双方向時間畳み込みと外生変数強化時系列モデルを用いた炭素市場価格予測

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

🔬研究者:Introduces a novel hybrid deep learning architecture for non-stationary time-series forecasting with multi-source heterogeneous inputs.

🏢実務担当者:Provides a practical tool for carbon traders and risk managers to improve price prediction accuracy and hedge against volatility.

🏛政策担当者:Demonstrates how AI can enhance carbon market efficiency and transparency, supporting market-based climate policy design.

炭素市場価格は、政策介入、エネルギー市場の変動、マクロ経済の動態によって共同で形成され、そのため顕著な非線形性、非定常性、局所的な急激な変化、および時間変動する不確実性を示す。情報理論の観点から見ると、炭素価格予測は、異質な内因性および外因性シグナルによって駆動される複雑な市場システムからの有効情報の抽出と融合として捉えることができる。炭素価格系列における局所的な高周波変動を正確に特徴付けること、内因性変数と外因性変数の間の相互作用を効果的にモデル化すること、および従来の逐次予測フレームワークによって導入される構造的ノイズを軽減することの課題に対処するため、本研究は、双方向時間畳み込みとTimeXerを組み合わせたハイブリッドモデルであるConvTimeXerを炭素市場価格予測のために提案する。具体的には、モデルはまず、フロントエンドの双方向時間畳み込みを用いて、内因性炭素価格系列から局所的なマルチスケール変動特徴を抽出する。次に、TimeXerのグローバルトークンとクロスアテンション機構を活用して、内因性変数と外因性変数の間の動的な分離と深い相互作用を実現する。最後に、浅い特徴と深い特徴の残差融合を導入して、局所的な詳細の保持を強化する。過去3年間の中国の炭素市場のデータに基づく実験結果は、提案されたフレームワークが高い予測精度と強い頑健性を提供し、局所的な急激な変化への応答性とグローバルなトレンドモデリングのバランスを効果的に取ることを実証している。本研究は、複雑で不確実な市場環境における炭素価格予測のための効果的なアプローチを提供するだけでなく、多源の異種情報によって駆動される非定常時系列予測への貴重な洞察も提供する。

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。

Carbon market prices are jointly shaped by policy interventions, energy market fluctuations, and macroeconomic dynamics, and thus exhibit pronounced nonlinearity, non-stationarity, localized abrupt changes, and time-varying uncertainty. From an information-theoretic perspective, carbon price forecasting can be viewed as the extraction and fusion of effective information from a complex market system driven by heterogeneous endogenous and exogenous signals. To address the challenges of accurately characterizing local high-frequency fluctuations in carbon price series, effectively modeling the interactions between endogenous and exogenous variables, and mitigating the structural noise introduced by conventional serial forecasting frameworks, this study proposes ConvTimeXer, a hybrid model combining bidirectional temporal convolution and TimeXer for carbon market price forecasting. Specifically, the model first employs front-end bidirectional temporal convolutions to extract local multi-scale fluctuation features from the endogenous carbon price series. It then leverages the global token and cross-attention mechanism in TimeXer to achieve dynamic decoupling and deep interaction between endogenous and exogenous variables. Finally, residual fusion of shallow and deep features is introduced to enhance the preservation of local details. Experimental results based on data from China’s carbon market over the past three years demonstrate that the proposed framework delivers high predictive accuracy and strong robustness, effectively balancing responsiveness to local abrupt changes with global trend modeling. This study not only provides an effective approach for carbon price forecasting in complex and uncertain market environments, but also offers valuable insights into non-stationary time-series forecasting driven by multi-source heterogeneous information.

• openalex https://doi.org/10.3390/e28070822first seen 2026-07-22 05:24:02