CaStNet: A Causality-Guided Decomposition and Cell-State-Driven Attention Framework for Carbon Price Forecasting

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

🔬研究者:This paper provides a novel causal approach to carbon price forecasting combining Granger causality with deep learning, which can be extended to other climate-finance time series.

🏢実務担当者:The method could be used by carbon trading firms and compliance teams for short-term price risk management and hedging decisions.

🏛政策担当者:Demonstrates the role of energy-carbon causal linkages; regulators can use similar analysis to monitor market efficiency and assess policy impact.

正確な炭素価格予測は、排出権取引のリスク管理と低炭素投資の意思決定にとって不可欠である。既存の分解-予測フレームワークでは、二次分解の対象は通常、ドメインに基づく因果性ではなく統計的複雑性に基づいて選択され、標準的なLong Short-Term Memory (LSTM)-Transformerアーキテクチャは、長期的な時間記憶を符号化するセル状態を破棄する。これらの限界は、エネルギー主導の因果構造とレジーム・スイッチング型ボラティリティが共存する状況において特に顕著である。本研究は、2つの核となる革新を備えたインテリジェント予測フレームワークであるCausal State-driven Network (CaStNet)を提案する。Policy-Causality-guided Residual Secondary Decomposition (PCRSD)モジュールは、エントロピー基準をGranger因果性に置き換え、有意なエネルギー-炭素因果連関を示す固有モード関数(IMFs)を選択して、対象を絞った変分モード分解(VMD)を実施する。Cell-State-Driven Dual-function Attention (CSDA)メカニズムは、LSTMセル状態を再利用し、長期記憶をTransformerに同時に注入するとともに、セル状態の差分速度をボラティリティの代理指標として用いて、Top-kアテンションのスパース性を適応的に調整する。Artificial Lemming Algorithm (ALA)は、分解次元とアテンション境界をグローバルに共同最適化する。Shapley Additive exPlanations (SHAP)–Local Interpretable Model-agnostic Explanations (LIME)解釈可能性分析は、短期の自己回帰的モメンタムから長期のエネルギー基礎要因への、期間依存的なドライバー遷移を明らかにし、エネルギー-炭素伝達経路における閾値非線形性を解明する。上海市場(2013–2025)での検証では、点予測RMSE = 0.8326、R2 = 0.9777を達成し、12のベンチマークモデルすべてを上回った。湖北市場でのクロスマーケットテストではR2 = 0.9487を達成し、上海データセットでの拡張ウィンドウ5分割交差検証では平均R2 = 0.9704を達成し、一般化の頑健性を共同で確認した。

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。

Accurate carbon price forecasting is essential for emission trading risk management and low-carbon investment decisions. In existing decomposition-prediction frameworks, secondary decomposition targets are typically selected based on statistical complexity rather than domain-informed causality, and standard Long Short-Term Memory (LSTM)-Transformer architectures discard the cell state that encodes long-term temporal memory. These limitations are particularly pronounced where energy-driven causal structures and regime-switching volatility coexist. This study proposes Causal State-driven Network (CaStNet), an intelligent forecasting framework with two core innovations. A Policy-Causality-guided Residual Secondary Decomposition (PCRSD) module replaces entropy-based criteria with Granger causality to select intrinsic mode functions (IMFs) exhibiting significant energy-carbon causal linkages for targeted variational mode decomposition (VMD). A Cell-State-Driven Dual-function Attention (CSDA) mechanism repurposes the LSTM cell state for simultaneously injecting long-term memory into the Transformer and employing the cell-state differential velocity as a volatility proxy to adaptively regulate Top-k attention sparsity. The Artificial Lemming Algorithm (ALA) globally co-optimizes decomposition dimensions and attention boundaries. A Shapley Additive exPlanations (SHAP)–Local Interpretable Model-agnostic Explanations (LIME) interpretability analysis reveals horizon-dependent driver transitions from short-term autoregressive momentum to long-term energy fundamentals, uncovering threshold nonlinearities in energy-carbon transmission channels. Validation on the Shanghai market (2013–2025) achieves point-forecast RMSE = 0.8326 and R2 = 0.9777, outperforming all twelve benchmark models. Cross-market testing on the Hubei market yields R2 = 0.9487, and expanding-window five-fold cross-validation on the Shanghai dataset yields mean R2 = 0.9704, jointly confirming generalization robustness.

• openalex https://doi.org/10.3390/math14132399first seen 2026-07-08 05:23:39
• semanticscholar https://doi.org/10.3390/math14132399first seen 2026-07-13 06:36:50 · last seen 2026-08-09 05:32:41