Leveraging Language Models for Carbon Market Insights: News Sentiment and Price Dynamics
Notice bibliographique
Résumé
Abstract The carbon credit system plays a pivotal role in offsetting emissions, mitigating climate change, and enabling trading opportunities. We examine California's Low Carbon Fuel Standard (LCFS) using time series data from 2013 to 2024 to analyze carbon credit price dynamics and improve predictive capability with machine learning and large language models (LLMs). Technical analysis is employed to capture short-term trends (using monthly LCFS transaction data). While effective in identifying general price trends, these models struggle to adapt to shifts caused by policy changes or supply-demand fluctuations and offer limited insight into market dynamics. To address this, we incorporate news articles covering general carbon market topics. LLMs are employed for sentiment analysis, generating sentiment scores ranging from -1 (extremely negative) to 1 (extremely positive) and categorizing influence into short-term, mid-term, or long-term. The aggregated sentiment scores achieve over 60% alignment with price change. We further enhance prediction performance by integrating news data directly with trading data into advanced LLMs, including Gemini 1.5 Pro, Claude 3.5 Sonnet, GPT-4o, and o1-preview, resulting in higher F1 scores and improved accuracy. These LLMs demonstrated the ability to synthesize diverse information and provided clear market insights. For long-term forecasting, we integrate news data and LCFS trading data with California’s gasoline and diesel prices, annual CO2 emissions, electric vehicle sales, Cap-and-Trade (CaT) carbon tax prices, EU Emissions Trading Scheme (ETS) carbon prices, and Canada’s federal fuel charge into LLMs. The long-term prediction achieves F1 score up to 0.8, capturing price transitions and providing reasoned insights. This study highlights the potential of LLMs in carbon market forecasting, especially in enhancing interpretability and decision-making.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».