← 論文一覧に戻る

Hybrid Machine Learning Analysis of Exogenous Features in China’s Guangdong Carbon Market Price Prediction

中国広東炭素市場価格予測における外生変数のハイブリッド機械学習分析 (AI 翻訳)

Chenyao Duan, Yuanfang Chen, Junlin He, Kok-Haur Ng

Asian Academy of Management Journal of Accounting and Finance📚 査読済 / ジャーナル2026-06-28#AI×ESGOrigin: CN経営インパクト: 資金調達対象セクター: power
DOI: 10.21315/aamjaf2026.22.1.3
原典: https://doi.org/10.21315/aamjaf2026.22.1.3
📄 PDF

🤖 gxceed AI 要約

日本語

中国最大の炭素市場である広東省の炭素価格を、CNN+LSTMのハイブリッドモデルで予測。外生変数（原油価格、取引量）の寄与を分析し、ラグ付き日中価格が最も重要であることを示した。

English

This study applies a hybrid CNN-LSTM model to forecast carbon prices in China's largest carbon market, Guangdong. It demonstrates the model's superiority over standalone LSTM and finds that lagged intraday OHLC prices are the most critical predictors, while crude oil prices and trading volume contribute moderately.

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2026年度から本格稼働する排出量取引制度（GX-ETS）の参考となる。本論文の機械学習アプローチは、日本の炭素価格予測にも応用可能であり、価格変動リスク管理に役立つ。

In the global GX context

The hybrid ML approach for carbon price prediction offers a methodology applicable to global emissions trading systems (ETS). It highlights the importance of intraday price dynamics and external factors like oil prices, relevant for market efficiency and risk management in carbon markets worldwide.

👥 読者別の含意

🔬研究者:Demonstrates the effectiveness of hybrid deep learning for carbon price forecasting, providing a benchmark for future studies on exogenous feature selection.

🏢実務担当者:Carbon market participants (e.g., compliance buyers, traders) can use the model to improve price prediction and inform hedging strategies.

🏛政策担当者:Insights into key price drivers can inform market design and regulatory oversight to enhance carbon market stability.

📄 抄録（日本語訳）

カーボンプライシングは炭素市場の効果的な機能に不可欠であり、持続可能なグリーン経済発展を支援する戦略の基盤を提供する。本研究は、畳み込みニューラルネットワーク（CNN）と長短期記憶（LSTM）ネットワークを組み合わせたハイブリッドモデルにおいて、日中炭素価格関連情報、取引量、および原油価格の予測力を調査し、炭素排出枠の終値を予測する。このモデルは、中国で最大かつ最も活発な炭素取引市場である広東に適用され、予測精度の向上を図る。CNNLSTMモデルは、複数の損失関数を用いて単独のLSTMモデルとベンチマーク比較され、その結果、ハイブリッドモデルがサンプル内およびサンプル外の両方の予測において明確に優れていることが示された。外生変数の分析により、ラグ付き日中始値、高値、安値、終値（OHLC）が最も重要な予測因子であり、これらを除外すると精度が大幅に低下することが明らかになった。ブレント原油価格と取引量はモデルに中程度の貢献をもたらし、準尤度分析はラグ付きOHLC情報と原油価格が炭素価格予測の主要因子であることを再確認した。

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。

📄 Abstract（原文）

Carbon pricing is essential for the effective functioning of carbon markets, providing a basis for strategies that support sustainable green economic development. This study investigates the predictive power of intraday carbon price-related information, trading volume and crude oil prices within a hybrid model combining a convolutional neural network (CNN) and a long short-term memory (LSTM) network to forecast carbon emission allowance closing prices. The model is applied to Guangdong, China’s largest and most active carbon-trading market, to improve forecasting accuracy. The CNNLSTM models are benchmarked against a standalone LSTM model using multiple loss functions, with results showing the hybrid model’s clear superiority in both in-sample and out-of-sample forecasts. Analysis of exogenous variable highlights that lagged intraday opening, highest, lowest and closing (OHLC) prices are the most critical predictors, with their exclusion significantly reducing accuracy. Brent crude oil prices and trading volume provide moderate contributions to the model, while quasi-likelihood analysis reaffirms lagged OHLC information and oil prices as key factors in carbon price prediction.

🔗 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。