Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Quang phổ Hilbert và phân tích mô hình thực nghiệm: Phương pháp phân tích sự kiện đa quy mô để phát hiện tác động của các cuộc khủng hoảng kinh tế lên thị trường carbon châu Âu
Computational Economics - 2017
Tóm tắt
Khám phá ảnh hưởng của một cuộc khủng hoảng kinh tế lên thị trường carbon có thể giúp hiểu rõ hơn về các cơ chế hình thành giá carbon và thúc đẩy sự phát triển lành mạnh của thị trường carbon. Thông qua phương pháp phân tích mô hình thực nghiệm phân tán theo tập hợp (EEMD), một phương pháp phân tích sự kiện đa quy mô được đề xuất để khám phá ảnh hưởng của khủng hoảng kinh tế lên thị trường carbon châu Âu. Đầu tiên, chúng tôi xác định dữ liệu giá carbon phù hợp cho các khoảng thời gian ước tính và sự kiện để thể hiện tác động của cuộc khủng hoảng kinh tế quan tâm đến thị trường carbon. Thứ hai, chúng tôi sử dụng EEMD để phân tách giá carbon thành các chế độ đơn giản. Các quang phổ Hilbert được áp dụng để xác định chế độ chính, sau đó được sử dụng để ước lượng sức mạnh của một sự kiện cực đoan đối với giá carbon. Thứ ba, chúng tôi thực hiện phân tích đa quy mô với cấu thành của các chế độ tần số thấp và phần dư được xác định là chế độ chính để nắm bắt sức mạnh của cuộc khủng hoảng kinh tế quan tâm đến thị trường carbon, trong khi các chế độ tần số cao được xác định là sự dao động bình thường của thị trường với ít tác động ngắn hạn lên thị trường carbon. Cuối cùng, với việc lấy cuộc khủng hoảng tài chính toàn cầu 2007–2009 và cuộc khủng hoảng nợ châu Âu 2009–2013 làm hai trường hợp, các kết quả thực nghiệm cho thấy so với phân tích can thiệp truyền thống và phân tích sự kiện theo nguyên tắc “một chia thành hai”, phương pháp được đề xuất có thể nắm bắt ảnh hưởng của cuộc khủng hoảng kinh tế lên thị trường carbon trên nhiều quy mô thời gian trong một khuôn khổ phi tuyến tính.
Từ khóa
#khủng hoảng kinh tế #thị trường carbon #giá carbon #phân tích mô hình thực nghiệm #phân tích sự kiện #quang phổ Hilbert #phân tích đa quy môTài liệu tham khảo
Alberola, E., Chevallier, J., & Cheze, B. (2008). Price drives and structural breaks in European carbon prices 2005–2007. Energy Policy, 36(2), 787–797.
Bai, J., & Perron, P. (2003). Computation and analysis of multiple structural change models. Journal of Applied Econometrics, 18, 1–22.
Bel, G., & Joseph, S. (2015). Emission abatement: Untangling the impacts of the EU ETS and the economic crisis. Energy Economics, 49, 531–539.
Box, G. E. P., & Tiao, G. C. (1975). Intervention analysis with applications to economic and environmental problems. Journal of the American Statistical Association, 70(349), 70–79.
Brouwers, R., Schoubben, F., Hulle, C. V., & Uytbergen, S. V. (2016). The initial impact of EUETS verification events on stock prices. Energy Policy, 94, 138–149.
Huang, N. E., Shen, Z., & Long, S. R. (1998). The empirical mode decomposition and the Hilbert spectrum for non-linear and non-stationary time series analysis. Proceedings of the Royal Society of London, 454, 903–995.
Jia, J. J., Xu, J. H., & Fan, Y. (2016). The impact of verified emissions announcements on the European Union emissions trading scheme: A bilaterally modified dummy variable modelling analysis. Applied Energy, 173, 567–577.
Lepone, A., Rahman, R. T., & Yang, J. Y. (2011). The impact of European Union Emissions Trading Scheme (EU ETS) National Allocation Plans (NAP) on Carbon Markets. Low Carbon Economy, 2, 71–90.
Lin, D. C., Guo, Z. L., An, F. G., & Zeng, F. L. (2012). Elimination of end effects in empirical mode decomposition by mirror image coupled with support vector regression. Mechanical Systems and Signal Processing, 1(31), 13–28.
MacKinlay, A. C. (1997). Event studies in economics and finance. Journal of Economic Literature, 35(1), 13–39.
Wu, Z. H., & Huang, N. E. (2009). Ensemble empirical mode decomposition: A noise-assisted data analysis method. Advances in Adaptive Data Analysis, 1(1), 1–41.
Yu, L., Li, J. J., Tang, L., & Wang, S. (2015). Linear and nonlinear Granger causality investigation between carbon market and crude oil market: A multi-scale approach. Energy Economics, 51, 300–311.
Zhang, X., Lai, K. K., & Wang, S. Y. (2008). A new approach for crude oil price analysis based on Empirical Mode Decomposition. Energy Economics, 30, 905–918.
Zhang, Y. J., & Wei, Y. M. (2010). An overview of current research on EU ETS: Evidence from its operating mechanism and economic effect. Applied Energy, 87(6), 1804–1814.
Zhu, B. Z., Ma, S. J., Chevallier, J., & Wei, Y. M. (2014). Modelling the dynamics of European carbon futures price: A Zipf analysis. Economic Modelling, 38, 372–380.
Zhu, B. Z., Ma, S. J., Chevallier, J., & Wei, Y. M. (2015). Examining the structural changes of European carbon futures price 2005–2012. Applied Economics Letters, 22(5), 335–342.
Zhu, B. Z., Shi, S. T., Chevallier, J., Wang, P., & Wei, Y. M. (2016). An adaptive multiscale ensemble learning paradigm for nonstationary and nonlinear energy price time series forecasting. Journal of Forecasting, 35(7), 633–651.
Zhu, B. Z., Wang, P., Chevallier, J., & Wei, Y. M. (2015). Carbon price analysis using empirical mode decomposition. Computational Economics, 45(2), 195–206.
Zhu, B. Z., & Wei, Y. M. (2013). Carbon price prediction with a hybrid ARIMA and least squares support vector machines methodology. Omega, 41(3), 517–524.