本文通過(guò)對(duì)歐盟和中國(guó)選定試點(diǎn)碳交易價(jià)格的波動(dòng)特征和影響因素進(jìn)行對(duì)比分析,了解不同市場(chǎng)之間的相似性和發(fā)展差異,并對(duì)中國(guó)啟動(dòng)全國(guó)性碳交易市場(chǎng)的建設(shè)提出政策建議。本文主要分為兩部分。第一部分是對(duì)EUA現(xiàn)貨價(jià)格混沌性的研究。從EUA現(xiàn)貨價(jià)格時(shí)間序列運(yùn)動(dòng)特性的角度出發(fā),計(jì)算最大李雅普諾夫指數(shù)證明其運(yùn)動(dòng)存在混沌性,通過(guò)將時(shí)間序列進(jìn)行相空間重構(gòu)得到多維空間,并用作小波神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。研究結(jié)果表明:EUA現(xiàn)貨價(jià)格時(shí)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(luò)可以用于EUA現(xiàn)貨價(jià)格的短期合理預(yù)測(cè)。第二部分是對(duì)中國(guó)區(qū)域性試點(diǎn)交易價(jià)格運(yùn)動(dòng)規(guī)律的研究。研究不同試點(diǎn)的交易價(jià)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(duì)比試點(diǎn)與歐盟碳交易市場(chǎng)的混沌特性判斷各市場(chǎng)之間的發(fā)展差距;最后通過(guò)VAR模型判斷國(guó)內(nèi)各試點(diǎn)配額價(jià)格波動(dòng)主要來(lái)源,并對(duì)碳交易市場(chǎng)的建設(shè)提出政策建議。 

【文章來(lái)源】：暨南大學(xué)廣東省 211工程院校

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Wolf算法計(jì)算李雅普諾夫指數(shù)過(guò)程圖

從而使其具有更靈活有效的函數(shù)逼近能力；3、信號(hào)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(xué)習(xí)可實(shí)現(xiàn)與信號(hào)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(luò)有更高預(yù)報(bào)精度，在數(shù)據(jù)稠密區(qū)分辨率學(xué)習(xí)，在稀疏區(qū)采用低分辨率學(xué)習(xí)，而單一分辨率的激勵(lì)函數(shù)對(duì)數(shù)不加區(qū)分。圖 3-2 表示小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(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(luò)輸入層的神經(jīng)元個(gè)數(shù)。o是小波神經(jīng)網(wǎng)絡(luò)輸出值，由于本文是對(duì)價(jià)格時(shí)間序列進(jìn)行預(yù)測(cè)，所以此模型中的輸出層設(shè)個(gè)神經(jīng)元。v 和w 分別為小波神經(jīng)網(wǎng)絡(luò)的輸入與輸出權(quán)值，在神經(jīng)網(wǎng)絡(luò)過(guò)程當(dāng)中v 和w 的值將會(huì)隨著訓(xùn)練次數(shù)的增加而發(fā)生相應(yīng)改變。假設(shè)隱神經(jīng)元個(gè)數(shù)為m。圖 3-2 即表達(dá)了從n個(gè)自變量到單個(gè)因變量的函數(shù)映射

圖 3-3 小波神經(jīng)網(wǎng)絡(luò)流程圖在小波神經(jīng)網(wǎng)絡(luò)當(dāng)中，輸入數(shù)據(jù)x經(jīng)過(guò)權(quán)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(luò)輸出層的計(jì)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(luò)利用梯度修正法修正輸入與輸出權(quán)值和小波基函數(shù)的因子，使得預(yù)測(cè)值期望值不斷接近，單步預(yù)測(cè)誤差逐漸縮小。小波神經(jīng)網(wǎng)絡(luò)參數(shù)修正算法過(guò)程如下:


本文編號(hào)：3296106