How important are climate change risks for predicting clean energy stock prices? Evidence from machine learning predictive modeling and interpretation
Notice bibliographique
Résumé
The clean energy equity sector plays an important role in the transition to a low-carbon economy. This paper explores the role of climate change risks in predicting the direction of clean energy stock prices (solar, wind, nuclear). We employ machine learning models, including random forests, boosting, extremely randomized trees, and support vector machines , to make our predictions. Variable importance is determined using Shapley/SHAP values. Notably, tree-based ensemble and boosting models show an accuracy exceeding 85 % for the 10 day to 20 day forecast period. For the stock prices of solar, wind, and nuclear energy, inflation expectations and technical indicators (which account for behavioral factors) such as on-balance volume and Williams’ accumulation/distribution are important features within this forecast range. For wind and solar energy stocks moving averages are also important additional features while for nuclear energy stocks economic policy uncertainty and stock market volatility are additional important features. In the five day to twenty day forecast horizon, climate change risks are not important features. These results align with a body of literature that raises concerns about equity prices not fully reflecting climate change risks. An equally weighted portfolio of wind, solar, and nuclear energy stock prices that used trading signals from an Extra Trees prediction model outperformed a buy and hold portfolio in terms of risk adjusted returns. These results are robust to trading costs and weekly or monthly portfolio rebalancing.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».