳見表2。對表1中最后的LM檢驗的結(jié)果進行分析可以看出，在七組收益率序列中，除r2以外，LM的Obs*R-squared的值均不顯著，不可以拒絕LM檢驗的原假設，即被檢驗序列不存在ARCH效應。這表明本文所選擇的GARCH模型有效地提取了收益率序列的異方差的信息。
根據(jù)表1的數(shù)據(jù)，比較兩個市場的現(xiàn)貨和期貨交易收益率的沖擊衰減速度。沖擊衰減速度主要由β1系數(shù)判斷，系數(shù)大則表示沖擊衰減慢，受沖擊信息相對較少，市場反應不及時。先從EU ETS和CCX的現(xiàn)貨進行比較，即r1和r7，兩者分別屬于強制性市場和自愿性市場。從β1系數(shù)上看，r1為0.802，r7為0.963，即EUETS現(xiàn)貨當前方差沖擊的80.2%在下一期依然存在，而CCX現(xiàn)貨當前方差沖擊的96.3%在下一期仍會存在。β1系數(shù)r1明顯小于r7，表明EU ETS受沖擊信息較多，沖擊衰減較快，市場反應比自愿性的CCX更及時，更有效率。另外，兩個市場上不論現(xiàn)貨交易還是期貨交易，GARCH的系數(shù)β1都大于0，且z統(tǒng)計值都是顯著的，說明收益有正的風險溢價。β1越大，表示市場上的參與者對風險的厭惡程度越高，即要求的風險回報越大。從現(xiàn)貨收益率r1和r2的β1值上看，自愿性碳交易市場CCX的參與者更厭惡風險。
由于2012年期貨的收益率序列于2012年12月截止，而本文現(xiàn)貨的收益率序列選擇到2013年6月，所以兩者在市場沖擊信息的比較中會存在較大誤差，另外，2016年期貨的數(shù)據(jù)過于短，僅半年的序列，在GARCH模型的擬合中也單獨選取了模型進行擬合，所以在這里也不具有可比性。因此，選取r1、r3、r4、r5進行比較發(fā)現(xiàn)，期貨市場受到的沖擊信息越多，則市場交易者反應越快，市場交易更活躍，并且遠期交易的交割時間越長，其受到的沖擊信息更多，這也從另一個角度表明碳市場的期貨交易波動較大，不穩(wěn)定性相對更高。
轉(zhuǎn)載請注明來自發(fā)表學術(shù)論文網(wǎng)：http:///jjlw/2995.html
