CN115330435A - 一种碳排放权价格指标体系建立方法、装置、设备及介质 - Google Patents
一种碳排放权价格指标体系建立方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115330435A CN115330435A CN202210839218.0A CN202210839218A CN115330435A CN 115330435 A CN115330435 A CN 115330435A CN 202210839218 A CN202210839218 A CN 202210839218A CN 115330435 A CN115330435 A CN 115330435A
- Authority
- CN
- China
- Prior art keywords
- index
- data
- indexes
- carbon emission
- covariance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 4
- 239000003245 coal Substances 0.000 description 10
- 238000000556 factor analysis Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 239000010779 crude oil Substances 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- GUWKQWHKSFBVAC-UHFFFAOYSA-N [C].[Au] Chemical compound [C].[Au] GUWKQWHKSFBVAC-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种碳排放权价格指标体系建立方法、装置、设备及介质,属于计算技术领域,能够输出合理评估碳排放权价格的有效指标体系。具体地,通过将结构方程模型应用在碳排放权价格评估上,结构方程量化的是整个系统的因子结构,这与金融市场互相牵制,互相影响的形态是共通的,一个指标的变化就可能使得整个结构方程发生变化,因此通过结构方程模型输出的碳排放权价格指标体系对于碳排放权价格的评估更为合理。
Description
技术领域
本公开涉及计算技术领域,具体地涉及用于碳排放权价格指标体系建立的方法、装置、设备及介质。
背景技术
中国碳交易市场暂时处于发展前期,碳排放权价格(或简称碳价)的归因分析大多集中在线性回归分析。在线性回归中,假设自变量指标是没有误差的项,而实际上很多指标都来自二级市场数据,这个假设是不满足的,从而导致无法合理的针对碳排放权价格的影响因素分析进行量化。
发明内容
本公开的目的在于,针对现有技术中存在的问题,提供一种碳排放权价格指标体系建立方法的方法、装置、设备及存储介质,以解决或至少缓解上述问题。
根据本公开的一个方面,提出一种碳排放权价格指标体系建立方法,
获取原始图像数据集,对原始图像数据集预处理,
基于所述数据集,利用深度学习方法训练获得第一分割模型,所述第一分割模型用于对多器官的粗分割,
基于所述第一分割模型获取多器官的粗分割结果,
S0创建指标库,所述指标库包括与所述碳排放权价格相关的指标序列数据,其中在数据并非全部为正态分布的情况下,样本量根据具体指标需要满足一定的阈值,样本量需要达到1000个,更有助于保证模型结果在统计上的可靠性。
S1建立滑动时序数据窗口,其中样本为时间序列数据,时间标号为t0,t1,…,tn.循环取用时序数据,以样本时间t0为起点,每次取m个数据点,其中n>m,进行以下步骤S2-S5,下一次循环起点为t1,最后一次循环起点时间为tn-m+1,
S2指标序列数据正态性处理和估计,利用shapiro正态检验判断每个单指标是否正态,如果都是正态,记为状态A,如果不全是正态,使用博克斯考克斯正态变型对非正态数据变型,如果所有变型检测的p值大于0.05,则对每个指标都替换原数据为变换后的数据,并记为状态A,否则不变换原数据,记为状态B,
S4确定潜变量数量,对经过步骤S3处理过的指标,进行主成分分析,保留特征值>1的主成分,保留的主成分个数q,即为模型潜变量个数,
S5模型拟合,使用结构方程建模,对于状态A,使用基于正态分布的极大似然估计,对于状态B,使用广义最小二乘估计,该估计的拟合函数为:FGLS = 1/2 tr{[(S-Σ(θ))W-1]2},其中,S为指标计算得出的协方差矩阵,Σ为由假设模型推出的总体协方差矩阵,θ是结构方程模型的未知参数,W-1是残差的加权矩阵,选取W-1= S-1,广义最小二乘估计即使得FGLS取得最小值的θ,确定了估计方法后,对所有指标构建q因子模型,并计算CHI卡方值,RMSEA近似误差均方根,GFI拟合优度检验,SRMR标准化均方根残差,得到拟合优度时间序列,
其中,CHI = (N-1)FF,FF是拟合函数最小值,N是样本量,
