Volatility Spillover from Carbon Prices to Stock Prices: Evidence from China’s Carbon Emission Trading Markets
Notice bibliographique
Résumé
The carbon emission trading markets represent an emerging domain within China. The primary objective of this study is to explore whether carbon price volatility influences stock market volatility among companies subject to these emission trading regulations. Employing daily returns data from 293 publicly traded companies regulated by these emission trading markets, this study encompasses the national carbon market and eight pilot regional carbon markets spanning from August 2013 to October 2023. The results demonstrate that volatility in regional carbon prices positively impacts the stock volatility of companies in the corresponding emission trading region, indicating a volatility spillover effect. Moreover, this spillover effect is more pronounced in sectors marked by lesser carbon intensity than those with greater carbon intensity. The volatility transmission is more pronounced in coastal areas than in inland regions. However, no notable distinctions in volatility transmission are discerned between the periods before and throughout the COVID-19 pandemic. Vector autoregression analyses substantiate that lagged carbon price fluctuations possess limited predictive capacity for contemporaneous equity market volatility and vice versa. The robustness of these outcomes is fortified by applying the E-GARCH model, which accounts for the volatility clustering phenomenon. As the first investigation into the volatility spillover effect between China’s emission trading market and corresponding stock markets, this study offers valuable insights into the investment strategies of retail investors, the formulation of carbon regulations by policymakers, and the carbon emission strategies of corporate managers.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».