碳金融、比特币和绿色能源市场之间的动态溢出效应：一种新颖的分解关联性与投资组合分析方法

《Financial Innovation》：Dynamic spillover effect among carbon finance, bitcoin, and green energy markets: a novel decomposed connectedness and portfolio analysis

　　摘要
本研究采用新颖的分解连通性和投资组合分析方法，来评估碳金融、人工智能、绿色能源市场和比特币之间的动态溢出效应。研究结果表明，平均总连通性指数为62%，尤其是在极端市场条件下。将这一指标分解为同时性和滞后性连通性后，发现其中56%的连通性可归因于同时性动态。投资组合表现出较高的对冲有效性，尤其是在极端市场条件下，这表明绿色资产能够在金融和地缘政治动荡时期降低风险。研究结果显示，从2018年到2023年，投资比特币和技术相关资产通常能获得最高的回报。基于这些发现，本研究为投资者和政策制定者提出了相关的投资建议。

引言
几十年来，投资组合多样化以及对于避险工具的需求一直被视为投资策略的重要特征（Huynh等人，2020年）。在这种情况下，黄金在正常市场条件下被视为对冲工具，在动荡时期则被视为避险资产（Selmi等人，2018年）。然而，由于黄金的对冲属性，对其避险特性的看法可能已经发生了变化（Arfaoui等人，2023年）。近年来，投资者利用新的投资机会和各种替代投资途径来降低风险。在日益波动的市场中，投资者转向那些能够提供超越传统避险工具的多样化和韧性的替代资产（Baur和Lucey，2010年）。在技术变革、气候政策和数字金融的交汇处，有四个市场尤为突出：人工智能（AI）和机器人股票、碳金融、绿色能源以及加密货币。先前的研究强调了它们在投资组合构建和风险转移中的作用，同时也提出了关于其对冲/避险特性的未解问题。更具体地说，由于加密货币的多样化特性和整体表现，投资者最近对其给予了极大关注（Yousaf等人，2025年；Magdalena等人，2025a、b；Naeem等人，2022年；Charfeddine等人，2020年）。截至2022年1月，加密货币市场的市值为2.06万亿美元。交易量最大的加密货币是比特币和以太坊，它们占总市值的62%。尽管加密货币最初被引入时类似于美元、欧元或日元等货币，但现在它们被用作类似于黄金的资产（Tu和Xue，2019年；Gronwald，2019年）。然而，数字货币在金融市场中的功能仍然不确定。人们对清洁环境的关注日益增加，而投资加密货币被视为对“肮脏资产”的投资。特别是，加密货币交易通过消耗大量能源的算法进行处理（Mohsin，2021年；Schinckus等人，2020年）。根据（Huynh等人，2022年；Karim等人，2022年）的研究，加密货币交易对环境有不利影响。

第二个市场是人工智能（AI），它是当代工业革命中的关键和战略性技术。对AI的投资迅速增加（Bughin等人，2017年；Magdalena等人，2025a、b）。2022年，全球对AI的私人投资达到了919亿美元，比上一年下降了26.7%（斯坦福大学，2023年）。公司使用AI的原因有很多。AI的应用降低了成本并提高了生产质量，改善了供应链管理（Webster和Ivanov，2020年）。虽然AI和机器人技术可以提高效率并促进经济增长，但它们对就业前景的影响仍不确定（Czarnitzki等人，2023年；Nasir等人，2023年）。AI被应用于多个领域，包括制造业和替代经济活动（Webster和Ivanov，2020年）。这些例子表明，AI技术和机器人技术正成为经济活动中的主导领域，因此它们代表了有趣的投资途径。此外，全球科学家正在从气候系统的所有可能角度研究气候变化（政府间气候变化专门委员会，Khalfaoui等人，2022年）。平均温度的持续上升是气候变化的特征。这些过程导致了海平面上升以及极端天气事件的增加，包括反复发生的洪水、长期干旱和强风暴。气候风险的影响扩展到了社会和经济的各个层面（Porter和Reinhardt，2007年）。日益增长的气候相关风险对商业环境构成了威胁，而这些威胁又因金融风险而加剧（Rudebusch，2021年）。美联储警告称，与气候相关的风险将扰乱经济活动。因此，通过碳税或排放交易等手段实施碳定价，是通过经济激励措施实现向低碳经济转型的最有效方法之一。排放交易计划涉及由国家当局分配预定数量的碳许可。根据这一制度，负责碳排放的国家有责任减轻其排放。污染企业可以通过在市场驱动的框架内交易碳配额来管理其碳排放许可。