RMSEA = sqrt{max((CHI-df)/(N-1),0)/df},df是自由度,
GFI = 1-tr[(E-1S-I)2]/tr[(E-1 S)2],其中,E为再生相关矩阵,S为样本相关矩阵,
SRMR = sqrt{2ΣiΣj(sij-eij)2/[p(p+1)]},sij是样本相关矩阵S,eij是再生相关矩阵E的元素,其中p表示指标个数,
S6判断拟合良好的时间区间,根据已经计算好的所述拟合优度时间序列,t0,t1,…,tn,观察各拟合指标的走势,其中,SRMR<0.08,MSEA<0.1, GFI>0.9,NFI>0.9为拟合良好的时间区间,
S7对于所述拟合良好的时间区间,首先,找出所述碳排放权价格所在的潜变量,即碳排放权价格在该组里为有显著系数的指标,同组系数显著的指标与碳排放权价格关系紧密,这些指标和碳排放权价格可以代表同一潜变量,选出同组负荷不低于0.5的指标,其次,进行潜变量之间协方差估计,其中协方差接近-1为高度负相关,接近1为高度正相关,接近0为无关,选出协方差大于0.3的潜变量,并从中选出负荷大于0.7的指标集合,即与碳排放权价格相关的指标集合。
在一些实施例中,所述使用结构方程建模,默认旋转方式为斜交旋转,即默认潜变量之间相关。
在一些实施例中,所述对于状态A,使用基于正态分布的极大似然估计,其中,拟合函数经过推导为:FML = tr(SΣ-1(θ))+log|Σ(θ)|-log|S|-p,其中,S为指标计算得出的协方差矩阵,Σ为由假设模型推出的总体协方差矩阵,θ是结构方程模型的未知参数,tr(A)表示矩阵A的迹,即矩阵A对角线元素之和;log|A|表示矩阵A的行列式的对数,参数估计值就是使得这个拟合函数值最小的参数值,且检验统计量(m-1)min{FML}的渐进分布是卡方分布。
根据本公开的另一个方面,提出一种碳排放权价格指标体系建立装置,包括,
创建指标库单元,用于创建指标库,所述指标库包括与所述碳排放权价格相关的指标序列数据,其中在数据并非全部为正态分布的情况下,样本量需要达到1000个,
滑动时序数据窗口单元,用于建立滑动时序数据窗口,其中样本为时间序列数据,时间标号为t0,t1,…,tn.循环取用时序数据,以样本时间t0为起点,每次取m个数据点,其中n>m,进行以下步骤S2-S5,下一次循环起点为t1,最后一次循环起点时间为tn-m+1,
正态性处理和估计单元,用于指标序列数据正态性处理和估计,利用夏皮罗-威尔克shapiro正态检验判断每个单指标是否正态,如果都是正态,记为状态A,如果不全是正态,使用博克斯考克斯正态变型对非正态数据变型,如果所有变型检测的p值大于0.05,则对每个指标都替换原数据为变换后的数据,并记为状态A,否则不变换原数据,记为状态B,
潜变量确定单元,用于确定潜变量数量,对经过步骤S3处理过的指标,进行主成分分析,保留特征值>1的主成分,保留的主成分个数q,即为模型潜变量个数,
模型拟合单元,用于模型拟合,使用结构方程建模,对于状态A,使用基于正态分布的极大似然估计,对于状态B,使用广义最小二乘估计,该估计的拟合函数为:FGLS = 1/2 tr{[(S-Σ(θ))W-1]2},其中,S为指标计算得出的协方差矩阵,Σ为由假设模型推出的总体协方差矩阵,θ是结构方程模型的未知参数,W-1是残差的加权矩阵,选取W-1= S-1,广义最小二乘估计即使得FGLS取得最小值的θ,确定了估计方法后,对所有指标构建q因子模型,并计算CHI卡方值,RMSEA近似误差均方根,GFI拟合优度检验,SRMR标准化均方根残差,得到拟合优度时间序列,
其中,CHI = (N-1)FF,FF是拟合函数最小值,N是样本量,
RMSEA = sqrt{max((CHI-df)/(N-1),0)/df},df是自由度,
GFI = 1-tr[(E-1S-I)2]/tr[(E-1 S)2],其中,E为再生相关矩阵,S为样本相关矩阵,
SRMR = sqrt{2ΣiΣj(sij-eij)2/[p(p+1)]},sij是样本相关矩阵S,eij是再生相关矩阵E的元素,其中p表示指标个数,
判断单元,用于判断拟合良好的时间区间,根据已经计算好的所述拟合优度时间序列,t0,t1,…,tn,观察各拟合指标的走势,其中,SRMR<0.08,MSEA<0.1, GFI>0.9,NFI>0.9为拟合良好的时间区间,
指标集合输出单元,对于所述拟合良好的时间区间,首先,找出所述碳排放权价格所在的潜变量,即碳排放权价格在该组里为有显著系数的指标,同组系数显著的指标与碳排放权价格关系紧密,这些指标和碳排放权价格可以代表同一潜变量,选出同组负荷不低于0.5的指标,其次,进行潜变量之间协方差估计,其中协方差接近-1为高度负相关,接近1为高度正相关,接近0为无关,选出协方差大于0.3的潜变量,并从中选出负荷大于0.7的指标集合,即与碳排放权价格相关的指标集合。
根据本公开的另一个方面,提出一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,
