本文通過對歐盟和中國選定試點碳交易價格的波動特征和影響因素進行對比分析,了解不同市場之間的相似性和發(fā)展差異,并對中國啟動全國性碳交易市場的建設提出政策建議。本文主要分為兩部分。第一部分是對EUA現(xiàn)貨價格混沌性的研究。從EUA現(xiàn)貨價格時間序列運動特性的角度出發(fā),計算最大李雅普諾夫指數(shù)證明其運動存在混沌性,通過將時間序列進行相空間重構(gòu)得到多維空間,并用作小波神經(jīng)網(wǎng)絡的輸入項對神經(jīng)網(wǎng)絡進行訓練。研究結(jié)果表明:EUA現(xiàn)貨價格時間序列存在混沌性特性,且基于相空間重構(gòu)小波神經(jīng)網(wǎng)絡可以用于EUA現(xiàn)貨價格的短期合理預測。第二部分是對中國區(qū)域性試點交易價格運動規(guī)律的研究。研究不同試點的交易價格的非線性特征,最大李雅普諾夫指數(shù)表明其具有混沌性特征;然后對比試點與歐盟碳交易市場的混沌特性判斷各市場之間的發(fā)展差距;最后通過VAR模型判斷國內(nèi)各試點配額價格波動主要來源,并對碳交易市場的建設提出政策建議。 

【文章來源】：暨南大學廣東省 211工程院校

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【部分圖文】：

Wolf算法計算李雅普諾夫指數(shù)過程圖

從而使其具有更靈活有效的函數(shù)逼近能力；3、信號樣本空間不均勻波神經(jīng)元的良好局部特性和多分辨率學習可實現(xiàn)與信號良好匹配，小波同分辨率表示函數(shù)特性，使得小波神經(jīng)網(wǎng)絡有更高預報精度，在數(shù)據(jù)稠密區(qū)分辨率學習，在稀疏區(qū)采用低分辨率學習，而單一分辨率的激勵函數(shù)對數(shù)不加區(qū)分。圖 3-2 表示小波神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)。X = (x ,x ,…,x ) 是小波神經(jīng)網(wǎng)入值，其維數(shù)即為小波神經(jīng)網(wǎng)絡輸入層的神經(jīng)元個數(shù)。o是小波神經(jīng)網(wǎng)絡輸出值，由于本文是對價格時間序列進行預測，所以此模型中的輸出層設個神經(jīng)元。v 和w 分別為小波神經(jīng)網(wǎng)絡的輸入與輸出權值，在神經(jīng)網(wǎng)絡過程當中v 和w 的值將會隨著訓練次數(shù)的增加而發(fā)生相應改變。假設隱神經(jīng)元個數(shù)為m。圖 3-2 即表達了從n個自變量到單個因變量的函數(shù)映射

圖 3-3 小波神經(jīng)網(wǎng)絡流程圖在小波神經(jīng)網(wǎng)絡當中，輸入數(shù)據(jù)x經(jīng)過權值變換和小波基函數(shù)伸縮和平移后可得到小波序列： ( ) = h∑j = 1，2，…，m （3.7）其中: 為伸縮因子， 為平移因子， > 0， ∈ 。小波神經(jīng)網(wǎng)絡輸出層的計算公式為：o = f(∑ ( )) （3.8）f( )表示小波變換函數(shù)。小波神經(jīng)網(wǎng)絡利用梯度修正法修正輸入與輸出權值和小波基函數(shù)的因子，使得預測值期望值不斷接近，單步預測誤差逐漸縮小。小波神經(jīng)網(wǎng)絡參數(shù)修正算法過程如下:


本文編號：3296106