← 論文一覧に戻る

持続可能な低炭素投資判断のための炭素価格予測：ハイブリッドTransformer—sLSTMモデル

Carbon Price Forecasting for Sustainable Low-Carbon Investment Decisions: A Hybrid Transformer—sLSTM Model (原題)

Aiying Zhao, Qian Chen, Yang Zhao, Ruiyi Wu, Jiaming Xu, Yongpeng Tong

Sustainability📚 査読済 / ジャーナル2026-02-27#AI×ESGOrigin: CN経営インパクト: 資金調達対象セクター: cross_sector
DOI: 10.3390/su18052324
原典: https://doi.org/10.3390/su18052324

🤖 gxceed AI 要約

日本語

本論文は、炭素価格予測の精度向上を目的とし、TransformerとsLSTMを組み合わせたハイブリッドモデルを提案する。VMDによる多スケール分解とWOAによるパラメータ最適化を導入し、短期変動と長期トレンドの同時捕捉を実現。実データでR2=0.9862、MAPE=0.56%を達成し、炭素市場リスク監視や投資判断への応用可能性を示す。

English

This paper proposes a hybrid Transformer-sLSTM model for carbon price forecasting, integrating VMD for multi-scale decomposition and WOA for parameter optimization. Achieving R2=0.9862 and MAPE=0.56% on real datasets, it enhances prediction accuracy, supporting carbon market risk monitoring and low-carbon investment decisions.

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

日本では、カーボンプライシング導入が議論されており、炭素価格予測は企業の排出削減投資計画やリスク管理に有用。本モデルは、将来の国内炭素市場運営や投資判断の参考となる。

In the global GX context

Globally, carbon price forecasting is critical for transition finance and climate risk assessment. This model offers a robust tool for market participants and policymakers, aligning with TCFD and ISSB disclosure requirements by improving carbon price signal predictability.

👥 読者別の含意

🔬研究者:Provides a novel hybrid deep learning approach for carbon price forecasting, advancing time-series modeling in carbon markets.

🏢実務担当者:Offers a tool for carbon market risk monitoring and planning low-carbon investments, aiding in compliance and strategy.

🏛政策担当者:Supports carbon market design and policy evaluation by enhancing price stability and predictability.

📄 抄録（日本語訳）

パリ協定の枠組みの下、炭素取引はカーボンニュートラルを達成するための重要な市場ベースの手段として浮上している。長年にわたるパイロットプログラムを経て、中国は統一された全国炭素市場の構築に向けて重要な一歩を踏み出した。したがって、安定かつ効果的な炭素価格形成メカニズムを構築するためには、正確な炭素価格予測が不可欠である。しかし、2017年のEU排出量取引制度（EU ETS）の改革は、炭素価格の形成メカニズムを大幅に変化させ、価格の変動性と不確実性を悪化させた。この変化は、高精度な炭素価格予測に関する研究の緊急の必要性をさらに強調するものである。既存の深層学習モデルは、複雑な炭素市場データにおける短期的な高周波変動と長期的な進化トレンドを同時に捉えることに苦慮しており、この限界が予測精度と安定性を損なっている。これらの課題に対処するため、本論文はsLSTM構造を組み込んだTransformerベースの炭素価格予測モデルを提案する。シーケンスメモリと状態更新メカニズムを強化することにより、このモデルは炭素価格の短期的な変動特性と長期的な進化パターンの両方をモデル化する能力を効果的に向上させる。データ前処理段階では、変分モード分解（VMD）を用いて炭素価格シーケンスのマルチスケール分解を実行し、異なる時間スケールにわたる変動の重複という問題を効果的に軽減する。さらに、クジラ最適化アルゴリズム（WOA）を用いて分解モード数とペナルティ係数を最適化し、モード分解に固有のパラメータ感度問題を解決する。実世界の炭素価格データセットを用いた実験結果は、このモデルが平均決定係数（R2）0.9862と平均絶対パーセント誤差（MAPE）わずか0.5607%を達成することを実証している。これらの結果は、提案手法が時系列の複雑な動的特性を特徴付ける上で有意な利点を有し、それによって予測精度を効果的に向上させることを示している。提案モデルは、異常変動を特定し、情報の非対称性によって引き起こされる市場の非効率性を軽減することにより、炭素市場のリスク監視と政策評価のための支援ツールとして機能し得る。これにより、排出削減へのインセンティブとしての炭素価格シグナルの安定性と予測可能性が向上し、企業が削減経路と低炭素投資を計画できるようになり、カーボンニュートラル達成における炭素市場の持続可能な役割が強化される。

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。

📄 Abstract（原文）

Under the framework of the Paris Agreement, carbon trading has emerged as a pivotal market-based instrument for achieving carbon neutrality. Following years of pilot programs, China has taken a critical step toward establishing a unified national carbon market. Consequently, accurate carbon price forecasting is essential for constructing a stable and effective carbon pricing mechanism. However, the 2017 reform of the EU Emissions Trading System (EU ETS) significantly altered the carbon price formation mechanism, exacerbating price volatility and uncertainty. This shift further underscores the urgent need for research into high-precision carbon price forecasting.Existing deep learning models struggle to simultaneously capture short-term high-frequency fluctuations and long-term evolutionary trends within complex carbon market data, a limitation that compromises their prediction accuracy and stability. To address these challenges, this paper proposes a Transformer-based carbon price forecasting model that incorporates an sLSTM structure. By enhancing sequence memory and state update mechanisms, this model effectively improves the capability to model both short-term volatility characteristics and long-term evolutionary patterns of carbon prices. In the data preprocessing phase, Variational Mode Decomposition (VMD) is employed to perform multi-scale decomposition of carbon price sequences, effectively mitigating the issue of overlapping fluctuations across different time scales. Furthermore, the Whale Optimization Algorithm (WOA) is utilized to optimize the number of decomposition modes and the penalty factor, thereby resolving the parameter sensitivity issues inherent in modal decomposition. Experimental results on real-world carbon price datasets demonstrate that the model achieves an average coefficient of determination (R2) of 0.9862 and a Mean Absolute Percentage Error (MAPE) of only 0.5607%. These findings indicate that the proposed method possesses significant advantages in characterizing the complex dynamic features of time series, thereby effectively enhancing prediction accuracy.The proposed model can serve as a supportive tool for carbon-market risk monitoring and policy evaluation by identifying abnormal fluctuations and mitigating market inefficiencies caused by information asymmetry. This enhances the stability and predictability of carbon price signals as incentives for emissions reduction, enabling firms to plan abatement pathways and low-carbon investments, and strengthening the sustainable role of carbon markets in achieving carbon neutrality.

🔗 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。