ブロックチェーンベースの炭素クレジットトークンの暗号資産市場における価格ダイナミクスの深層学習手法による分析

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Researchers can take the comparative evaluation of deep learning architectures (LSTM, GRU, transfer learning) on carbon credit token price prediction as a baseline for further work.

🏢実務担当者:Practitioners in carbon trading or tokenization can use the insights on inter-token correlations and AI model performance to inform risk management and pricing strategies.

🏛政策担当者:Policymakers exploring carbon market digitization can see how AI contributes to transparency and efficiency in tokenized credit markets.

本研究の目的は、ブロックチェーン基盤のカーボンクレジットトークン、すなわちBase Carbon Tonne（BCT）、Moss Carbon Credit（MCO2）、KlimaDAO（KLIMA）、ならびにBitcoin（BTC）、Ethereum（ETH）、Cardano（ADA）、Solana（SOL）などの主流の暗号資産、および投機的資産であるCarboncoin（CARBON）の価格動向を分析することである。さらに、投資家心理を表すFear & Greed Indexが、暗号通貨市場における価格形成プロセスにおける感情主導効果の役割に沿って、文献で強調されているとおり、モデルに組み込まれた。本研究では、2021年10月21日から2025年11月1日までの日次終値を用い、変数間の線形関係の方向と強さを検証するために選択されたPearson相関法を用いて、原日次価格系列に対する相関分析を実施した。モデリングの前に、データセットをクリーニングし、Min-Max正規化を適用し、時系列の整合性を保ちながら70%のトレーニングセットと30%のテストセットに分割した。時系列における定常性の仮定は古典的な計量経済学的アプローチの観点から重要であるが、本研究は非線形モデリングの枠組みの範囲内で深層学習ベースの手法に焦点を当てている。本研究で使用したデータは、Yahoo FinanceおよびAI Key APIから取得した。調査結果は、カーボンクレジットトークン間に強い内部連関が存在することを示している。特に、BCTとMCO2の間には強い正の関係が観察された一方で、これらのトークンはBitcoinと弱い負の相関を示すことが判明した。これは、カーボンクレジットトークンがより広範な暗号市場とはわずかに関連しているに過ぎず、独自のエコシステム内ではより結束の強い構造を形成していることを示唆している。さらに、CARBON資産は主要な暗号資産と弱から中程度の範囲の関係を示すことが観察された。一方、Fear & Greed Indexは、BTC、ETH、SOLと中程度の関係を示し、カーボンクレジットトークンとはより弱い関係を示した。モデリングプロセスでは、LSTM、GRU、Transfer-LSTM、Transfer-GRUアーキテクチャが使用され、データは時系列の整合性を維持しながら70%のトレーニングセット、30%のバリデーションセット、30%のテストセットに分割され、モデルはMSE、RMSE、MAE、MAPE、R²指標を用いて評価された。結果は、GRUアーキテクチャが概ね最も高い予測精度を提供し、転移学習モデルがKLIMAおよびFear & Greed（F&G）Indexの予測において比較的良好なパフォーマンスを示すことを示している。全体として、本研究は、深層学習および転移学習アプローチが、トークン化されたカーボンクレジット市場における価格行動のモデリングに効果的であることを実証している。ここでは、転移学習がすべてのシナリオで自動的に利点を提供するわけではないが、特定の資産グループに対して戦略的な貢献を提供すると評価される。結論として、本研究は、AIベースのモデルがデジタル経済における持続可能な金融商品の価格設定における意思決定支援メカニズムとして使用できることを実証している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

The aim of this study is to analyze the price dynamics of blockchain-based carbon credit tokens, namely Base Carbon Tonne (BCT), Moss Carbon Credit (MCO2), and KlimaDAO (KLIMA) as well as mainstream crypto assets such as Bitcoin (BTC), Ethereum (ETH), Cardano (ADA), and Solana (SOL) and the speculative asset Carboncoin (CARBON). In addition, the Fear & Greed Index, which represents investor sentiment, has been incorporated into the model in line with the role of sentiment-driven effects in price formation processes in cryptocurrency markets, as highlighted in the literature. The study utilized daily closing prices from the period October 21, 2021, to November 1, 2025; correlation analyses were performed on raw daily price series using the Pearson correlation method, which was chosen to examine the direction and strength of the linear relationship between variables. Prior to modeling, the dataset was cleaned, Min-Max normalization was applied, and it was split into a 70% training set and a 30% test set while preserving chronological integrity. While the assumption of stationarity in time series is important from the perspective of classical econometric approaches, this study focuses on deep learning-based methods within the scope of nonlinear modeling frameworks. The data used in the study were obtained from Yahoo Finance and the AI Key API. The findings indicate that there are strong internal linkages among carbon credit tokens. In particular, while a strong positive relationship was observed between BCT and MCO2, it was determined that these tokens exhibit a weak negative correlation with Bitcoin. This suggests that carbon credit tokens are only marginally linked to the broader crypto market but form a more cohesive structure within their own ecosystem. Additionally, it was observed that the CARBON asset exhibits relationships ranging from weak to moderate with major crypto assets. The Fear & Greed Index, meanwhile, showed moderate relationships with BTC, ETH, and SOL, and weaker relationships with carbon credit tokens. During the modeling process, LSTM, GRU, Transfer-LSTM, and Transfer-GRU architectures were used; the data was split into 70% training, 30% validation, and 30% test sets while maintaining chronological integrity; the models were evaluated using MSE, RMSE, MAE, MAPE, and R² metrics. The results show that the GRU architecture generally offers the highest prediction accuracy, while transfer learning models perform relatively better in predictions for the KLIMA and Fear & Greed (F&G) Index. Overall, the study demonstrates that deep learning and transfer learning approaches are effective in modeling price behavior in tokenized carbon credit markets. Here, it is assessed that transfer learning does not automatically provide an advantage in every scenario, but offers strategic contributions for specific asset groups. In conclusion, the study demonstrates that AI-based models can be used as a decision-support mechanism in the pricing of sustainable financial instruments in the digital economy.

• openalex https://doi.org/10.37880/cumuiibf.1940487first seen 2026-07-28 05:07:52