The Correlation Analysis of Futures Pricing Mechanism in China’s Carbon Financial Market
Notice bibliographique
Résumé
China, taking the concept of sustainable development as the premise, puts forward Intended Nationally Determined Contributions (INDC) to reduce the greenhouse gas emissions in response to climate change. In this context, with the purpose of seeking solutions to a carbon financial market pricing mechanism to build China’s carbon finance market actively and thus achieving the goal of sustainable development, this paper, based on the autoregressive integrated moving average (ARIMA) model, established a carbon price prediction model for the carbon financial market, and studied the relationship between Certified Emission Reduction (CER) futures prices and spot prices, as well as the relationship between European Union allowances (EUA) futures prices and CER futures prices in an empirical manner. In this paper, EUA and CER futures prices of the European Climate Exchange (ECX) and EUA and CER spot prices of the BlueNext Environmental Exchange were selected as research objects. Granger causality test, co-integration test, and ECM were used to form a progressive econometric analysis framework. The results show that firstly, the ARIMA model can effectively predict carbon futures prices; secondly, CER futures prices cannot guide spot price, and the futures pricing function does not play a role in this market; thirdly, EUA futures price can, in the short term, effectively guide the trend of CER futures prices, with the futures pricing function between the two markets. In the long run, however, the future pricing function of the two markets is not obvious. Therefore, great differences among maturity of the two markets, degree of policy influence, and market share lead to the failure of long-run futures pricing functions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».