1. 研究目的与意义
随着国际社会对节约资源和保护环境的观念日益增强，各国对碳排放经济的重视程度也在不断提升，都参与到了打造碳市场，研制新型碳衍生品的工作。我国与时俱进，在2020年5月，中央联合相关部委提出支持广州建设期货交易所，探索与发展碳排放交易；2020年12月，国务院发布了《碳排放权交易管理办法》试行。我国正以国际较为成熟碳期货市场为标准，打造具有世界影响力的碳市场。在经过了十几年的发展后，欧盟的碳排放交易体系（EU ETS)已经拥有了完备的交易机制以及大量的交易数据，在全球碳交易中发挥着至关重要的作用。在EU ETS发展的十几年中，由于影响因素复杂多样，在不同的阶段以及各个时期的经济背景下，碳价的波动表现出的差异较大。
当前，我国建立起全国碳市场的时间不长，碳排放交易体系作为一个能够帮助国家转型使用能源、构建绿色生态、应对气候变化的重要发展体系，在初期的发展中势必会遇到许多问题，因此，以对欧盟的碳排放价格预测作为对我国碳排放市场的参考是十分有必要的。碳排放价格是时间序列类型的数据，所以，对碳排放的预测就是一种对时间序列的预测，以往的时间序列预测往往使用移动平均法、时间回归法、时间序列季节变动分析法等，但是在实际应用来看，这些方法并不能完全满足需求。
近年来，机器学习方法是研究中的热点，常见的机器学习方法有：决策树、随机森林、支持向量机、随机梯度下降等，在时间序列预测方面，机器学习已经显示了巨大的应用潜力，本研究使用了极端梯度提升（XGBoost）方法，针对欧盟碳排放期货数据进行时间序列预测，作为国内碳排放市场发展的参考依据。
2. 研究内容和预期目标
研究内容：使用多种机器学习方法，主要是极端梯度提升（XGBoost）针对欧盟碳排放期货数据进行时间序列预测，预测未来某一阶段的欧盟碳排放期货数据。
拟解决的问题：运用极端梯度提升对数据进行分析预测，解决欧盟碳排放期货未来一段时期的价格预测问题。
写作提纲：文章分为四个部分，第一部分为引言，第二部分为用于时间序列预测的机器学习方法原理及数据，第三部分为机器学习方法对EUA期货价格的预测，第四部分为结论和展望。
3. 国内外研究现状
针对碳期货价格的相关研究，Maria Mansanet-Bataller在2010年探究了EUA和sCER二期的价格驱动因素，揭示了EUA-sCER扩散存在的原因：是由与排放相关的基本驱动因素驱动的[1]。Paolo Falbo在2011年研究了EUA价格对于一个有竞争力的电商的主要经营政策的影响，研究表明，碳的价格在理论上有一个阈值，在高于这个阈值时，EUA会使产商减少生产[2]。Benjamin Johannes Lutz在2011年着重研究了欧盟对竞争电力生产者的最优政策的影响，并最终得出结论：高水平的免费津贴可能导致生产时使用的技术更偏向于有污染性的[3]。Fatemeh Nazifi在2013年确定了影响EUA和CER之间价格差的因素，并模拟了EUA和CER碳价格之间的价格分布[4]。Domagoj Vulin在2020年利用动量策略和GBM仿真预测长期价格概率，通过移动平均法检测关键二氧化碳价格变化指标，GBM模拟可以有效地帮助确定EUA价格的概率[5]。在国内，华欣在2019年通过平稳性检验、Granger因果关系检验、协整检验和建立误差修正模型，对欧盟碳市场发展第三阶段中的碳期货与现货价格引导关系做出研究[6]。任贺松在2019年提出了一种基于混合结构数据的碳价格多尺度组合预测方法，以欧盟碳价格为例进行了实证分析，证实了该种预测模型优于单项预测方法的良好适用性[7]。吕靖烨在2019年运用ARIMA模型对2013年1月至2018年7月EUA期货结算价进行分析，对欧盟碳期货交易价格作了为期三个月的预测[8]。黄杰在2020年选取EUA和CER期货结算价作为分析数据，建立了GARCH模型，并运用了拔靴滚动方法，对两者间的价格波动及关联度进行实证研究[9]。邹绍辉在2020年通过实证中的研究变量，动态分析了能源期货市场、能源股票市场与碳市场之间的非线性关系[10]。
机器学习作为一项工具学习算法，融合了多学科的理论，在计算机、自动化、生物等各个科学领域都有不同的理论研究。大数据时代使得机器学习可以帮助人们对数据进行智能化的处理分析，任何问题都能得到较为理想的结果。因此，当机器学习被引入到金融领域，它被作为一种对预测回归以及模型应用精度升级方面的研究工具。
决策树是机器学习中的一个基本方法，而近年来也不断有学者在丰富和优化决策树的算法，为机器学习的发展作出了贡献。作为较早研究的算法,国际上对决策树的研究文献较多。Leo Breiman在1996年研究了一种聚合的预测器，当预测一个数值结果时，聚合是版本的平均值，用这种方式可以提高线性回归时装袋的精度[11]。栾丽华在2004年阐述了各种决策树分类算法的基本思想，并比较了各算法的主要特性，主要包括了ID3、C4.5、CART、SLIQ、SPRINT和PUBLIC[12]。何清在2014年发表了关于大数据环境下机器学习算法的综述，介绍了一些处理大数据的主流方法，引出了研究面临的困难核问题，并指出了大数据机器学习的研究趋势[13]。
4. 计划与进度安排
第一部分为引言，写研究目的，研究方向，研究现状。第二部分为用于时间序列预测的机器学习方法原理及数据，写各种机器学习方法的原理，以及用于研究的数据集。第三部分为机器学习方法对EUA期货价格的预测，主要介绍了极端梯度提升方法的预测过程，并将其他机器学习方法与其做比较。第四部分为文章的结论和展望部分，对以上预测过程和结果进行总结，并提出对未来的展望。
5. 参考文献
[1]Mansanet-Bataller M, Chevallier J, Herv-Mignucci M, Alberola E. Eua and SCER Phase II price drivers: Unveiling the reasons for the existence of the eua–scer spread[J].Energy Policy. 2011(39):1056–69.
[2]Falbo P, Felletti D, Stefani S. Free Euas and fuel switching[J].Energy Economics. 2013(35):14–21.
[3]Lutz BJ, Pigorsch U, Rotfu#223; W. Nonlinearity in Cap-and-trade systems: The EUA price and its fundamentals[J].Energy Economics. 2013(40):222–32.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
