基于尺度感知的文本与数值信息动态融合方法在中国碳排放交易市场碳价预测中的应用

《Engineering Applications of Artificial Intelligence》：Scale-aware dynamic fusion of textual and numerical information for carbon price forecasting in Chinese emissions trading markets

　　

Rui Liu|Chaoyong Qin

广西大学数学与计算机科学学院，中国南宁市530004

摘要

在碳排放交易体系中，碳价预测是人工智能在政策评估、合规规划、风险管理以及碳资产配置领域的重要应用。现有研究往往将文本信息视为同质的短期信号，这限制了它们解释新闻情绪和政策相关语义如何在不同时间尺度上影响碳价的能力。本研究构建了一个具有尺度感知能力的深度学习框架，该框架能够动态融合数值市场变量与新闻及政策文本，以实现一步预测碳价。文本信息通过两种互补的渠道进行表示：一种是为捕捉短暂市场反应设计的情绪渠道，另一种是为捕捉更为持久的政策和监管信息设计的语义渠道。碳价被分解为不同频率的组成部分，每个部分都通过具有尺度特定性的融合子网络来建模。该框架采用双向交叉注意力机制来学习文本特征与数值特征之间随时间变化的交互关系，并利用经过注意力强化的双向长短期记忆网络来进行预测。来自湖北和广州碳排放交易市场的实证结果表明，所提出的人工智能框架相比主流模型具有更高的预测精度。进一步的消融实验、稳健性分析及可解释性分析表明，情绪信息主要影响高频价格波动，而政策相关语义则对中短期和中期至长期的价格走势具有更强的预测作用。这些发现体现了尺度感知型文本融合在可解释的碳价预测中的价值。

引言

在全球气候变化背景下，碳排放减少政策与经济增长目标之间的平衡愈发重要（Li等人，2024）。极端气候事件和监管压力要求市场参与者准确预测碳价波动，以便进行政策评估、合规规划、风险管理以及碳资产配置（Nordhaus，2007；Zhu等人，2017）。然而，碳价具有极高的波动性、非稳态性，且受到多种数值市场变量以及文本信息的影响，包括新闻情绪和政策相关内容（Liu等人，2025；Gao等人，2024）。

目前，碳价预测研究主要沿着两条互补的路径发展。第一条路径侧重于通过计量经济学、机器学习和深度学习方法提升模型性能，从ARMA、GARCH、VAR模型（Byun和Cho，2013；Arouri等人，2012；Zeng等人，2021）到LSTM-CNN和基于Transformer的混合架构（Zhou等人，2022；Sun和Huang，2020；Huang等人，2024）。最近，将价格分解为不同频率成分并采用集成策略的多尺度方法逐渐兴起，提升了不同时间分辨率下的预测性能（Zhu等人，2018；Zhang等人，2018；Chen和Zhao，2024；Zeng等人，2024）。第二条路径则强调整合多源外部信息，如能源价格、宏观经济指标以及政策不确定性（Wang等人，2023；Chen等人，2025；Liu等人，2024；Borozan和Pirgaip，2024）。近期研究还开始探索文本信息的作用，发现新闻情绪和政策论述能够提供超越数值数据的预测信号（Zhou和Du，2025；Liang等人，2024）。

尽管取得了这些进展，但仍存在三方面的局限性。首先，文本信息通常被视为同质的同步信号，无法区分短暂的情绪冲击与持久的政策相关语义（Zhou和Du，2025）。其次，文本效应很少以具有尺度感知的方式建模，往往隐含着认为其影响在各个时间跨度内保持不变的观点（Liang等人，2024）。第三，文本特征与数值特征之间的跨模态融合通常是静态的，无法捕捉不断变化的碳市场中的时变且非对称的交互关系（Gao等人，2024）。

为解决这些问题，本研究提出了一种用于碳价预测的多尺度动态文本-数值融合框架。该框架将碳价分解为不同频率的成分，并采用双通道文本表示方法，从而区分由情绪驱动的短期冲击与由政策驱动的中长期影响。在每个具有尺度特定性的子模型中都应用了双向交叉注意力机制，使得数值信息与文本信息之间的动态交互能够随着时间和市场状况的变化而调整。该框架以经过注意力强化的Bi-LSTM网络作为预测核心，同时通过贝叶斯优化确保模型的稳健性和泛化能力。

本研究的贡献如下：

(1) 用于碳价预测的尺度感知型文本融合：与以往将所有文本信息视为同质信号的研究不同，本框架将与情绪相关的特征与高频价格波动相对应，而将政策相关的语义信息与碳价动态中更为持久的成分相联系。

(2) 动态双向跨模态建模：通过具有尺度特定性的双向交叉注意力机制融合文本特征与数值特征，从而实现既基于文本条件的数值表示，也基于市场条件的文本表示。这种动态融合使得文本信息对价格的影响能够在不同时间、市场状况和频率范围内发生变化，优于传统的静态拼接策略。

(3) 关于市场信息传递的实证见解：除了提升预测精度之外，该框架还揭示了在重构的不同频率成分中，情绪信息和政策语义具有不同的贡献程度，从而阐明了文本信息影响碳价动态的机制。

(4) 全面的稳健性及可解释性评估：本研究通过开展消融实验、基于注意力的可解释性分析、超参数敏感性分析以及泛化性能测试，确保研究结果具有稳健性、可靠性及实用性，为所提框架的实际应用提供了有力支持。

章节节选

碳价预测与多尺度分解

碳价预测研究已从传统的计量经济模型发展到现代的深度学习方法。早期研究主要依靠ARMA、VAR和GARCH模型来描述条件异方差性、风险传导以及溢出效应（Byun和Cho，2013；Arouri等人，2012；Zeng等人，2021）。随着数据获取能力和计算性能的提升，机器学习和深度学习模型越来越多地被应用于碳价预测领域，

方法论

在本节中，我们构建了一个具有动态跨模态融合功能的多尺度深度学习框架，用于碳价预测，该框架被称为多尺度动态跨模态融合模型（MS-DCMF）。如图1所示，该框架包含四个阶段：文本信息处理、分解与重构、特征融合与预测，以及集成与评估。

数值数据

为测试所提模型在各地碳排放市场中的适用性和稳健性，我们对中国的两个具有代表性的碳排放交易试点市场——广州和湖北进行了实证分析。广州的碳排放交易数据来源于广州碳排放权交易所（https://www.cnemission.cn/），数据时间范围为2014年3月11日至2023年12月29日，共有2143个有效的交易日。湖北的碳排放交易数据来源于湖北碳排放权交易所（http://www.hbets.cn/），数据时间范围为2014年4月2日至2023年12月28日，

结果与讨论

实证分析使用了湖北和广州市场的收盘价，来评估第3节中提到的多尺度动态特征融合框架的性能。数据集包含了按日期整理的新闻和政策文本，以及来自多个来源的外部协变量，涵盖了能源价格、国际碳市场关联度、宏观经济状况以及不确定性冲击等关键因素。该分析从模型有效性、稳定性及可解释性三个方面展开，

结论

本研究探讨了文本信息在碳价预测中的作用，并提出了一种名为MS-DCMF的多尺度动态跨模态融合框架。通过将碳价分解为不同频率的成分，同时整合数值变量与情感和语义层面的文本特征，该框架能够捕捉到短期的市场反应以及更为持久的政策相关信息。来自湖北和广州碳排放交易市场的实证证据表明，

CRediT作者贡献声明

Rui Liu：撰写——审阅与编辑，撰写——初稿，可视化，验证，方法论，形式分析，数据整理，概念构建。Chaoyong Qin：撰写——审阅与编辑，监督，软件，资源，项目管理，资金获取，形式分析。

利益冲突声明

作者们声明存在以下可能被视为潜在利益冲突的财务利益或个人关系：Chaoyong Qin表示其研究得到了中国国家自然科学基金的资助。其他作者则声明自己没有已知的可能影响本文研究结果的财务利益或个人关系。