← 論文一覧に戻る

機械学習を用いた炭素取引価格の多因子予測

Multifactor forecasting of carbon trading prices using machine learning (原題)

Wei Li

ジャーナル2026-09-23#炭素価格Origin: CN経営インパクト: 資金調達対象セクター: finance
DOI: 10.1117/12.3125068
原典: https://doi.org/10.1117/12.3125068

🤖 gxceed AI 要約

日本語

炭素排出量取引価格を、株式市場・為替・国際エネルギー商品価格・国際炭素価格の4因子から予測する研究。LASSOで全因子の有意性を確認し、RF・XGBoost・BPニューラルネット・SVRを比較した結果、ランダムフォレストが最も高精度だった。政策立案者・市場規制者・投資家に有用な手法を提示する。

English

This study forecasts carbon emissions trading prices using four factors: stock market, exchange rate, international energy commodity prices, and international carbon prices. LASSO confirms all factors matter; among RF, XGBoost, BP neural network, and SVR, random forest performs best. The method aids policymakers, regulators, and investors in carbon markets.

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GXリーグや東証カーボン・クレジット市場が始動し、炭素価格の予測・評価は企業の内部炭素価格設定や投資判断に直結する。SSBJ開示や移行金融の文脈でも、炭素価格シナリオの精緻化は日本企業の戦略立案に資する。

In the global GX context

As carbon markets expand under EU ETS, CBAM, and emerging Asian schemes, robust price forecasting supports TCFD/ISSB scenario analysis and transition-finance valuation. The ML comparison adds methodological evidence for internal carbon pricing and market-risk modeling in disclosure practice.

👥 読者別の含意

🔬研究者:炭素価格予測における機械学習手法の比較ベンチマークを提供する。

🏢実務担当者:内部炭素価格や炭素クレジット調達の価格シナリオ策定に活用できる。

🏛政策担当者:炭素市場の価格安定性・規制設計のモニタリング手法として参考になる。

📄 Abstract（原文）

The prediction of the prices in carbon emissions trading is a complicated issue. Carbon prices are affected by various factors such as macroeconomics, market emotions, and climate policy. Non-linearity, non-stationarity, and multi-frequencies are among the features of the carbon prices. Now, there is little carbon emissions trading price history data available, and a large number of affecting factors are present; hence, a prediction model should be established by considering all factors fully. First, we made the analysis of carbon emission trading price's affecting factors. Four factors are considered in our research. They are the stock market factor, international exchange rate factor, international energy commodity price factor, and international carbon emissions trading price factor. Through the use of LASSO algorithm, we have concluded that all the above factors have important impacts on carbon prices. Then, we used four methods to predict the prices of carbon emissions trading. They are random forest (RF), xgboost, back propagation (BP) neural network, and support vector regression (SVR). It turns out that RF model performs better than the other three models in predicting the carbon emissions prices. This methodology will be helpful for policymakers, market regulators, and investors who are involved in the carbon emissions trading mechanism.

🔗 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。