中国与欧盟碳排放权交易价格波动比较研究

发布时间：2021-07-22 00:50

　　本文通过对欧盟和中国选定试点碳交易价格的波动特征和影响因素进行对比分析,了解不同市场之间的相似性和发展差异,并对中国启动全国性碳交易市场的建设提出政策建议。本文主要分为两部分。第一部分是对EUA现货价格混沌性的研究。从EUA现货价格时间序列运动特性的角度出发,计算最大李雅普诺夫指数证明其运动存在混沌性,通过将时间序列进行相空间重构得到多维空间,并用作小波神经网络的输入项对神经网络进行训练。研究结果表明:EUA现货价格时间序列存在混沌性特性,且基于相空间重构小波神经网络可以用于EUA现货价格的短期合理预测。第二部分是对中国区域性试点交易价格运动规律的研究。研究不同试点的交易价格的非线性特征,最大李雅普诺夫指数表明其具有混沌性特征;然后对比试点与欧盟碳交易市场的混沌特性判断各市场之间的发展差距;最后通过VAR模型判断国内各试点配额价格波动主要来源,并对碳交易市场的建设提出政策建议。 

【文章来源】：暨南大学广东省 211工程院校

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

Wolf算法计算李雅普诺夫指数过程图

从而使其具有更灵活有效的函数逼近能力；3、信号样本空间不均匀波神经元的良好局部特性和多分辨率学习可实现与信号良好匹配，小波同分辨率表示函数特性，使得小波神经网络有更高预报精度，在数据稠密区分辨率学习，在稀疏区采用低分辨率学习，而单一分辨率的激励函数对数不加区分。图 3-2 表示小波神经网络的拓扑结构。X = (x ,x ,…,x ) 是小波神经网入值，其维数即为小波神经网络输入层的神经元个数。o是小波神经网络输出值，由于本文是对价格时间序列进行预测，所以此模型中的输出层设个神经元。v 和w 分别为小波神经网络的输入与输出权值，在神经网络过程当中v 和w 的值将会随着训练次数的增加而发生相应改变。假设隐神经元个数为m。图 3-2 即表达了从n个自变量到单个因变量的函数映射

图 3-3 小波神经网络流程图在小波神经网络当中，输入数据x经过权值变换和小波基函数伸缩和平移后可得到小波序列： ( ) = h∑j = 1，2，…，m （3.7）其中: 为伸缩因子， 为平移因子， > 0， ∈ 。小波神经网络输出层的计算公式为：o = f(∑ ( )) （3.8）f( )表示小波变换函数。小波神经网络利用梯度修正法修正输入与输出权值和小波基函数的因子，使得预测值期望值不断接近，单步预测误差逐渐缩小。小波神经网络参数修正算法过程如下:


本文编号：3296106