所述处理器执行所述计算机程序时实现上述方法的步骤。
根据本公开的再一个方面,提出一种用以存储处理器可执行指令数据的计算机可读存储介质,所述计算机可读存储介质中存储的处理器可执行指令数据在被执行时能够致使处理器实施如上所述碳排放权价格指标体系建立方法。
本公开提供了一种碳排放权价格指标体系建立方法的方法、装置、设备及存储介质,能够输出合理评估碳排放权价格的有效指标体系。具体地,通过将结构方程模型应用在碳排放权价格评估上,结构方程量化的是整个系统的因子结构,这与金融市场互相牵制,互相影响的形态是共通的,一个指标的变化就可能使得整个结构方程发生变化,因此通过结构方程模型输出的碳排放权价格指标体系对于碳排放权价格的评估更为合理。
附图说明
下面结合附图,通过对本公开的具体实施方式详细描述,将使本公开的技术方案及其它有益效果显而易见。
图1为本公开实施例提供的碳排放权价格指标体系建立方法的方法流程示意图。
图2为本公开实施例提供的碳排放权价格指标体系建立装置示意图。
图3为本公开实施例提供的电子设备结构示意图。
具体实施方式
下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。本公开的说明书和权利要求书以及附图中的术语,术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排它的包含。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本公开中的具体含义。
实施例一:
具体地,请参阅图1,为本公开提供的一种碳排放权价格指标体系建立方法的方法。具体步骤如下:
S0创建指标库,所述指标库包括与所述碳排放价格相关的指标序列数据,其中在数据并非全部为正态分布的情况下,样本量根据具体指标需要满足一定的阈值,样本量需要达到1000个,更有助于保证模型结果在统计上的可靠性。
值得注意的是指标库的构建是量化结构是否优异的关键,但也是一个个性化的选择,根据研究人员对碳排放权的理解可自行调整。例如根据经验知识,我们了解到,碳排放权价格主要会受到,政策,市场经济,能源价格,天气因素,碳金融相关产品等的影响。我们可以从公开数据源下载这几类时序数据(例如wind数据),得到指标数据x1,x2,…,xk,共k个指标。需要注意的是,为保证结构方程模型的效用,在数据并非全部为正态分布的情况下,样本量需要达到1000个。
S1建立滑动时序数据窗口,其中样本为时间序列数据,时间标号为t0,t1,…,tn.循环取用时序数据,以样本时间t0为起点,每次取m个数据点,其中n>m,进行以下步骤S2-S5,下一次循环起点为t1,最后一次循环起点时间为tn-m+1。
S2指标序列数据正态性处理和估计,利用夏皮罗-威尔克(shapiro)正态检验判断每个单指标是否正态,如果都是正态,记为状态A,如果不全是正态,使用博克斯考克斯正态变型(Box-cox)对非正态数据变型,如果所有变型检测的p值大于0.05,则对每个指标都替换原数据为变换后的数据,并记为状态A,否则不变换原数据,记为状态B。
S4确定潜变量数量,对经过步骤S3处理过的指标,进行主成分分析,保留特征值>1的主成分,保留的主成分个数q,即为模型潜变量个数,
S5模型拟合,使用结构方程建模。使用结构方程建模的软件包,例如R语言里的Lavaan包。无特殊要求,默认旋转方式为斜交旋转,即默认潜变量之间相关。
对于状态A,使用基于正态分布的极大似然估计,对于状态B,使用广义最小二乘估计(GLS估计,Generalized Least Square),该估计的拟合函数为:FGLS = 1/2 tr{[(S-Σ(θ))W-1]2},其中,S为指标计算得出的协方差矩阵,Σ为由假设模型推出的总体协方差矩阵,θ是结构方程模型的未知参数,W-1是残差的加权矩阵,选取W-1= S-1,广义最小二乘估计即使得FGLS取得最小值的θ,确定了估计方法后,对所有指标构建q因子模型,并计算CHI卡方值(CHI,Chi-square),RMSEA近似误差均方根,GFI拟合优度检验(goodness-of-fitindex),SRMR标准化均方根残差(Standardized Root Mean square Residual)这一系列统计值,得到拟合优度时间序列,
其中,CHI = (N-1)FF,FF是拟合函数最小值,N是样本量,
RMSEA = sqrt{max((CHI-df)/(N-1),0)/df},df是理论模型自由度,
GFI = 1-tr[(E-1 S-I)2]/tr[(E-1 S)2],其中,E为再生相关矩阵,S为样本相关矩阵,
SRMR = sqrt{2ΣiΣj(sij-eij)2/[p(p+1)]},sij是样本相关矩阵S的元素,eij是再生相关矩阵E的元素,其中p表示指标个数。
S6判断拟合良好的时间区间,根据已经计算好的所述拟合优度时间序列,t0,t1,…,tn,观察各拟合指标的走势,其中,SRMR<0.08,MSEA<0.1, GFI>0.9,NFI>0.9为拟合良好的时间区间,
