摘要
准确可靠的碳价预测可以为配额交易、企业风险管理和减排政策制定提供科学支持。然而，碳价表现出显著的非线性、非平稳性和多尺度动态特征，现有研究主要对所有分解成分统一采用单一模型，在将模型能力与成分复杂性相匹配以及对组合权重随市场变化进行自适应调整方面存在明显局限。为弥补这些不足，本研究构建了CEEMDAN–FADE频率自适应集成框架，该框架整合了信号分解、基于复杂性的重构、数据驱动的模型选择和动态加权。具体而言，在CEEMDAN分解之后，采用基于样本熵的K-means重构，从而将市场噪声与趋势驱动运动分离。随后，为每个重构成分筛选外生变量，并利用所选变量构建成分专属输入。然后，根据验证性能从包含统计方法、机器学习和深度学习的异构模型库中为每个成分选择最优模型，并通过基于Huber损失估计的滚动动态权重进行组合。最后，在中国湖北和广东碳市场的实证结果显示，所提系统显著优于17个基准模型，相对最强基准模型的RMSE分别降低了18.70%和46.24%，Diebold–Mariano检验确认了统计显著性。基于预测的交易分析进一步揭示了盈利能力和风险调整后绩效的提升，表明该方法具有良好的鲁棒性和实用价值。
