能源转型金融市场中的非线性与重尾可预测性
计算金融
2026-05-27 v1 应用统计
机器学习
摘要
与能源转型相关的金融市场日益暴露于突发定价事件、波动性升高以及宏观金融冲击的异质性贡献下。在此类条件下，传统的高斯线性预测框架可能对化石能源、可再生能源、技术和公用事业部门资产之间的依赖结构提供不完整的表示。本文检验能源转型相关的金融回报在控制重尾多变量线性动力学后，是否存在残差非线性可预测性。为此，我们发展了一种混合预测框架，将学生 t 向量自回归模型与非线性循环残差学习架构相结合。经验分析考虑六个主要交易型基金，代表广泛的股票市场和关键的转型敏感性板块。结果显示，存在显著偏离高斯线性行为的现象，包括超厚尾、波动性聚类以及经计量滤波后仍残存的非线性依赖。超出样本预测实验表明，所提出的框架在预测准确度方面 consistently 优于传统 VAR 模型、独立的机器学习方法以及其他混合规格。预测收益在宏观金融压力期间尤为显著，尤其是在新冠疫情危机和乌克兰能源冲击期间。总体而言，发现能源转型相关的金融系统表现出具有波动性敏感性和重尾预测动力学，这些特征不足以被标准的高斯线性模型单独捕捉。
引用
@article{arxiv.2605.26890,
title = {Nonlinear and Heavy-Tailed Predictability in Transition-Energy Financial Markets},
author = {Kpante Emmanuel Gnandi and Fredy Pokou and Jules Sadefo Kamdem},
journal= {arXiv preprint arXiv:2605.26890},
year = {2026}
}