S7观察显著负荷的因子即潜变量或指标,归因释义。对于所述拟合良好的时间区间,首先,找出所述碳排放价格所在的潜变量,即碳价在该组里为有显著负荷的指标,同组负荷显著的指标与碳价关系紧密,因为这些指标和碳价可以代表同一潜变量,其次,进行潜变量之间协方差估计,其中协方差接近-1为高度负相关,例如-0.9,接近1为高度正相关,例如0.9,接近0为无关,例如0.1或-0.1,根据所述不同潜变量的指标构成,输出与碳排放权价格相关的指标集合。
在一个实施例中,选出同组负荷不低于0.5的指标,进而选出协方差大于0.3的潜变量,并从中选出负荷大于0.7的指标集合,即与碳排放权价格相关的指标集合。
在一个实施例中,所述使用结构方程建模,默认旋转方式为斜交旋转,即默认潜变量之间相关。
在一个实施例中,所述对于状态A,使用基于正态分布的极大似然估计,其中,拟合函数经过推导为:FML = tr(SΣ-1(θ))+log|Σ(θ)|-log|S|-p,其中,S为指标计算得出的协方差矩阵,Σ为由假设模型推出的总体协方差矩阵,θ是结构方程模型的未知参数,tr(A)表示矩阵A的迹,即矩阵A对角线元素之和;log|A|表示矩阵A的行列式的对数,参数估计值就是使得这个拟合函数值最小的参数值,且检验统计量(m-1)min{FML}的渐进分布是卡方分布。
一次循环的样例展示:
选取指标:
正态性检验:
16个指标都不服从正态分布,且动力煤期货价格属于极端峰度。Box-cox转换未能使所有转化后的变量服从正态分布。故采用GLS估计方法。
数据窗口切片:
起点为2016年11月1日,终点是2022年1月13日,数据样本区间m为1093。
PCA主成分分析:
R 代码:
prcomp(data_scaled, rank = 16, retx = T)
保留特征值>1的主成分,得到主成分个数K为4。说明我们要采用四因子模型,因子负荷是结构方程模型的未知参数,我们通过上述估计方法,估计得出。
模型拟合:
R代码: cfa(model, data= data_scaled,rotation="oblimin", estimator='GLS'))
拟合指数SRMR: 0.078代表拟合效果不错。
良好时间区间判断:
拟合指数<0.08说明该时间段数据与所选指标间能够支持归因结果。
结果释义:
表1:四因子负荷矩阵
探索性因子分析模型是一种结构方程模型,用于在指标间结构没有太多先验知识的情况下,用于寻找指标间的关系。该次探索性因子分析模型假设为:1.指标与潜变量相关。2.指标残差间独立。3.潜变量间相关。表中,*表示回归方程的p值显著,即0.01<p<0.05;**表示p<0.01。通过显著性测试表示指标与其对应因子的回归关系成立。
其中,探索性因子分析(EFA)是一种结构方程模型。用于探索指标与潜变量(因子)的关系。
探索性因子分析的数学模型为:
Zj = αj1 F1 +αj2F2+...αjmFm +Uj ,j∈1,2,...,k(1)
其中Zj代表第j个指标标准化后的值,Fi为第i个潜变量(因子)。m为潜变量个数。k为指标个数。αji 为因子负荷,表示第i个潜变量对第j个指标的贡献程度。Uj称为误差项。
模型的假设包括:
1. 误差项的期望为0,误差项间相互独立。
2. 误差项与各潜变量相互独立。
3. 潜变量的均值为0,方差为1。
由Zj产生的真实(未知)协方差矩阵记作Σ。由测量模型推导出的Zj的再生协方差矩阵记作Σ(Θ)。Θ表示全体未知参数组成的向量。
可以看出,因子1由美元指数(Y12)、人民币兑美元汇率(Y10)和沪深300指数(Y9)三个指标构成,可归纳为汇率市场因子。其中,美元指数占比最高,起主导作用。类似的解读,因子2由煤炭指数(Y7)、电力指数(Y8)、商品燃料消费指数(Y6)、工业指数(Y11)和煤炭期货价格(Y4)指标共计5个指标构成,其中煤炭指数和电力指数路径系数负荷最大,可归纳为以煤炭为中心的因子。因子3中显著的指标仅有原油现货价格(Y3)和天然气价格(Y5)。由于原油的系数显著高于天然气,因子3可归纳为以原油价格为主的因子。因子4中绿色债券指数(Y15)、广东碳价(Y0)和欧盟碳价(Y13)均有大约为1 的路径系数负荷。这三个指标都是起主导作用的指标,说明他们能共同代表一类潜变量,可归纳为碳金融产品价格因子。由于碳金融价格因素内的三个指标都有很高的路径负荷,绿色债券指数和EUA期货价格被认为是碳价最主要的影响因素。
值得注意的是天气因素(平均气温(Y1)和空气质量(Y2))作为我们关注的指标,其对碳价的影响关系并没有得到结构方程模型的支持。平均气温和空气质量未与任何一个因子有明显的路径系数(大于0.4或小于-0.4)。
表2:潜变量协方差估计
在潜变量关系分析中,首先,所有路径检验的p值<0.05,说明所有路径关系成立。其次,潜变量间存在不同程度的相互影响:
1.汇率市场因子(因子1)与碳金融价格因子(因子4)呈弱相关,相关系数为-0.269,因此汇率市场对碳价有微弱的负向影响。