最后，绿色能源市场也是投资组合多样化的潜在来源（Cifuentes-Faura等人，2024年）。近年来，它们已成为最普遍的金融工具（Cortez等人，2022年）。绿色能源市场可以满足对金融稳定性和环境问题的需求（Khurshid等人，2024年）。投资绿色能源市场可以提高公司的财务表现，并促进绿色创新。此外，它们还推动了政府政策的制定。政府的政策工具包括努力提高绿色创新和扩展清洁能源技术。这些措施有助于改善环境福利（Dutta等人，2023年）。理解这些资产之间的动态联系至关重要，因为冲击可能来自不同的来源，如技术采用、气候监管和地缘政治压力，并且可以在不同的时间范围内在不同市场间传播。在上述背景下，本研究考察了这些新兴市场（特别是加密货币、AI、碳金融和绿色能源市场）之间的时变连通性。这项研究致力于提供基于实证的见解，以深入理解全球市场趋势，这对于风险管理策略和投资组合多样化具有重大意义。它可以提供有价值的见解和信息，以有效管理这些快速扩张领域的投资。为了理论上的支持，我们借鉴了投资组合多样化理论和溢出传输框架（Diebold和Yilmaz，2014年）。这些理论表明，通过创新、气候政策和数字化相互连接的资产可能通过金融和技术渠道传递冲击。碳金融反映了监管和环境政策风险，绿色能源捕捉了技术转型风险，而比特币则体现了数字资产和投机风险。研究它们的联合动态使我们能够考察可持续性相关市场和数字创新市场在一个综合金融生态系统中的互动。此外，本文还探讨了绿色资产在这种动荡环境中作为对冲工具的潜力，表明这些资产在实现更广泛的可持续投资目标的同时，提高了投资组合的韧性。

本研究在四个关键方面对文献做出了重要贡献。首先，我们的研究首次探讨了AI技术、气候问题、绿色技术和加密货币之间的四重关联。尽管文献已经分别研究了这些市场与传统资产（如石油、黄金和股票指数）的关联，但这些新投资领域之间的联合溢出动态尚未被探索。其次，我们通过研究AI、绿色资产和数字金融市场之间的系统依赖性，填补了这一重要空白，这些市场共同决定了气候和技术驱动的转型，从而提供了关于这些工具如何相互影响的新见解。第三，本研究是少数应用同时性和滞后性相互依赖性的文献之一。为此，本研究采用了R2分解连通性（R2DC）方法来获得对传输过程的深入见解。这种新颖的方法解决了文献中仅关注同时性溢出效应的不足（Hanif等人，2023年）。具体来说，所提出的R2DC方法基于Gabauer等人（2023年）的理论应用，其中包括GFEVD和拟合优度（Genizi，1993年）。因此，所提出的研究框架是对Abubakr等人（2024年）的同时性R2DC方法的推广。与仅限于双边市场联系的先前研究（Shahzad等人，2025年）不同，我们的框架引入了一种多市场R2分解连通性方法，区分了同时性和滞后性溢出。这在理论上将气候-金融整合和数字资产传染联系在一起。从实证角度来看，它提供了对可持续投资组合构建和政策协调相关的时变证据。第三，通过研究回报传输，该研究可以识别潜在的风险来源并评估市场脆弱性。这些过程可以帮助投资者识别同时性和滞后性溢出，从而优化他们的投资组合并管理风险。第四，本研究使用了2017年12月19日至2023年11月1日的日数据集。这一时间框架非常重要，因为它包括了COVID-19（CV19）大流行、英国脱欧和乌克兰-俄罗斯战争（RUW）的影响。这项研究中研究的时变相关性将帮助政策制定者和投资者理解所选市场之间的关联以及业务受到的影响。

我们的实证结果表明，动态总连通性随时间表现出异质性。在CV19和RUW期间，系列的总连通性更高。此外，实证讨论显示，同时性溢出显著高于滞后性溢出。此外，比特币的滞后值最大，其次是人工智能。碳市场在作为冲击传递者方面发挥了重要作用。

本文的后续部分安排如下：“文献综述”部分分析了现有文献中的重要发现。“模型和方法论”部分详细解释了本研究使用的数据集和方法论。“主要发现和讨论”部分讨论了实证结果。“结论和政策建议”部分提出了主要结论。

文献综述
从投资者的角度来看，有多种方法来确定某个类别是否适合投资。从降低风险的角度来看，如果某种资产与投资组合中的另一种资产呈负相关，则将其纳入投资组合可以促进多样化（Bouri等人，2017年）。正如（Baur和Lucey，2010年；Ratner和Chiu，2013年）所讨论的，多样化的好处可以归因于与另一种资产呈平均正（弱）相关的资产。对冲的好处则归因于与其它资产无关或平均呈负相关的资产。避险资产在市场动荡时期表现出类似的特性。因此，使用多样化工具或对冲工具可以有效地增强多样化的优势。相反，在需要此类措施的情况下，实施避险工具可以降低风险（Baur和Lucey，2010年）。在投资组合调整的背景下，当前研究涉及两个方面：AI股票、碳金融和绿色能源指数。Urom等人（2022年）探讨了AI和能源市场（包括可再生能源）之间的依赖性。通过使用分位数回归和分位数谱一致性模型等线性和非线性技术，研究发现能源行业（特别是可再生能源）的运作在很大程度上依赖于AI行业的运作。该研究对有兴趣投资人工智能（AI）和清洁能源股票的投资组合管理者提出了重要启示。Huynh等人（2020年）探讨了AI股票、机器人股票和绿色债券之间的相互关联性，以实现对投资组合的多样化。通过copulas和广义预测误差方差分解（GFEVD）得出的实证观察结果显示，短期内存在显著的波动性传导。然而，随着时间的推移，波动性传导的程度有所减弱。研究结论认为，AI股票和普通股票指数并不适合作为对冲工具。Tiwari等人（2021年）记录了对AI股票和碳价格的依赖性。实证研究发现，AI股票的回报序列与碳价格之间存在负相关。研究结果表明，AI作为一种策略，有助于减轻碳定价的影响。研究结果强调了将AI股票纳入多元化投资组合的优势。Zhang和Umair（2023年）研究了绿色金融与碳市场之间的相互关系。基于向量自回归和时变参数模型的研究结果揭示了绿色债券、可再生股票和碳市场之间的显著溢出效应。大量学术文献已经研究了与AI相关的股票与其他各种股票和资产之间的相关性。一些研究还探讨了AI股票与综合股票指数、大宗商品、绿色基金和企业债券之间的联动性（Demiralay等人2021年；Sharma、Aggarwal、Dixit和Yadav 2023年；Shahzad等人2023年）。Adekoya等人（2022年）研究了投资者关注度、金融科技（Fin Tech）、机器人技术和AI之间的动态关联性。研究结果表明，投资者关注度是这些领域之间溢出的主要接收者。

