← 論文一覧に戻る

取引量は炭素価格リスク予測を改善するか？中国からの証拠

Does Trading Volume Improve Carbon Price Risk Forecasts? Evidence from China (原題)

YUAN ZIYUAN, Jiawei Xu

Sustainability📚 査読済 / ジャーナル2026-10-19#炭素価格Origin: CN経営インパクト: 調達リスク対象セクター: power
DOI: 10.3390/su182010612
原典: https://doi.org/10.3390/su182010612

🤖 gxceed AI 要約

日本語

中国9市場・17の排出枠を対象に、取引量を加えることで炭素価格変動幅の予測精度が向上するかを検証。2019–2023年はGARCHでMAEが4.33%改善したが、2024–2025年は全モデルで悪化。過小評価への罰則が大きい条件下では3モデルで改善し、有用性は市場・期間・誤差の影響度に依存すると結論づける。

English

Using 17 allowance instruments across nine Chinese markets, the study tests whether adding trading volume improves forecasts of carbon price change magnitude. Volume cut MAE by 4.33% (GARCH) and 1.39% (random forest) in 2019–2023, but raised MAE in 2024–2025. Benefits appear only under asymmetric loss penalizing underestimation, so usefulness depends on market, period, and error consequences.

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

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

中国ETSの価格リスク予測は、日本企業が海外排出枠調達や炭素価格エクスポージャーを管理する際の参考になる。炭素価格を財務リスクとして開示する流れ（SSBJ・TCFD）とも接続しうる。

In the global GX context

As emissions trading expands globally, evidence on forecasting allowance price volatility informs how firms manage carbon price exposure and disclose carbon risk under TCFD/ISSB. The period-dependent results caution against assuming volume always aids risk models.

👥 読者別の含意

🔬研究者:炭素価格ボラティリティ予測における取引量の増分情報価値と、損失関数依存性を実証的に示す点が参考になる。

🏢実務担当者:排出枠購入計画や炭素価格リスク予測に取引量を組み込む前に、自社市場・期間で有効性を検証すべきという実務的示唆。

🏛政策担当者:炭素市場の価格シグナル安定性と情報開示の観点から、市場データ整備の意義を検討する材料になる。

📄 Abstract（原文）

Reliable forecasts of carbon price fluctuations can help firms plan allowance purchases as emissions trading expands. We examine whether allowance trading volume, the quantity of emission permits traded, improves forecasts of the size of the next recorded price change, regardless of its direction. We compare models using price information with otherwise identical models that also use trading volume. Forecasts cover 17 allowance instruments in nine Chinese markets. The methods are ridge regression, a model based on generalised autoregressive conditional heteroskedasticity (GARCH), random forests, and their average. During 2019–2023, adding trading volume reduces the mean absolute error (MAE) by 4.33% for the GARCH model and 1.39% for the random forest (both adjusted p < 0.001). In 2024–2025, it increases MAE in all four models, with no reliable benefits in the sensitivity checks. Models trained on regional markets also show no reliable benefit from trading volume when forecasting national allowance price fluctuations. However, when underestimating a movement receives five times the penalty of overestimating it, trading volume improves three models. Its usefulness therefore depends on the market, period, and consequences of forecast errors. Firms should test these conditions before including trading volume in risk forecasts.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。