2.以煤炭为中心的因子(因子2)与碳金融价格因子(因子4)的估计系数为0.236,代表煤炭因素对碳价有一定正向影响。这一点与我国的能源消费结构体系是呼应的:我国“富煤、贫油、少气”的能源特点决定了以煤炭为主的能源消费结构,2020年煤炭占比我国能源消费总量的58%左右。
3.相比煤炭因子而言,原油价格因子(因子3)对碳金融价格因子(因子4)影响很小,估计系数仅为-0.065,可认为无明显相关性。
根据以上流程可以输出因子4(碳价所在潜变量)中指标和因子2(与碳价所在潜变量协方差呈正相关的潜变量)中的指标,作为碳排放权价格相关的指标集合。
实施例二:
为实现上述目的,本实施例提供一种碳排放权价格指标体系建立装置200,请参阅图2。具体地,装置200包括:。
创建指标库单元201,用于创建指标库,所述指标库包括与所述碳排放权价格相关的指标序列数据,其中在数据并非全部为正态分布的情况下,样本量需要达到1000个,
滑动时序数据窗口单元202,用于建立滑动时序数据窗口,其中样本为时间序列数据,时间标号为t0,t1,…,tn.循环取用时序数据,以样本时间t0为起点,每次取m个数据点,其中n>m,进行以下步骤S2-S5,下一次循环起点为t1,最后一次循环起点时间为tn-m+1,
正态性处理和估计方法确定单元203,用于指标序列数据正态性处理和估计,利用shapiro正态检验判断每个单指标是否正态,如果都是正态,记为状态A,如果不全是正态,使用博克斯考克斯正态变型对非正态数据变型,如果所有变型检测的p值大于0.05,则对每个指标都替换原数据为变换后的数据,并记为状态A,否则不变换原数据,记为状态B,
潜变量确定单元205,用于确定潜变量数量,对经过步骤S3处理过的指标,进行主成分分析,保留特征值>1的主成分,保留的主成分个数q,即为模型潜变量个数,
模型拟合单元206,用于模型拟合,使用结构方程建模,对于状态A,使用基于正态分布的极大似然估计,对于状态B,使用广义最小二乘估计,该估计的拟合函数为:FGLS = 1/2 tr{[(S-Σ(θ))W-1]2},其中,S为指标计算得出的协方差矩阵,Σ为由假设模型推出的总体协方差矩阵,θ是结构方程模型的未知参数,W-1是残差的加权矩阵,选取W-1= S-1,广义最小二乘估计即使得FGLS取得最小值的θ,确定了估计方法后,对所有指标构建q因子模型,并计算CHI卡方值,RMSEA近似误差均方根,GFI拟合优度检验,SRMR标准化均方根残差这一系列统计值,得到拟合优度时间序列,
其中,CHI = (N-1)FF,FF是拟合函数最小值,N是样本量,
RMSEA = sqrt{max((CHI-df)/(N-1),0)/df},df是理论模型自由度,
GFI = 1-tr[(E-1S-I)2]/tr[(E-1 S)2],其中,E为再生相关矩阵,S为样本相关矩阵,
SRMR = sqrt{2ΣiΣj(sij-eij)2/[p(p+1)]},sij是样本相关矩阵S的元素,eij是再生相关矩阵E的元素,其中p表示指标个数,
判断单元207,用于判断拟合良好的时间区间,根据已经计算好的所述拟合优度时间序列,t0,t1,…,tn,观察各拟合指标的走势,其中,SRMR<0.08,MSEA<0.1, GFI>0.9,NFI>0.9为拟合良好的时间区间,
指标集合输出单元208,对于所述拟合良好的时间区间,首先,找出所述碳排放权所在的潜变量,即碳价在该组里为有显著系数的指标,同组系数显著的指标与碳价关系紧密,因为这些指标和碳价可以代表同一潜变量,其次,进行潜变量之间协方差估计,其中协方差接近-1为高度负相关,接近1为高度正相关,接近0为无关,根据所述不同潜变量的指标构成,输出与碳排放权价格相关的指标集合。
实施例三:
相应的,本申请实施例还提供一种电子设备,该电子设备可以为终端或者服务器。如图3所示,图3为本申请实施例提供的电子设备的结构示意图。
该电子设备300包括有一个或者一个以上处理核心的处理器301、有一个或一个以上计算机可读存储介质的存储器302及存储在存储器302上并可在处理器上运行的计算机程序。其中,处理器301与存储器302电性连接。本领域技术人员可以理解,图中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
处理器301是电子设备300的控制中心,利用各种接口和线路连接整个电子设备300的各个部分,通过运行或加载存储在存储器302内的软件程序(计算机程序)和/或单元,以及调用存储在存储器302内的数据,执行电子设备300的各种功能和处理数据,从而对电子设备300进行整体监控。
在本申请实施例中,电子设备300中的处理器301会按照前述实施例的方法步骤,将一个或一个以上的应用程序的进程对应的指令数据加载到存储器302中,并由处理器301来运行存储在存储器302中的应用程序,从而实现各种功能。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
