Bubble in Carbon Credits during COVID-19: Financial Instability or Positive Impact (“Minsky” or “Social”)?
Notice bibliographique
Résumé
Incentivizing businesses to lower carbon emissions and trade back excess carbon allowances paved the way for rapid growth in carbon credit ETFs. The use of carbon allowances as a hedging alternative fueled this rally further, causing a shift to speculation and forming repetitive bubbles. Speculative bubbles are born from euphoria, yet, they are relatively predictable, provided their pattern matches the log periodic power law (LPPL) with specific stylized facts. A “Minsky moment” identifies a clear speculative bubble as a signal of financial system instability, while a “Social bubble” is regarded as relatively positive, increasing in the long run, infrastructure spending and development. The aim of this paper is to investigate whether various carbon credit bubbles during the pandemic period caused financial instability or had a positive impact (“Minsky” or “Social”). Particularly, we investigate the carbon credit bubble behavior in the ETF prices of KRBN, GRN (Global Carbon Credit tracking ETFs), and the SOLCARBT index during the COVID-19 pandemic period by adopting the log-periodic power law model (LPPL) methodology, which has been widely used, over the past decade, for detecting bubbles and crashes in various markets. In conclusion, these bubbles are social and propelled by the newfound interest in carbon credit trading, for obvious reasons.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».