此外，学术讨论中的一个重要方向是人工智能（AI）、加密货币和清洁能源股票之间的相互关系。Arfaoui等人（2023年）研究了清洁能源市场、绿色市场和加密货币之间的依赖性。基于网络方法的研究结果表明，绿色债券与其他市场并未融合。因此，这些研究突出了绿色债券相对于其他金融市场的多样化优势。Mnif等人（2024年）使用分位数时间-频率连通性建模研究了数字货币、气候变化和可持续投资之间的复杂相互关系。他们的发现强调了煤炭的主导市场地位以及以太坊的高能耗采矿程序如何在不同时间尺度上产生波动性，从而影响短期和长期的宏观经济状况。通过利用数字货币的潜力来支持绿色倡议，可以缓解波动性，并更好地管理资源。此外，研究发现比特币作为对冲工具的效果不佳。Abakah等人（2023年）认为，金融科技（Fintech）、比特币和AI股票之间的方差存在双向因果关系，并且对于高度正负变化存在稳健的价格关联。Yousaf等人（2025年）通过多变量分位数分析研究了可再生加密货币资产与能源股票之间的关系，有力地证明了加密货币价格波动对能源成本有显著影响，尤其是在地缘政治风险和不确定性较高的情况下。

研究表明，可持续的加密货币可能有助于减轻能源价格的不确定性，并缓冲政治力量的波动性。Rao等人（2022年）研究了2011年8月至2021年7月期间绿色债券、原油指数、新兴市场指数和比特币之间的相互关系。研究结果表明，绿色债券指数与黄金有很强的相关性。Jabeur等人（2024年）研究了比特币与量子计算相关股票（如IBM和NVIDIA）之间的相互依赖性。利用小波局部多重相关性（WLMC）和多变量动态条件相关性（DCC-GARCH）模型，他们发现2020年后这些金融资产之间的相互依赖性正在增加。总体而言，该研究考察了不同的投资组合策略，尽管MVP的回报较低，但MCP和MCoP等投资组合主要由比特币和顶级量子计算节点组成，因此表现优异。这些知识对于投资者和政策制定者理解先进科技股票与数字货币之间的关系以及如何利用它们来指导投资决策至关重要。

许多商品市场和绿色市场直接受到股票回报的影响，而非波动性。这种行为表明绿色市场依赖于股票市场的表现。此外，区块链市场也出现过严重的波动性。投资者试图通过投资加密货币来分散风险（Karim和Naeem 2022年）。然而，一些研究记录了清洁能源在对冲和避险方面的作用（Ren和Lucey 2022年）。Ren和Lucey（2022年）的研究考察了两种不同类型的加密货币：肮脏的（dirty）和清洁的（clean）。研究发现，在对冲方面，清洁能源股票与加密货币之间没有关联。在市场下跌期间，清洁能源股票可能不是清洁和肮脏加密货币的可靠避风港。Li和Meng（2022年）研究了加密货币与可再生能源股票在时间-频率方面的相互关系。实证证据表明，可再生能源行业的股票在波动性方面起到了净传递者的作用。Hassan等人（2022年）进行了一项研究，探讨了加密货币、环境关注指数、清洁能源和绿色债券之间的动态相互关系。研究人员采用了先进的估计方法来分析这些关系。结果还表明，不同分位数之间存在显著的相互关联性。

总之，先前的研究尚未探讨AI股票与绿色能源股票、碳金融和加密货币在投资组合多样化背景下的关联。预计AI股票的表现将与其他技术密集型公司相似。AI股票的回报和溢出效应可能会超过其他股票。鉴于AI股票市场的当前不成熟性，这些股票可能会对其他资产市场的波动做出显著反应。关于人工智能领域公司的替代资产和股票的对冲和避险属性存在不同的观点。先前的研究表明，绿色能源市场的回报较低，并对相邻市场有显著的溢出效应。越来越多的加密货币研究显示了较高的回报和溢出效应（Wu等人2024年）。然而，关于加密货币与其他资产之间关系的证据已经存在。根据实证证据，加密货币有可能作为对冲渠道或避险工具。最近的两项研究（Rehman等人2024年；Rehman和Pata 2025年）使用基于小波的技术研究了可持续性、碳和数字资产市场之间的相互作用。前者利用小波变换一致性（WTC）、部分小波一致性（PWC）和多重小波一致性（MWC）来揭示不同频率之间的联动性，主要关注成对链接（例如，可持续性与二氧化碳或比特币与二氧化碳）。相比之下，我们的研究带来了两个方法上的改进。首先，我们采用了R2分解的连通性框架（也称为扩展的频谱溢出方法），该方法能够同时捕捉多变量系统中的同时性和滞后性溢出。这使我们能够在统一的网络中量化三个市场之间的方向性传导，而不仅仅是依赖成对链接。其次，我们进行了事件敏感性和压力期分解（例如，危机与正常时期），以展示在冲击下连通性如何演变，这是先前研究未能充分解决的。这些方法上的改进使我们能够更深入地了解系统性的联合动态，而不仅仅是不同频率下的联动性。

文献采用了多种方法来研究加密货币与其他相关市场之间的动态关系。这些研究表明了加密货币的对冲作用。然而，我们注意到关于AI股票、碳金融、绿色能源股票和加密货币的研究相对较少。本文旨在通过记录AI股票、碳金融、绿色能源股票和加密货币的投资组合特征来填补这一空白。此外，我们应用了一些新的动态连通性模型来探讨滞后和同时性溢出之间的关联性。总之，现有文献提供了关于AI与能源、绿色金融与碳或加密货币与清洁能源之间成对链接的零散证据，但没有一个统一的框架将碳金融、数字资产和可再生市场联系在一起。我们的研究通过提出一个全面的视角来填补这一空白，该视角捕捉了技术和环境传导机制，为可持续金融和数字创新文献提供了理论桥梁。

模型和方法论
如上所述，我们研究了美国清洁能源加密货币市场与碳交易系统抵抗水平、基于AI的指数以及环保资产之间的相互关系。由于多种外生冲击会影响股市，数据的选择与分析目的保持一致。我们使用了2017年12月19日至2023年11月1日的日数据。这个数据集始于AI指数引入的时间（2017年12月18日）。这一时期还包括了全球性的重大事件，如COVID-19疫情、脱欧谈判和俄罗斯-乌克兰战争（RUW）。我们采用了纳斯达克CTA和机器人指数（AI）来评估AI在各个经济领域的影响。该指数涵盖了开发和实施AI和机器人的公司（Abakah等人2023年）。指数中的公司被分类为AI和机器人的推动者、参与者或增强者。

比特币被选为代表加密货币。这种货币已成为国际货币体系中市值第三大的货币，仅次于美元（USD）和欧元（EUR）。根据统计数据，比特币的价格在2018年4月17日至2022年5月17日期间上涨了四倍，从7800美元涨至2023年11月的30,000美元。在同一时期，比特币的市值从1900亿美元增加到超过7000亿美元。此外，本研究还选择了碳市场ICI指数。这个指数是首个此类指数，于2014年7月31日推出，是全球首个可用于投资的碳市场基准。最近，学术研究开始审视碳信用作为新的资产类别的潜力，特别关注其在传统和替代资产类别中的多样化和对冲作用（Demiralay等人2022年；Di Febo等人2021年）。我们考虑了SP清洁能源指数（SPCE），它作为绿色能源市场的指标，涵盖了参与绿色能源项目的公司。我们使用Wilder Hill清洁能源创新（NEX）来代表清洁能源。该指标显示了混合能源输出（太阳能公司、风能、生物燃料、水力发电和生物质能）和气候解决方案的进一步绿色创新。SPCE、AI、NEX和ICI的数据来自Datastream，而比特币价格的数据来源于流行的MarketCap（https://coinmarketcap.com/）。第二个可再生能源指数数据集包括全球指数。图1展示了每个变量的回报。价格回报的变化可以从图表中的峰值中看出。我们使用以下公式来估计回报：
$$V_{i,t} = \ln \left( {{\raise0.7ex\hbox{${K_{i,t} }$} \!\mathord{\left/ {\vphantom {{K_{i,t} } {K_{i,t - 1} }}}\right.\kern-0pt} \!\lower0.7ex\hbox{${K_{i,t - 1} }$}}} \right) \times 100$$
（1）

图1：时间t的市场状况。（\({\text{k}}_{\text{t}-1}\）：时间t-1的市场状况。（\({\text{k}}_{\text{it}}\）：时间t的市场状况。（\(\text{Ln}\）：对数。

Model estimation（Engle 2002）提出将动态条件相关性度量纳入多变量GARCH框架，以有效监控市场回报的横截面。同样，Kenett等人（2010）提出使用部分或残差相关系数来准确评估两个序列之间的直接相关性，同时考虑一个或多个共同成分的存在。大量学术工作研究了金融市场中的系统性风险，特别关注金融资产的相互关联性和联动性。评估系统性风险的主要方法包括Adrian和Working（2016）开发的CoVaR方法、Billio等人（2012）提出的基于格兰杰因果关系的网络，以及Diebold和Yilmaz（2012, 2014）开发的动态连通性方法。（Adrian和Workin 2016；Billio等人2012）旨在研究变量之间的相互关系。另一方面，Diebold和Yilmaz（2012, 2014）开发了一个更通用的框架，用于捕捉多个时间序列的动态。他们提出的GCM是从[0, 1]范围内推广的，虽然不能描述因素之间任意结构的相互联系，但其变量的连通性结构是有限的。TCI表明，市场风险在理论上是无限的，可以超过100%。Gabauer等人（2023年）引入了无模型和无条件的连接度量方法。其中一项研究表明，当VAR系数不具有统计显著性时，GFEVD值几乎等同于双变量回归的R2值，这表明将TCI值与标准化基准进行协调是具有挑战性的。这一结果支持了Diebold和Yilmaz（2012年、2014年）提出的统一框架的呼吁。受Abubakr等人（2024年）先前工作的启发，R2分解方法最初由Genizi（1993年）提出，作为Kennett及其同事（2010年、2015年）开发的部分相关框架的一部分。随后，Gabauer等人（2023年）提出了基于无模型和R2的连接性框架，引入了R2DC。该模型详细揭示了每个变量对系统总解释能力（R2）的贡献程度。我们在一个滚动200天的窗口内估计连接性。这个长度在统计精度和制度敏感性之间取得了平衡，使得度量方法能够适应结构性断裂，而不会被遥远的历史事件所主导。200天的时间范围在金融时间序列中广泛使用，以精确解决这种偏差-方差权衡问题。在每个窗口中，使用贝叶斯信息准则（BIC）选择VAR阶数，以避免过度参数化并保持样本外的可解释性。BIC倾向于简约的动态，减少可能夸大连接性的虚假滞后联系。我们的稳健性部分进一步通过使用基于等级的依赖性（Spearman/Kendall）重新计算来证明线性相关性的伪影不会影响结论。

根据Gabauer等人（2023年）和Balli等人（2023年）的无模型和基于R2的连接性框架，VAR-VMA框架可以写成如下形式：
$$y_{t} = \mathop \sum \limits_{n }^{h} \psi_{n} y_{t - n} + c_{t} = \mathop \sum \limits_{n = 0}^{\infty } \Omega_{n} c_{t - n} , \Omega_{n} = N_{k}$$
（2）
在方程（2）中，\({y}_{t}\)、\({y}_{t-n}\)和\(k*\) 1分别代表内生参数向量、截距向量和\(k*\)维的方差-协方差矩阵。我们从（Pesaran和Shin 1998年）的工作中借鉴了GFEVD-\({R}^{2}\)的框架。GFEVD-\(R2\)和GFEVD框架可以表述为：
$$\psi_{ij} \left( h \right) = \frac{{\sum q_{jj}^{ - 1} \mathop \sum \nolimits_{h = 0}^{h - 1} (k^{\prime}_{i} \Omega_{h} \left( \tau \right)\sum \left( q \right)k_{j} )^{2} }}{{\mathop \sum \nolimits_{h = 0}^{h - 1} (k^{\prime}_{{i {\Omega }_{h} }} \Omega_{h} \left( \tau \right)\sum \left( q \right)k_{i} ) }} = \left( {\frac{{\sum_{nj} }}{{\sqrt {\sum_{nj} \sum_{ii} } }}} \right)^{2} = R_{ij}^{2}$$
（3）
$$\psi_{ij} \left( h \right) = \frac{{R_{ij}^{2} }}{{\mathop \sum \nolimits_{h = 1}^{k} R_{ij}^{2} }}, \;\mathop \sum \limits_{h = 1}^{k} \psi_{ij} \left( h \right) = 1, \mathop \sum \limits_{n,h = 1}^{k} \psi_{ij} \left( h \right) = K$$
（4）
接下来，我们使用NET，即“TO”和“FROM”其他系列之间的差异：
$$TO = \mathop \sum \limits_{j = 1}^{k} R_{j,i}^{2g}$$
（5）
$$FROM = \mathop \sum \limits_{j = 1}^{k} R_{i,j}^{2g}$$
（6）
在方程（6）中，我们可以将\(TO\)写为\(\sum_{j=1}^{k}{R}_{j,i}^{2g}\)，在方程（6）中，我们可以将\(FROM\)写为\(\sum_{j=1}^{k}{R}_{i,j}^{2g}\)。因此，分位数\(\tau\)处的净连接指数可以写为：
$$NCI_{i} \left( \tau \right) = \mathop \sum \limits_{j = 1}^{k} R_{j,i}^{2g} - \mathop \sum \limits_{j = 1}^{k} R_{i,j}^{2g}$$
（7）
表示为\({R}_{j}^{2}\)，其值介于0和1之间。

在对DCC-GARCH模型进行估计后，我们为市场参与者（如投资者和基金经理）进行了关键的对冲分析，这有助于他们管理风险并做出更明智的投资决策。通过减轻下行风险，投资者可以实现更有利的风险调整回报。具体来说，我们按照（Kroner和Jahangir 1993年）的方法计算对冲比率（HR）：
$$\theta_{cg} = \frac{{h_{asset\;a - assest\;b} }}{{h_{assest\;bs} }}$$
（8）
其中\({h}_{uncertainty- bond}\)代表条件值。\({h}_{assest\;b}\)表示变量市场回报的方差。为了评估对冲效果（HE），我们采用了（Ederington 1979年）提出的方法：
$$HE=1-\frac{Var\left(Hedged\right)}{Var\left(Unhedged\right)}$$
（9）

描述性统计
本节特别回顾了描述性统计（表1）和成对相关性（表2）的第一轮输出。除了总体汇总统计外，我们还检查了所选序列的非线性、非正态性、偏度和峰度。所有序列总共包含1528个观测值。所有数据值都接近零，并且具有正均值。中位数接近均值，偏差较小。所有考虑的时间序列中最小的极端回报都是负的，这表明在不同金融动荡时期（如CV-19和RU19）冲击对数据的影响程度。数据点接近各自的平均值，标准差（SD）值也反映了这一点。变量不对称，非零的负偏度系数表明了这一点。这些序列的峰度也被拒绝为正态分布，因为数值大于三，表明偏离了正态分布。Jarque–Bera检验通过，所有序列的正态性检验在99%的水平上不显著。因此，序列的时期不遵循正态分布。

表1 描述性统计
表2 相关性结果

表2记录了两个序列之间的成对Kendall等级相关性。所有配对相关性在统计上都是显著的。比特币与NEX指数表现出稳健的正相关性，相关系数为0.182。这两个变量之间的相关性为0.175，表明它们之间存在强烈的关联。另一方面，值得注意的是，比特币与绿色能源的使用表现出显著的相关性，相关系数为0.002。AI与NEX和SPCE表现出明显的正相关性，相关系数分别为0.57和0.49。相反，它与ICI的相关性相对较弱，相关值为0.08。同样，碳市场和可持续性市场之间也存在正相关性，尽管在NEX和SPCE的情况下观察到了明显的限制。观察到的最高相关性约为0.61，出现在NEX和SPCE变量之间。

图2和表3展示了所选序列的R2DC。它捕捉了总体行为，而不是隔离特定市场制度或时间非平稳性中各种变量的动态和相互作用。结果揭示了冲击对系统中其他变量变化的影响程度。如果一个序列对其他变量的影响大于其自身的影响，则该序列被视为冲击的净传输者；反之，则为净接收者。此外，表中呈现的值说明了整体的R2分解度量，分别表示为O，表示同时期（C）和滞后（L）R2分解的连接性。我们采用了基于文献的滚动窗口（200天），包括Diebold和Yilmaz（2012年、2014年）的方法，这为测量金融市场中的连接性提供了一些系统框架，是理解不同资产类别之间动态相互关系的基础。选择200天的滚动窗口在拥有足够样本量以可靠地估计波动性和相关性与不对市场条件变化过于敏感之间取得了平衡。这种窗口大小常用于金融时间序列，因为它能够快速而公平地估计长期趋势和周期性，同时不牺牲时间准确性。我们的估计利用了最小滞后结构来识别价格行为的潜在前兆。贝叶斯信息准则（BIC）被用来选择能够捕捉数据动态而不过度拟合的滞后结构。

图2
\(R2\)分解度量的连接性图

表3 分解连接性

观察到平均TCI为60.04%。这表明，平均而言，左侧（LHS）因素的60.04%的方差可以由右侧（RHS）元素解释。将这一度量分解为其同时期和滞后组成部分后，显然57.54%的度量可以归因于同时期动态，而仅有2.5%与滞后依赖性相关。大约60%的系统范围TCI意味着，平均而言，每个市场超过一半的变化可以由其他市场解释。对于投资者和投资组合管理者来说，这意味着简单地分散投资于AI、碳、清洁能源和比特币并不能完全隔离投资组合，因为跨市场冲击是实质性的。对于政策制定者来说，高TCI表明一个转型支柱（例如能源或数字资产）的压力可以迅速传递到其他支柱，这证明了在波动时期需要这些市场之间的协调沟通和宏观审慎监控。

值得注意的是，FROM和TO变量之间的同时期连接度量显著高于它们的滞后度量。具体来说，NEX、SPCE和AI的同时期度量分别为78.5、70.6和65.65。此外，观察到比特币的滞后度量为2.38，其次是AI的2.37。主导的同时期连接性表明了共同的信息冲击，例如政策头条、宏观经济数据或全球风险上升/下降的移动，这些因素在一天内使这些资产一起波动。因此，依赖于同日抵消的对冲（例如，日内叠加、指数期货）比缓慢的重新配置更为相关。较小但非零的滞后渠道（例如BTC和AI）表明某些冲击会延迟传播，为第二天的再平衡规则和基于信号的叠加（例如，在BTC引领的风险上升事件后降低AI的beta）打开了大门。

结果还表明，BTC经历了0.25%的显著自我驱动影响。BTC剩余的约16.74%的变化可以归因于系统网络，占总变化的约15%。将这一度量分解为其同时期和滞后组成部分后，显然4.35%的度量可以归因于同时期动态。相比之下，仅有2.38%与滞后依赖性相关。研究确定了来自技术行业的诱导溢出效应，而不是清洁能源市场。这些溢出效应被发现传递到了AI领域，而不是SPCE。分析考虑了各种度量，包括同时期和滞后变量，以捕捉这些溢出效应的程度。

研究结果还表明，NEX表现出0.44%的统计显著自我驱动影响。NEX剩余变化的大约35%可以归因于系统，特别是AI和SPCE市场的顶级渠道，分别占这些市场传输的约42%和34%。将这一度量分解为其同时期和滞后组成部分后，观察到在整体、同时期和滞后度量中相同的构成占主导地位。同样，清洁能源市场中的主导溢出效应源自并扩展到技术行业和AI。这些效应可以通过同时期和滞后度量观察到。ICI负责接收和传输系统对应方之间的8.73%的总冲击。这表明ICI在各自市场中作为净冲击传输者发挥了重要作用，占总体冲击的0.32%。2020年3月左右的TCI激增反映了全球流动性冲击和强制去风险化，压缩了跨资产相关性并削弱了多样化。2022年3月后的回升与俄罗斯-乌克兰战争一致，提高了能源转型风险溢价（输入成本、供应瓶颈），并使清洁能源和碳定价与更广泛的风险资产同步。对于投资组合构建来说，这意味着在平静时期有效的对冲（低TCI）在全局冲击期间（高TCI）会减弱；应预先准备应对压力时期的叠加措施（例如，针对波动性的尾部风险对冲）。

这一发现是合乎逻辑的，因为它表明美国越来越能够采用和整合技术、可再生能源和比特币。这种能力对于实现可持续的环境增长和建立环保系统至关重要。这一发现与其他学者（如Urom等人（2022年）的研究结果一致。这些市场之间的紧密联系，加上它们对外部干扰的敏感性，可以阐明市场的运营表现。根据观察结果，可以得出结论：尽管每对变量具有不同的特征，但它们之间存在显著的相关性。然而，依赖系统之间的相互联系来指导交易决策是不明智的，因为这些联系的稳定性会随时间显著变化。我们的发现与Huynh等人（2020年）的研究结果一致，他们发现了人工智能股票、机器人股票和绿色债券之间的相互关联性；同时，Tiwari等人（2021年）的研究也表明人工智能股票和碳价格之间存在依赖关系。清洁技术股票组合（NEX/SPCE）表现出最高的同期“TO”份额，这表明它在共同冲击下是净传输者——这与关于补贴、利率或供应链重新定价的清洁技术增长敏感性的新闻相符。比特币则表现出相对较高的滞后“FROM”份额，使其在短期内成为净接收者；投机/流动性周期倾向于吸收而非引发更广泛的溢出效应。碳作为传输者的作用较小但不可忽视，这与政策驱动的调整对清洁技术估值和人工智能相关行业的影响一致。对于资产配置者来说，这一领导力图谱表明应关注清洁技术作为早期指标，并主要将比特币视为风险放大器而非对冲工具。

图2展示了R2DC，它量化了各序列之间的关联程度。黑色代表各种时变变量之间的整体相互关联性，而棕色和绿色分别代表同期和滞后关系。结果显示，整体连通性超过40%。此外，在极端市场条件下，特别是2020年3月宣布COVID-19疫情后，所研究序列之间的TCI水平最高，约为80%。2022年3月之后，随着与俄乌冲突相关的重大事件发生，相互关联性显著增加，超过了60%。这一连通性水平高于COVID-19疫情和随后的战争时期。获得的结果与之前的研究结果一致（Demiralay等人2022年；Lorente等人2022年；Shahzad等人2023年），他们报告称金融市场之间的相互关联性和相互依赖性在各个时间尺度上都有所增加。将这一指标分解为其同期和滞后成分后，可以看出同期成分显示出整体连通性的持续动态，而滞后依赖性则变化较小。

图3展示了每个序列的净连通性。黑色象征着各种时变元素之间的全面相互关联性。棕色和绿色分别代表同期和滞后关系。绿色（滞后）的净连通性变化主要体现在碳信用市场和比特币上，对人工智能市场的影响较小。相比之下，绿色能源和技术市场主要受同期（即时）净连通性的影响。值得注意的是，比特币的连通性分解受到COVID-19疫情以及与人工智能和技术相关市场的影响。在转型相关市场之间观察到的强烈且由事件驱动的相互关联性突显了综合金融监管的重要性。突然的政策变化，如新的碳定价机制、排放交易调整或加密货币法规，可以迅速在技术、能源和数字资产市场之间传递冲击。这种同步性反映了气候政策和技术创新周期作为相互关联的传递渠道的作用。为了减轻这些系统性影响，监管机构应协调政策沟通，密切监控跨市场流动性，并采取逆周期工具，在市场波动加剧期间稳定清洁技术和数字资产基金。

图3显示了基于200天滚动窗口（VAR）方法计算的R2DC指标。

图4和图5展示了研究结果的稳健性分析，使用动态总连通性作为这些检查的基础。皮尔逊相关系数被斯皮尔曼和肯德尔等级相关系数所替代，以减少异常值的影响。这些替代系数表明对异常值的影响较小。根据观察到的结果定量相似性，可以推断出实证研究具有高度的稳健性。分析表明，在极端市场条件下，所研究序列显示出最高的TCI水平，特别是在tCV19疫情和RUW事件之后。斯皮尔曼和肯德尔的TCI水平分别超过了70%和60%（见图6）。

DCCt-Copula方案创建了20个双变量投资组合，以研究净 pairwise 溢出效应。我们的分析重点关注了绿色资产、人工智能技术、比特币和碳市场在应对不频繁的非基本面全球冲击时的对冲作用。我们选择这些资产是因为它们与可持续投资和创新领域的新兴投资策略相关。研究中故意未包含黄金，因为我们探讨了在21世纪越来越重要的非传统资产的行为。黄金作为投资组合风险对冲的基础是无可争议的，并有充分的文献记录，其历史可以追溯到几千年前，具有独特的物理形态和货币作用；我们的论文提出了对替代资产潜力的研究，这些资产可以作为现代投资组合中传统资产（如黄金）的补充。表4展示了优化过程的结果，其中平均值列表示资产在投资组合中的平均比例。例如，AI/SPCE投资组合的平均值为0.7，表明人工智能市场在投资组合中的平均权重为70%。此外，HE计算值为0.09。变量Q在5%的水平表示市场动荡状态，而在95%的水平表示市场看涨。AI/SPCE投资组合在5%和95%分位数处的Q值分别为0.26和1。分析的最后一列表示p值，表明每对双变量投资组合的显著性。投资组合在清洁能源、人工智能和技术方面的HE值分别为0.78%、0.71%和1%。特别是在极端市场条件下，投资组合显示出高HE值。比特币的权重显著较低。比特币对的时间敏感性较强，其动态表现出混合特征。在避险螺旋中，比特币倾向于与成长资产正相关（作为弱对冲工具）；在流动性恢复期间，它可以提供独特的上涨空间，从而改善风险调整后的回报。这种不对称性提醒我们不要将比特币视为结构性风险的对冲工具。如果使用比特币进行对冲，应采取战术性措施，设置回撤限制和波动率上限，而不是作为核心防御性配置。

最后，我们得出结论：ICI与AI/SPCE对的高HE值表明，碳暴露部分对冲了技术/清洁技术的β风险，因为碳价格包含了与增长/创新冲击部分正交的政策风险和合规需求。相反，AI/SPCE对的HE值较低，反映了共同的暴露（长期现金流、供应链/利率敏感性）。换句话说，将因相同新闻（如政策支持、利率或投入成本）而同时上涨的资产配对提供的保护较弱；与政策相关的资产（如碳）配对可以提供更好的多元化效果。当TCI较低时，跨市场多元化变得有意义，AI/清洁技术配对可以有效降低特异性风险。当TCI较高时，当日冲击占主导地位，只有正交暴露（例如碳配额、选择性能源暴露和明确的尾部对冲）才能提供保护。鉴于存在较小但存在的滞后渠道（尤其是通过比特币和人工智能），次日规则（如在比特币飙升后降低风险）可以在不牺牲上涨空间的情况下略微改善回撤控制。

本研究使用2017年12月至2023年11月的日数据，通过先进的分析技术研究了COVID-19疫情和俄乌冲突期间人工智能、碳金融、绿色能源和加密货币市场之间关系的变化，特别是在危机期间的高度相互关联性。研究发现，环保资产在市场动荡期间能够有效降低风险。环保资产在市场动荡期间表现出的显著HE值表明，投资者和基金经理应将这些资产纳入投资组合中。这种策略不仅有效降低了风险，还符合可持续和道德投资的原则。将绿色投资纳入投资组合以在危机期间稳定它们的重要性强调了促进和激励绿色能源和碳金融投资的政策措施的必要性。高同期溢出的证据突显了可持续驱动市场和数字资产市场之间的系统性相互依赖性。对于政策制定者来说，这表明需要在协调的宏观审慎框架内整合碳定价工具和绿色技术激励措施。对于投资者而言，理解这些联系有助于制定动态的投资组合再平衡策略，以预测来自数字资产冲击对气候金融工具的溢出效应。政策制定者必须建立实时监控系统，及时应对影响这些相关市场的市场波动。减轻全球危机对这些波动市场的影响至关重要。此外，可持续金融政策可以促进投资实践的稳定性和对道德原则的遵守。

此外，这些市场的复杂性和快速发展强调了投资者和基金经理持续教育和培训的重要性。全面了解每个行业的复杂性对于做出明智的投资决策至关重要。考虑到这些市场的全球范围和对全球事件的敏感性，加强国际合作以制定政策和管理危机至关重要。最终，利用尖端技术增强市场分析以及优先考虑道德和可持续投资实践至关重要。这些策略将有助于有效应对这些市场相互关联性带来的挑战，并利用它们在日益互联的全球经济中提供的潜力。政策制定者必须迅速采取行动，帮助投资者了解投资可再生资产和数字货币的好处和风险。有针对性的教育计划和广泛的公众意识活动可以为公众提供必要的见解，使他们能够做出明智的决策。这样更有见识的公众将更好地应对这些复杂市场中的不断变化。此外，技术设计者必须与监管机构密切合作，确保持续发展符合公平和消费者保护的理想。这种合作可以促进区块链等新兴技术在碳抵消和可再生能源交易中的应用，提高这些领域的开放性和可靠性。通过解决这些紧迫需求，领导者可以促进这些相关领域的可持续增长和稳定，确保每个领域都对经济和环境福祉做出贡献。

进一步的研究将关注投资市场的适应效应以及可持续资产在减少风险和增强投资组合韧性方面的贡献。未来的研究人员可以并且应该包括与黄金的比较，以具体说明这些传统和非传统资产在对冲组合中相对于系统性风险的表现。这些研究将有助于更全面地了解新的资产类别如何在不同的投资环境中共存，或者如何增强现有的对冲机制。