可选的,如图3所示,电子设备300还包括:指标体系建立单元303、通讯单元304、输入单元305以及电源306。其中,处理器301分别与指标体系建立单元303、通讯单元304、输入单元305以及电源306电性连接。本领域技术人员可以理解,图3中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
指标体系建立单元303可用于实现指标体系的建立。所述指标体系建立的具体实施可参见前面的实施例,在此不再赘述。
通信单元304可用于与其他设备通信。
输入单元305可用于接收输入的数字、字符信息或用户特征信息(例如指纹、虹膜、面部信息等),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
电源306用于给电子设备300的各个部件供电。可选的,电源306可以通过电源管理系统与处理器301逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源306还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
实施例四:
为实现上述目的,本实施例提出一种用以存储处理器可执行指令数据的计算机可读存储介质,所述计算机可读存储介质中存储的处理器可执行指令数据在被执行时能够致使处理器实施如上所述的指标体系建立的方法。
在上述实施例中,应用具体的实施例对本公开的原理及实施方式进行了阐述,各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。以上实施例的说明只是用于帮助理解本公开的技术方案及其核心思想;本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例的技术方案的范围。
Claims (6)
1.一种碳排放权价格指标体系建立方法,其特征在于,
S0创建指标库,所述指标库包括与所述碳排放权价格相关的指标序列数据,其中在数据并非全部为正态分布的情况下,样本量根据具体指标需要满足一定的阈值,
S1建立滑动时序数据窗口,其中样本为时间序列数据,时间标号为t0,t1,…,tn.循环取用时序数据,以样本时间t0为起点,每次取m个数据点,其中n>m,进行以下步骤S2-S5,下一次循环起点为t1,最后一次循环起点时间为tn-m+1,
S2指标序列数据正态性处理和估计,利用夏皮罗-威尔克正态检验判断每个单指标是否正态,如果都是正态,记为状态A,如果不全是正态,使用博克斯考克斯正态变型对非正态数据变型,如果所有变型检测的p值大于0.05,则对每个指标都替换原数据为变换后的数据,并记为状态A,否则不变换原数据,记为状态B,
S4确定潜变量数量,对经过步骤S3处理过的指标,进行主成分分析,保留特征值>1的主成分,保留的主成分个数q,即为模型潜变量个数,
S5模型拟合,使用结构方程建模,对于状态A,使用基于正态分布的极大似然估计,对于状态B,使用广义最小二乘估计,该估计的拟合函数为:FGLS = 1/2 tr{[(S-Σ(θ))W-1]2},其中,S为指标计算得出的协方差矩阵,Σ为由假设模型推出的总体协方差矩阵,θ是结构方程模型的未知参数,W-1是残差的加权矩阵,选取W-1= S-1,广义最小二乘估计即使得FGLS取得最小值的θ,确定了估计方法后,对所有指标构建q因子模型,并计算卡方值CHI,近似误差均方根RMSEA,拟合优度检验GFI,标准化均方根残差SRMR这一系列统计值,得到拟合优度时间序列,
其中,CHI = (N-1)FF,FF是拟合函数最小值,N是样本量,
RMSEA = sqrt{max((CHI-df)/(N-1),0)/df},df是理论模型自由度,
GFI = 1-tr[(E-1 S-I)2]/tr[(E-1 S)2],其中,E为再生相关矩阵,S为样本相关矩阵,
SRMR = sqrt{2ΣiΣj(sij-eij)2/[p(p+1)]},sij是样本相关矩阵S的元素,eij是再生相关矩阵E的元素,其中p表示指标个数,
S6判断拟合良好的时间区间,根据已经计算好的所述拟合优度时间序列,t0,t1,…,tn,观察各拟合指标的走势,其中,SRMR<0.08,MSEA<0.1, GFI>0.9,NFI>0.9为拟合良好的时间区间,
S7对于所述拟合良好的时间区间,首先,找出所述碳排放权价格所在的潜变量,即碳排放权价格在组里为有显著系数的指标,同组系数显著的指标与碳排放权价格关系紧密,这些指标和碳排放权价格可以代表同一潜变量,选出同组负荷不低于0.5的指标,其次,进行潜变量之间协方差估计,其中协方差小于0表示负相关,越接近-1负相关程度越高,协方差大于0表示正相关,越接近1正相关程度越高,协方差接近0表示无关,选出协方差大于0.3的潜变量,并从中选出负荷大于0.7的指标集合,即与碳排放权价格相关的指标集合。
2.根据权利要求1所述的方法,其特征在于,所述使用结构方程建模,默认旋转方式为斜交旋转,即默认潜变量之间相关。
3.根据权利要求1所述的方法,其特征在于,所述对于状态A,使用基于正态分布的极大似然估计,其中,拟合函数经过推导为:FML = tr(SΣ-1(θ))+log|Σ(θ)|-log|S|-p,其中,S为指标计算得出的协方差矩阵,Σ为由假设模型推出的总体协方差矩阵,θ是结构方程模型的未知参数,tr(A)表示矩阵A的迹,即矩阵A对角线元素之和;log|A|表示矩阵A的行列式的对数,参数估计值就是使得这个拟合函数值最小的参数值,且检验统计量(m-1)min{FML}的渐进分布是卡方分布。
4.一种碳排放权价格指标体系建立装置,其特征在于,该装置包括,
创建指标库单元,用于创建指标库,所述指标库包括与所述碳排放权价格相关的指标序列数据,其中在数据并非全部为正态分布的情况下,样本量根据具体指标需要满足一定的阈值,
滑动时序数据窗口单元,用于建立滑动时序数据窗口,其中样本为时间序列数据,时间标号为t0,t1,…,tn.循环取用时序数据,以样本时间t0为起点,每次取m个数据点,其中n>m,进行以下步骤S2-S5,下一次循环起点为t1,最后一次循环起点时间为tn-m+1,
正态性处理和估计方法确定单元,用于指标序列数据正态性处理和估计,利用夏皮罗-威尔克正态检验判断每个单指标是否正态,如果都是正态,记为状态A,如果不全是正态,使用博克斯考克斯正态变型对非正态数据变型,如果所有变型检测的p值大于0.05,则对每个指标都替换原数据为变换后的数据,并记为状态A,否则不变换原数据,记为状态B,
潜变量确定单元,用于确定潜变量数量,对经过步骤S3处理过的指标,进行主成分分析,保留特征值>1的主成分,保留的主成分个数q,即为模型潜变量个数,
模型拟合单元,用于模型拟合,使用结构方程建模,对于状态A,使用基于正态分布的极大似然估计,对于状态B,使用广义最小二乘估计,该估计的拟合函数为:FGLS = 1/2 tr{[(S-Σ(θ))W-1]2},其中,S为指标计算得出的协方差矩阵,Σ为由假设模型推出的总体协方差矩阵,θ是结构方程模型的未知参数,W-1是残差的加权矩阵,选取W-1= S-1,广义最小二乘估计即使得FGLS取得最小值的θ,确定了估计方法后,对所有指标构建q因子模型,并计算卡方值CHI,近似误差均方根RMSEA,拟合优度检验GFI,标准化均方根残差SRMR这一系列统计值,得到拟合优度时间序列,
其中,CHI = (N-1)FF,FF是拟合函数最小值,N是样本量,
RMSEA = sqrt{max((CHI-df)/(N-1),0)/df},df是理论模型自由度,
GFI = 1-tr[(E-1S-I)2]/tr[(E-1 S)2],其中,E为再生相关矩阵,S为样本相关矩阵,
SRMR = sqrt{2ΣiΣj(sij-eij)2/[p(p+1)]},sij是样本相关矩阵S的元素,eij是再生相关矩阵E的元素,其中p表示指标个数,
判断单元,用于判断拟合良好的时间区间,根据已经计算好的所述拟合优度时间序列,t0,t1,…,tn,观察各拟合指标的走势,其中,SRMR<0.08,MSEA<0.1, GFI>0.9,NFI>0.9为拟合良好的时间区间,
指标集合输出单元,对于所述拟合良好的时间区间,首先,找出所述碳排放权价格所在的潜变量,即碳排放权价格在组里为有显著系数的指标,同组系数显著的指标与碳排放权价格关系紧密,这些指标和碳排放权价格可以代表同一潜变量,选出同组负荷不低于0.5的指标,其次,进行潜变量之间协方差估计,其中协方差小于0表示负相关,越接近-1负相关程度越高,协方差大于0表示正相关,越接近1正相关程度越高,协方差接近0表示无关,选出协方差大于0.3的潜变量,并从中选出负荷大于0.7的指标集合,即与碳排放权价格相关的指标集合。
5.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1-3中任一项所述的方法的步骤。
6.一种用以存储处理器可执行指令数据的计算机可读存储介质,所述计算机可读存储介质中存储的处理器可执行指令数据在被执行时能够致使处理器实施如权利要求1-3中任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839218.0A CN115330435A (zh) | 2022-07-18 | 2022-07-18 | 一种碳排放权价格指标体系建立方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839218.0A CN115330435A (zh) | 2022-07-18 | 2022-07-18 | 一种碳排放权价格指标体系建立方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115330435A true CN115330435A (zh) | 2022-11-11 |
Family
ID=83917091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210839218.0A Pending CN115330435A (zh) | 2022-07-18 | 2022-07-18 | 一种碳排放权价格指标体系建立方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330435A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128690A (zh) * | 2022-12-08 | 2023-05-16 | 浙江正泰智维能源服务有限公司 | 一种碳排放量成本值计算方法、装置、设备及介质 |
CN116776611A (zh) * | 2023-06-25 | 2023-09-19 | 成都信息工程大学 | 一种基于结构方程模型的植被变化预估方法 |
-
2022
- 2022-07-18 CN CN202210839218.0A patent/CN115330435A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128690A (zh) * | 2022-12-08 | 2023-05-16 | 浙江正泰智维能源服务有限公司 | 一种碳排放量成本值计算方法、装置、设备及介质 |
CN116128690B (zh) * | 2022-12-08 | 2024-03-05 | 浙江正泰智维能源服务有限公司 | 一种碳排放量成本值计算方法、装置、设备及介质 |
CN116776611A (zh) * | 2023-06-25 | 2023-09-19 | 成都信息工程大学 | 一种基于结构方程模型的植被变化预估方法 |
CN116776611B (zh) * | 2023-06-25 | 2024-03-08 | 成都信息工程大学 | 一种基于结构方程模型的植被变化预估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633265B (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
CN109447461B (zh) | 用户信用评估方法及装置、电子设备、存储介质 | |
CN115330435A (zh) | 一种碳排放权价格指标体系建立方法、装置、设备及介质 | |
WO2007106786A2 (en) | Methods and systems for multi-credit reporting agency data modeling | |
CN109102157A (zh) | 一种基于深度学习的银行工单派单方法及系统 | |
CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
CN110264270A (zh) | 一种行为预测方法、装置、设备和存储介质 | |
CN110781970A (zh) | 分类器的生成方法、装置、设备及存储介质 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN113313538A (zh) | 用户消费能力预测方法、装置、电子设备和存储介质 | |
CN111126629A (zh) | 模型的生成方法、刷单行为识别方法、系统、设备和介质 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN112395370B (zh) | 一种数据处理方法、装置、设备和存储介质 | |
Gu et al. | Investigation on the quality assurance procedure and evaluation methodology of machine learning building energy model systems | |
CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
CN113935819A (zh) | 核算异常特征提取方法 | |
CN113298353A (zh) | 一种基于用户生存模型的资源调整方法、装置和系统 | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
Wang et al. | A knowledge discovery case study of software quality prediction: Isbsg database | |
CN113516398A (zh) | 基于分层抽样的风险设备识别方法、装置及电子设备 | |
CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
CN117892703B (zh) | 一种理化表单自动联想录入功能的实现方法及系统 | |
CN117973806B (zh) | 一种面向保电drs计划生成的方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |