朱衛(wèi)東 王欣冉

【摘 要】 金融體系越來越多地面臨氣候變化帶來的風(fēng)險，如何避免氣候風(fēng)險帶來的資產(chǎn)損失已經(jīng)成為了投資者研究的重要問題。文章深入分析了氣候風(fēng)險對能源行業(yè)股票市場的影響機制，并在該理論的基礎(chǔ)上，構(gòu)建了基于百度搜索指數(shù)的氣候風(fēng)險信息數(shù)據(jù)，利用基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短期記憶網(wǎng)絡(luò)（LSTM）的能源行業(yè)股票市場預(yù)測深度學(xué)習(xí)模型，選取電力設(shè)備及新能源行業(yè)、石油石化行業(yè)和煤炭行業(yè)的行業(yè)指數(shù)作為預(yù)測對象，使用2011年9月1日至2022年8月31日的氣候風(fēng)險關(guān)鍵詞的百度搜索指數(shù)和行業(yè)指數(shù)歷史信息數(shù)據(jù)，檢驗不同類型氣候風(fēng)險信息數(shù)據(jù)對預(yù)測能源行業(yè)指數(shù)的有效性。實證結(jié)果發(fā)現(xiàn)：將氣候風(fēng)險信息引入到行業(yè)指數(shù)預(yù)測模型中，可以有效地提高指數(shù)預(yù)測準確度；氣候物理風(fēng)險和氣候轉(zhuǎn)型風(fēng)險對不同能源行業(yè)產(chǎn)生不同的影響，且可以提高預(yù)測的準確性。研究結(jié)論能夠為市場參與者制定投資策略、風(fēng)險防范和戰(zhàn)略選擇提供重要參考。

【關(guān)鍵詞】 氣候風(fēng)險； 行業(yè)指數(shù)預(yù)測； 深度學(xué)習(xí)； 混合神經(jīng)網(wǎng)絡(luò)

【中圖分類號】 F832.5? 【文獻標識碼】 A? 【文章編號】 1004-5937（2023）21-0066-07

一、引言

近年來頻發(fā)的氣候風(fēng)險事件常被認為是影響股票市場變化的重要因素，最近的文獻也指出，氣候風(fēng)險和極端天氣對股票市場會產(chǎn)生多樣化的影響。Bourdeau-Brien et al.[1]發(fā)現(xiàn)，在非常短的災(zāi)害事件期內(nèi)（1—5天），股票回報率不會產(chǎn)生異?；貓?；但在兩到三個月的事件期內(nèi)，氣候災(zāi)害會顯著影響股票回報。颶風(fēng)、洪水、極端溫度和嚴冬天氣后，股票收益的波動會明顯增加。Bansal et al.[2]發(fā)現(xiàn)，未來氣候政策行動的可能性的增加，會導(dǎo)致氣候政策風(fēng)險敞口較高的公司股票價格下降。世界氣象組織（WMO）對過去50年（1970—2019年）中全球由于極端氣候事件引起的死亡和經(jīng)濟損失進行了評估，指出由于氣候事件引起的災(zāi)害占所有災(zāi)害數(shù)量的50%，占死亡人數(shù)的45%以及經(jīng)濟損失的74%，其中91%的死亡都發(fā)生在發(fā)展中國家[3]。聯(lián)合國亞洲及太平洋經(jīng)濟社會委員會（ESCAP）在2013年也指出，2006—2010年，自然災(zāi)害造成的經(jīng)濟損失超過亞太地區(qū)低收入國家GDP的1%，但僅占發(fā)達國家GDP的0.1%。這是因為發(fā)展中國家抗災(zāi)基礎(chǔ)設(shè)施欠發(fā)達、財政空間不足和應(yīng)對機制有限，導(dǎo)致許多發(fā)展中國家抗災(zāi)能力較低[4]。

中國是最大的發(fā)展中國家，氣候變化帶來的物理風(fēng)險覆蓋面廣、涉及領(lǐng)域多，氣候脆弱性更強。同時作為世界上最大的能源消費國和碳排放國，中國的金融體系也會面臨嚴重的轉(zhuǎn)型風(fēng)險。黨的二十大報告指出“我們要推進美麗中國建設(shè)，堅持山水林田湖草沙一體化保護和系統(tǒng)治理，統(tǒng)籌產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、污染治理、生態(tài)保護、應(yīng)對氣候變化，協(xié)同推進降碳、減污、擴綠、增長，推進生態(tài)優(yōu)先、節(jié)約集約、綠色低碳發(fā)展”。在推動碳達峰碳中和的變革中，控制傳統(tǒng)能源消費、推動能源清潔低碳高效利用和加快規(guī)劃建設(shè)新型能源體系，是我國應(yīng)對全球氣候變化的主要方式。那么，氣候風(fēng)險如何對我國能源行業(yè)股票市場造成波動影響？氣候風(fēng)險信息能否提高我國能源行業(yè)股票市場的預(yù)測精度？不同類型的氣候風(fēng)險信息的有效性有何不同？解決這些問題能夠為市場參與者制定投資策略、防范風(fēng)險和戰(zhàn)略選擇提供重要參考。

本文構(gòu)建了結(jié)合CNN和LSTM兩種不同網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)模型框架，用于預(yù)測能源行業(yè)股票市場指數(shù)，通過CNN模型提取氣候風(fēng)險信息時間序列的短時特征，通過LSTM模型提取行業(yè)指數(shù)歷史信息時間序列的長期依賴性特征，再將提取的特征一起輸入全連接神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測的行業(yè)指數(shù)。通過選取2011年9月1日至2022年8月31日的日度數(shù)據(jù)，利用百度搜索提取氣候風(fēng)險關(guān)鍵詞的指數(shù)信息，作為氣候風(fēng)險信息的特征數(shù)據(jù)，并根據(jù)氣候風(fēng)險的特征將其分為氣候物理風(fēng)險和氣候轉(zhuǎn)型風(fēng)險，以不同的數(shù)據(jù)集與行業(yè)指數(shù)歷史信息數(shù)據(jù)一起輸入相應(yīng)的模型中，模型預(yù)測能力的強弱能夠反映氣候風(fēng)險信息數(shù)據(jù)解釋行業(yè)指數(shù)變化的能力強弱，用以解釋氣候風(fēng)險信息數(shù)據(jù)在預(yù)測能源行業(yè)指數(shù)研究中的有效性。

與現(xiàn)有文獻相比，本文的貢獻如下：第一，在指標的構(gòu)建上，選取了不同類型的氣候風(fēng)險數(shù)據(jù)，并將其分為氣候物理風(fēng)險數(shù)據(jù)、氣候轉(zhuǎn)型風(fēng)險數(shù)據(jù)和總數(shù)據(jù)，完整地包含了不同氣候風(fēng)險的影響，并利用百度搜索指數(shù)量化衡量氣候風(fēng)險信息，更好地反映了投資者在氣候變化風(fēng)險事件中的反應(yīng)；第二，應(yīng)用混合神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型來評估氣候風(fēng)險對能源行業(yè)股票市場預(yù)測能力的影響，不僅豐富了“氣候變化與金融市場”和“融合外部信息的股價預(yù)測”這兩個領(lǐng)域的研究，還具有一定的實用性；第三，發(fā)現(xiàn)了氣候信息有效性對不同的能源行業(yè)有不同的效果，對電力設(shè)備及新能源行業(yè)的性能提升最大，高達80%，其中氣候轉(zhuǎn)型風(fēng)險信息的有效性更強。其次是煤炭行業(yè)，性能提升高達60%，最差的是石油石化行業(yè)，但也有30%的性能提升，且對于這兩個行業(yè)來說，綜合兩類氣候風(fēng)險類型的數(shù)據(jù)帶來的信息有效性最強。

二、文獻綜述與理論分析

氣候風(fēng)險是一個復(fù)雜的概念，它需要綜合考慮多種因素，包括氣候變化的速度和規(guī)模、社會和經(jīng)濟系統(tǒng)的脆弱性、環(huán)境管理和政策措施等?，F(xiàn)在的學(xué)術(shù)研究中，主要將氣候風(fēng)險分成兩類：物理風(fēng)險和轉(zhuǎn)型風(fēng)險。

氣候物理風(fēng)險是指由氣候變化所引起的自然災(zāi)害、極端氣候事件等對實體經(jīng)濟和金融市場帶來的風(fēng)險。Bansal et al.[2]指出物理氣候風(fēng)險與股票回報相關(guān)的經(jīng)濟學(xué)原理是，如果溫度風(fēng)險代表了消費的未來風(fēng)險，那么更容易受到長期風(fēng)險影響的公司在當下應(yīng)該向投資者提供更高的風(fēng)險溢價。能源行業(yè)是全球溫室氣體排放的主要來源之一，同時也是氣候變化的直接受益者或受害者之一。Giglio et al.[5]指出，金融市場是緩解和對沖氣候風(fēng)險的主要工具，通過促進投資資本流向綠色項目，遠離棕色產(chǎn)業(yè)和企業(yè)，對相關(guān)產(chǎn)業(yè)的股票池上產(chǎn)生不同的影響，來減輕氣候風(fēng)險。具體而言，氣候變化對煤炭、石油、天然氣等傳統(tǒng)能源行業(yè)的影響最為顯著。Giglio et al.[5]指出，化石燃料是生產(chǎn)的關(guān)鍵投入，因此經(jīng)濟增長會增加溫室氣體排放，這些排放導(dǎo)致了氣候變化，而氣候變化對未來的經(jīng)濟活動具有潛在的巨大負反饋效應(yīng)。首先，極端氣候事件可能導(dǎo)致能源企業(yè)的生產(chǎn)和運營受到影響。例如，氣候變化引發(fā)的極端氣候事件可能導(dǎo)致煤炭、石油和天然氣的產(chǎn)量下降，供應(yīng)鏈中斷和生產(chǎn)設(shè)施受損，氣候變化對鐵路、港口等交通基礎(chǔ)設(shè)施的破壞會導(dǎo)致銷售渠道阻塞[6]，從而影響能源企業(yè)的利潤和股票價格。楊璐等[7]利用天氣數(shù)據(jù)和中國工業(yè)企業(yè)的微觀數(shù)據(jù)，發(fā)現(xiàn)高溫會降低工業(yè)企業(yè)的全要素生產(chǎn)率、固定資產(chǎn)總值和創(chuàng)新能力，進而會影響企業(yè)的產(chǎn)出。其次，氣候變化帶來的極端天氣事件和自然災(zāi)害可能引發(fā)全球能源市場供需變化。消費者或?qū)⑻幱诒Ｗo環(huán)境的責(zé)任感拒絕購買高能耗、高排放企業(yè)提供的產(chǎn)品和服務(wù)[8]。對于進口依賴度較高的國家而言，這種供需變化可能導(dǎo)致能源價格上漲，進而影響能源企業(yè)的成本和股票價格。此外，氣候變化還可能影響傳統(tǒng)能源企業(yè)的品牌價值和聲譽，如傳統(tǒng)能源企業(yè)的環(huán)保形象和社會責(zé)任形象，可能因為氣候物理風(fēng)險事件的發(fā)生而受到損害，從而影響其股票價格。

對于新能源行業(yè)的企業(yè)，氣候物理風(fēng)險對其的影響是復(fù)雜的。當氣候物理風(fēng)險導(dǎo)致市場需求變化時，新能源企業(yè)的股票價格可能會受到積極影響。例如，由于干旱導(dǎo)致傳統(tǒng)能源需求減少，新能源企業(yè)可能會受益于其更環(huán)保和可持續(xù)的生產(chǎn)方式，進而獲得更多的市場份額和更高的收益，從而提高其股票價格。盡管可再生能源在生產(chǎn)過程中不會產(chǎn)生溫室氣體，但氣候物理風(fēng)險仍可能對其股票價格產(chǎn)生負面影響。例如，當颶風(fēng)或暴雨導(dǎo)致太陽能或風(fēng)力發(fā)電站無法正常運轉(zhuǎn)時，新能源企業(yè)的收益可能會下降，從而降低其股票價格。此外，由于新能源企業(yè)的成本較高，當氣候物理風(fēng)險導(dǎo)致其生產(chǎn)和運營成本增加時，企業(yè)的收益可能會受到影響，進而降低其股票價格。

氣候轉(zhuǎn)型風(fēng)險是指在應(yīng)對氣候變化、轉(zhuǎn)向可持續(xù)發(fā)展型經(jīng)濟的過程中，由于政策轉(zhuǎn)變、技術(shù)革新、市場情緒與偏好變化、商業(yè)模式改變等帶來的風(fēng)險。氣候轉(zhuǎn)型風(fēng)險對傳統(tǒng)能源行業(yè)股票價格產(chǎn)生多為負面影響。隨著政策趨勢向可再生能源的轉(zhuǎn)型，政府對于傳統(tǒng)能源行業(yè)的監(jiān)管力度也在不斷加強，煤炭和石油公司會面臨更嚴格的監(jiān)管和環(huán)境稅收，額外的環(huán)境成本和法律訴訟風(fēng)險，如碳稅、排放限制和環(huán)保訴訟等。這些額外的成本和風(fēng)險可能影響能源企業(yè)的利潤率和股票價格。Barnett[9]使用事件研究法探索了監(jiān)管風(fēng)險對金融市場的影響。他發(fā)現(xiàn)，未來氣候政策行動的可能性的增加，會導(dǎo)致氣候政策風(fēng)險敞口較高的公司股票價格下降。同時，隨著可再生能源技術(shù)的持續(xù)開發(fā)與應(yīng)用，新能源的成本越來越低，市場規(guī)模越來越大，世界上也有越來越多的國家與地區(qū)正在推進向低碳經(jīng)濟的轉(zhuǎn)變，他們已經(jīng)開始逐漸改變對傳統(tǒng)能源的依賴，以可再生能源為主要的能源來源。這些都會導(dǎo)致傳統(tǒng)能源行業(yè)的成本增加和盈利減少。Faccini et al.[10]通過文本分析發(fā)現(xiàn)，美國的氣候政策變化風(fēng)險在股票價格中被定價，且投資者會采用更具環(huán)保意愿的公司對沖即將到來的轉(zhuǎn)型風(fēng)險。

對于新能源行業(yè)，氣候轉(zhuǎn)型風(fēng)險使其面臨著重大的市場機遇和風(fēng)險。首先，隨著全球?qū)稍偕茉吹男枨笾饾u增加，新能源行業(yè)的市場規(guī)模也在不斷擴大，新能源行業(yè)已經(jīng)成為未來主流發(fā)展行業(yè)的趨勢之一。例如，太陽能、風(fēng)能和水力發(fā)電等可再生能源已經(jīng)成為了市場上的主流，這些行業(yè)的股票價格也在不斷上漲。Antoniuk et al.[11]認為，對清潔能源發(fā)展的預(yù)期是推動新能源行業(yè)和其行業(yè)股價的主要因素之一，如果氣候變化政策支持向低碳經(jīng)濟轉(zhuǎn)型，就可以為清潔能源創(chuàng)造有利條件，使得未來清潔能源的價格可能進一步下降。政府對可再生能源的支持力度不斷加強，不斷推動向可再生能源的轉(zhuǎn)型方面投入更多的資金和資源，新能源行業(yè)的技術(shù)創(chuàng)新也在不斷提高，這些因素提高了新能源行業(yè)的市場競爭力，共同推動了新能源行業(yè)的發(fā)展和壯大，對該行業(yè)的股票價格產(chǎn)生了積極的影響。但是，由于新能源行業(yè)發(fā)展時間相對較短，其產(chǎn)能和市場份額相對較小，技術(shù)和商業(yè)模式也相對不穩(wěn)定，市場風(fēng)險也相對較大，因此在競爭激烈的市場中難以與傳統(tǒng)能源行業(yè)一較高下。

三、研究設(shè)計

（一）數(shù)據(jù)集的設(shè)置

在現(xiàn)有文獻中，許多方法被用來衡量氣候風(fēng)險信息，例如當?shù)氐钠骄鶜鉁亍⑷A爾街日報的新聞指數(shù)等。但隨著信息技術(shù)的進步，越來越多的研究人員開始使用新的數(shù)據(jù)技術(shù)來衡量影響因素，試圖從行為金融的角度研究其在股票回報預(yù)測方面的能力[12-15]。Engle et al.[16]從投資者注意力的角度，提出利用新聞指數(shù)構(gòu)建氣候風(fēng)險信息時間序列。他認為，當有關(guān)氣候風(fēng)險變化的事件發(fā)生時，可能會導(dǎo)致報紙報道這些事件，同時報紙甚至可能是投資者用來更新其氣候風(fēng)險主觀認知的直接來源。因此，從新聞的文本中提取氣候新聞，并進行相應(yīng)的計算，構(gòu)建了一個氣候風(fēng)險時間序列。

但新聞報道往往會造成信息不對稱，并且會向投資者傳達撰寫者的新聞情緒，促使新聞產(chǎn)生一定的偏向性。許多學(xué)者指出搜索量指數(shù)被認為是衡量投資者對事件的認知和關(guān)注更為合理的方法，主要原因如下：（1）不管是國內(nèi)還是國外，搜索引擎能夠提供高度多樣化的信息，這意味著投資者注意力的變化會直接反映在搜索引擎的搜索量上[17]；（2）現(xiàn)代投資者更喜歡通過網(wǎng)絡(luò)媒體獲取信息；（3）在線搜索有助于避免間接代理帶來的問題，如新聞標題[18]、心理障礙[19]或銷量[20]。Gu et al.[21]也指出，每一次極端天氣事件的發(fā)生都會增加人們對氣候變化的感知風(fēng)險。因此，本文選取百度搜索指數(shù)，主要是因為百度是國內(nèi)網(wǎng)民比較傾向于使用的搜索引擎之一，人們也習(xí)慣了用該平臺來查詢自己感興趣的事情。因此，將選取以下關(guān)鍵詞作為氣候風(fēng)險信息的關(guān)鍵詞，具體如表1所示。

由于百度搜索指數(shù)的時間限制，本文選取從2011年9月1日到2022年8月31日的百度搜索指數(shù)。針對這些氣候風(fēng)險關(guān)鍵詞，在百度搜索指數(shù)中進行搜索，選取PC+移動的總數(shù)據(jù)，利用Python爬蟲技術(shù)，將每日的數(shù)據(jù)匯總起來。

本文選取A股上市公司的行業(yè)指數(shù)作為能源股票市場的研究對象，按中信證券的一級分類，選擇石油石化行業(yè)、煤炭行業(yè)、電力設(shè)備和新能源行業(yè)的行業(yè)指數(shù)。本文所選取的數(shù)據(jù)時間跨度為2011年9月1日至2022年8月31日，收集行業(yè)指數(shù)的日度信息，共計2 674個交易日。選取的行業(yè)指數(shù)歷史信息特征變量分別是開盤價、收盤價、最高價、最低價、成交量（手）、成交金額（萬元）、換手率（%），輸出數(shù)據(jù)為下一天的行業(yè)指數(shù)。所有數(shù)據(jù)均來自于Choice金融終端。

在模型訓(xùn)練之前，有必要將所有的行業(yè)指數(shù)進行歸一化操作，其他指標也需進行歸一化處理，從而統(tǒng)一量綱。本文采用min-max標準化方法進行數(shù)據(jù)的標準化，轉(zhuǎn)換公式如下所示：

其中，Xmin是樣本中該指標的最小值，Xmax是樣本中該指標的最大值，通過該方法，可將變換后的數(shù)據(jù)范圍控制在［0，1］內(nèi)。

由于所使用的數(shù)據(jù)是一組時間序列，所以本文將這些數(shù)據(jù)按時間順序進行了8■2的劃分，即所選股票2011年9月1日至2020年6月22日的數(shù)據(jù)作為訓(xùn)練集，2020年6月23日至2022年8月31日的數(shù)據(jù)作為測試集。

（二）預(yù)測模型的構(gòu)建及評價指標

1.預(yù)測模型的構(gòu)建

行業(yè)指數(shù)預(yù)測任務(wù)的基本數(shù)據(jù)是行業(yè)指數(shù)的歷史信息，通過模型從歷史數(shù)據(jù)中挖掘出有利于行業(yè)指數(shù)預(yù)測的信息，對行業(yè)指數(shù)的未來趨勢做出預(yù)測。但是，時間序列數(shù)據(jù)還受到其他因素的影響，例如季節(jié)性、趨勢性、市場因素等。如果只考慮時間，可能會忽略其他影響因素對時間序列數(shù)據(jù)的影響，導(dǎo)致對數(shù)據(jù)的分析和預(yù)測出現(xiàn)偏差。在我國股票市場中，中小投資者數(shù)量眾多，他們獲取信息的渠道有限，網(wǎng)絡(luò)搜索是他們獲取信息、尋找投資機會的重要且最直接的方式。當投資者在網(wǎng)絡(luò)上搜索氣候風(fēng)險的相關(guān)信息時（例如：洪水、颶風(fēng)、節(jié)能減排等），說明投資者對氣候風(fēng)險產(chǎn)生了關(guān)注，并進一步了解到氣候風(fēng)險的概念和產(chǎn)生的相關(guān)損失，而這種關(guān)注在發(fā)生極端天氣后更加明顯。當投資者經(jīng)歷并意識到氣候風(fēng)險時，他們通過了解氣候風(fēng)險的相關(guān)信息，改變認知。如果投資者改變了對氣候風(fēng)險的看法，他們就可能會買入氣候敏感性較低的股票，賣出敏感性較高的股票。投資者對于氣候風(fēng)險的關(guān)注是影響股票市場的重要因素。因此，引入氣候風(fēng)險這一相關(guān)性因素可以提高行業(yè)指數(shù)預(yù)測模型的可解釋性和輸入特征的豐富性，從而提高模型的準確度。這種方法可以在一定程度上提高模型對時間序列數(shù)據(jù)的預(yù)測準確度，使預(yù)測結(jié)果更加可靠。

不同的深度學(xué)習(xí)模型有不同的數(shù)據(jù)提取特點，CNN模型通過局部連接、權(quán)重共享和下采樣這三個特性，使得CNN模型可以很好地捕捉數(shù)據(jù)中的局部特征；LSTM模型通過記憶單元和門結(jié)構(gòu)，通過信息傳遞過程中對信息進行保留或舍棄的操作，能夠捕捉到時間序列中的長期信息特征。兩者相結(jié)合，可以彌補LSTM對異常值過于敏感的缺點，也能夠解決CNN模型無法學(xué)習(xí)時間序列數(shù)據(jù)的問題。因此，本文基于集成學(xué)習(xí)的思想，使用CNN-LSTM模型，對氣候風(fēng)險數(shù)據(jù)和行業(yè)指數(shù)歷史數(shù)據(jù)進行建模，預(yù)測行業(yè)指數(shù)的漲跌情況。

本文所構(gòu)建的CNN-LSTM模型如圖1所示，共包含三個過程：（1）用于提取氣候風(fēng)險信息時間序列短期特征的CNN模型，通過卷積層與池化層的特征提取后，獲得［64，64］的短時特征向量；（2）用于提取行業(yè)指數(shù)歷史信息長期依賴性的LSTM模型，通過輸入模型后，提取出隱藏層特征，獲得［64，64］的歷史信息特征數(shù)據(jù)；（3）通過將兩個模型提取的特征數(shù)據(jù)進行拼接，同時輸入全連接神經(jīng)網(wǎng)絡(luò)，最終預(yù)測行業(yè)指數(shù)的第二日收盤價。

2.預(yù)測模型的參數(shù)設(shè)置

本文所構(gòu)造的CNN-LSTM模型主要有3個主體結(jié)構(gòu)，分別為提取氣候風(fēng)險信息時間序列短期特征的CNN模型、提取行業(yè)指數(shù)歷史信息時間序列長期依賴性的LSTM模型、對合并的數(shù)據(jù)進行處理并輸出預(yù)測值的全連接神經(jīng)網(wǎng)絡(luò)模型。

本文設(shè)置兩個卷積層和池化層，結(jié)構(gòu)是“輸入層——卷積層——池化層——卷積層——池化層”。具體的參數(shù)如表2所示。

LSTM模型的架構(gòu)由2層網(wǎng)絡(luò)層構(gòu)成：輸入層和隱藏層（LSTM layer1）。具體參數(shù)選擇如表3。

最后一個模型是全連接神經(jīng)網(wǎng)絡(luò)模型，通過CNN模型和LSTM模型對特征進行提取，并將提取特征進行拼合，輸入到全連接神經(jīng)網(wǎng)絡(luò)模型中。全連接神經(jīng)網(wǎng)絡(luò)模型的輸入層節(jié)點數(shù)為128，輸出層節(jié)點數(shù)為1。

3.模型預(yù)測精度的評價指標

本文進行的試驗是對股票價格的預(yù)測，因此選取的評價指標為均方誤差（MSE）、平均絕對誤差（MAE）以及可解釋方差值（R2），計算公式如下所示。

其中，yi是真實結(jié)果，i是預(yù)測結(jié)果，代表均值，m表示預(yù)測的數(shù)量。MSR與MAE的值越小，則表示該模型的預(yù)測準確度越高，R2的結(jié)果越接近1，訓(xùn)練出的模型效果越好。

（三）對比模型設(shè)置

為了探討氣候風(fēng)險信息對股價預(yù)測精度的提高，本文通過對比輸入不同數(shù)據(jù)集的預(yù)測模型準確度，包括：（1）對比本文構(gòu)建的模型CNN-LSTM-CRI與只有行業(yè)指數(shù)歷史信息數(shù)據(jù)的LSTM模型和只加入物理風(fēng)險信息或轉(zhuǎn)型風(fēng)險信息的預(yù)測模型的表現(xiàn)，評估氣候風(fēng)險信息的作用；（2）通過對比不同行業(yè)指數(shù)的CNN-LSTM-Physical與CNN-LSTM-Transition模型表現(xiàn)，探尋物理風(fēng)險信息和轉(zhuǎn)型風(fēng)險信息對不同行業(yè)股票市場的貢獻差異。具體模型數(shù)據(jù)集設(shè)置如表4所示。

四、實證結(jié)果分析

通過將不同的氣候風(fēng)險信息數(shù)據(jù)與行業(yè)指數(shù)歷史信息數(shù)據(jù)相組合，將其輸入CNN-LSTM模型中，對不同數(shù)據(jù)集下的模型預(yù)測效果進行評價。

在對三種行業(yè)指數(shù)進行的數(shù)據(jù)集預(yù)測性能對比實驗中，僅包含行業(yè)指數(shù)歷史信息特征數(shù)據(jù)（Feature）的預(yù)測效果最差。相比于Feature數(shù)據(jù)集，添加氣候轉(zhuǎn)型風(fēng)險信息數(shù)據(jù)（Physical）和氣候轉(zhuǎn)型風(fēng)險信息數(shù)據(jù)（Transition）的數(shù)據(jù)集預(yù)測經(jīng)過均得到了顯著提升，且不同的數(shù)據(jù)集在不同的行業(yè)指數(shù)中所起到的提升效果不同。相比于單一數(shù)據(jù)集，混合數(shù)據(jù)集的預(yù)測效果有些有顯著提升，有些反而產(chǎn)生噪聲，降低了預(yù)測準確性。

通過對試驗結(jié)果進行進一步的分析，可以得出：第一，投資者對氣候風(fēng)險的關(guān)注數(shù)據(jù)顯著優(yōu)于單一指數(shù)信息數(shù)據(jù)集的表現(xiàn)。極端氣候風(fēng)險的突發(fā)事件（例如洪水、颶風(fēng)、干旱、野火、極端溫度等）可能會導(dǎo)致投資者注意力的變化，并導(dǎo)致投資者對下一階段的宏觀經(jīng)濟狀況和相關(guān)行業(yè)公司的股票價格做出新的判斷，促使投資者做出新的投資決策，并影響公司的股票回報。投資者關(guān)注度的變化是多種因素綜合作用的結(jié)果，包括新聞報道和氣候風(fēng)險的突發(fā)事件，所有這些因素都會導(dǎo)致公司股票價格的變化。因此，使用投資者對氣候風(fēng)險的關(guān)注數(shù)據(jù)，對能源行業(yè)股票市場進行預(yù)測，既可測出極端氣候事件對股市的沖擊，又可測出"非理性"的人為因素對股市的沖擊，使神經(jīng)網(wǎng)絡(luò)能更好地從原始噪音中挖掘出更多更有用的信息，進而提升股市的預(yù)測精度。

第二，不同的氣候風(fēng)險類型信息對不同行業(yè)所產(chǎn)生的影響也不同。對于電氣設(shè)備及新能源行業(yè)來說，氣候轉(zhuǎn)型風(fēng)險信息數(shù)據(jù)對行業(yè)指數(shù)的預(yù)測提升十分顯著，在行業(yè)指數(shù)歷史信息特征數(shù)據(jù)的基礎(chǔ)上添加氣候轉(zhuǎn)型風(fēng)險信息數(shù)據(jù)，預(yù)測模型的MSE值下降了85.72%，MAE值下降了55.63%；而在加入氣候物理風(fēng)險信息數(shù)據(jù)后，MSE值和MAE值反而上升，這說明對于電氣設(shè)備及新能源行業(yè)來說，氣候轉(zhuǎn)型風(fēng)險信息所帶來的預(yù)測性能提升遠大于氣候物理風(fēng)險，再加入氣候物理風(fēng)險數(shù)據(jù)還會對模型產(chǎn)生一定的噪聲干擾，影響氣候轉(zhuǎn)型風(fēng)險信息的預(yù)測效果。這可能是由于樣本數(shù)量的限制，使得有效性不高的數(shù)據(jù)無法被模型完全學(xué)習(xí)，對模型的預(yù)測造成一定的干擾。而對于石油石化和煤炭行業(yè)，氣候轉(zhuǎn)型風(fēng)險信息數(shù)據(jù)和氣候轉(zhuǎn)型風(fēng)險信息數(shù)據(jù)都對模型預(yù)測性能有明顯的提升，同時加入兩個數(shù)據(jù)集，更是使得模型的預(yù)測能力進一步提升。

五、結(jié)論與啟示

隨著極端天氣的發(fā)生頻率和強度不斷增加，氣候風(fēng)險在金融市場中已經(jīng)成為了不可避免的風(fēng)險，世界各地的投資者都渴望能夠有效地避免氣候風(fēng)險帶來的損失。本文深入分析了氣候風(fēng)險對能源行業(yè)股票市場的影響機制，在該理論的基礎(chǔ)上，提出了融合氣候風(fēng)險信息的能源行業(yè)股票市場預(yù)測深度學(xué)習(xí)模型，選取電力設(shè)備及新能源行業(yè)、石油石化行業(yè)和煤炭行業(yè)的行業(yè)指數(shù)作為預(yù)測對象。并根據(jù)氣候風(fēng)險的特征，將其分為氣候物理風(fēng)險和氣候轉(zhuǎn)型風(fēng)險，構(gòu)建不同的數(shù)據(jù)集，檢驗數(shù)據(jù)的有效性。為了更好地提取特征的信息，構(gòu)建了CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)，利用CNN模型提取氣候風(fēng)險信息時間序列的短時特征，利用LSTM模型提取行業(yè)指數(shù)歷史信息的長期依賴性特征，再將提取的特征組合輸入全連接神經(jīng)網(wǎng)絡(luò)，用以預(yù)測第二日的收盤價。

本文的研究結(jié)論如下：（1）將氣候風(fēng)險信息引入到行業(yè)指數(shù)預(yù)測模型中，可以有效地提高指數(shù)預(yù)測準確度。（2）氣候轉(zhuǎn)型風(fēng)險和氣候物理風(fēng)險對電力設(shè)備及新能源行業(yè)指數(shù)的預(yù)測性能提升80%，極大地改善了對新能源行業(yè)的預(yù)測能力；石油石化行業(yè)提升了60%，煤炭行業(yè)提升效果最差，但也可以提升約30%。

本文的研究結(jié)果有利于規(guī)避氣候風(fēng)險的投資者對能源行業(yè)進行投資，尤其是電力設(shè)備及新能源行業(yè)，在添加氣候風(fēng)險信息數(shù)據(jù)前，深度學(xué)習(xí)模型難以從歷史信息中提取到有效的預(yù)測信息，而加入氣候風(fēng)險信息后，大大提高了模型的預(yù)測能力。利用該模型，能夠為投資者提供有效的投資建議。

除此之外，本文的實證結(jié)果表明，氣候物理風(fēng)險和氣候轉(zhuǎn)型風(fēng)險對傳統(tǒng)能源和新能源行業(yè)的影響都很大，對于傳統(tǒng)行業(yè)的公司管理者來說，收縮公司的氣候風(fēng)險敞口，積極關(guān)注氣候轉(zhuǎn)型風(fēng)險的政策和技術(shù)，對于保持公司的長遠穩(wěn)定發(fā)展十分重要。對于新能源行業(yè)，轉(zhuǎn)型風(fēng)險對新能源行業(yè)的影響程度更深，該行業(yè)的公司管理者更應(yīng)時刻關(guān)注相關(guān)政策，不斷研發(fā)精進新能源技術(shù)，抓住市場機遇，提高自身能力，提高公司的價值。

【參考文獻】

［1］ BOURDEAU-BRIEN M，KRYZANOWSKI L.The impact of natural disasters on the stock returns and volatilities of local firms［J］.The Quarterly Review of Economics and Finance，2017，63：259-270.

［2］ BANSAL R，OCHOA M，KIKU D.Climate change and growth risks［R］.National Bureau of Economic Research，2016.

［3］ 張帥，陸利平，張興敏.金融系統(tǒng)氣候風(fēng)險的評估、定價與政策應(yīng)對：基于文獻的評述［J］.金融評論，2022，

14（1）：99-120，124.

［4］ BAYOUMI M T，QUAYYUM M S N，DAS S.Growth at risk from natural disasters［M］.International Monetary Fund，2021.

［5］ GIGLIO S，KELLY B，STROEBEL J.Climate finance［D］.CESifo Working Paper Series，2020.

［6］ JONES B F，OLKEN B A.Climate shocks and exports［J］.American Economic Review，2010，100.

［7］ 楊璐，史京曄，陳曉光.溫度變化對中國工業(yè)生產(chǎn)的影響及其機制分析［J］.經(jīng)濟學(xué)（季刊），2020（5）：22.

［8］ 高睿，王營，曹廷求.氣候變化與宏觀金融風(fēng)險——來自全球58個代表性國家的證據(jù)［J］.南開經(jīng)濟研究，2022，225（3-20）.

［9］ BARNETT M.Climate change and uncertainty：An asset pricing perspective［Z］.Management Science，2023.

［10］ FACCINI R，MATIN R，SKIADOPOULOS G S.Dissecting climate risks：are they reflected in stock prices？［J］.Journal of Banking & Finance，2023，115.

［11］ ANTONIUK Y，THOMAS L.Climate change events and stock market returns［J］.Journal of Sustainable Finance & Investment，2021：27.

［12］ 趙慶國，曲曉宇.投資者情緒對中國不同行業(yè)股票收益率的影響［J］.會計之友，2022（14）：54-60.

［13］ 杜劍，楚琦，楊楊.投資者情緒、衍生金融工具與股票收益［J］.會計之友，2020（13）：8-14.

［14］ AUDRINO F，TETEREVA A.Sentiment spillover effects for US and European companies［J］.Journal of Banking & Finance，2019，106：542-567.

［15］ YIN L，F(xiàn)ENG J.Can investors attention on oil markets predict stock returns？［J］.The North American Journal of Economics and Finance，2019，4（48）：786-800.

［16］ ENGLE R F，GIGLIO S，KELLY B.Hedging climate change news［J］.The Review of Financial Studies，2020，33（3）：1184-1216.

［17］ YU L，ZHAO Y，LING T.Online big data-driven oil consumption forecasting with Google trends［J］.International Journal of Forecasting，2018，35（1）：213-223.

［18］ YU，YUAN.Market-wide attention，trading，and stock returns［J］.Journal of Financial Economics，2015，116（3）：548-564.

［19］ AGGARWAL R，LUCEY B M.Psychological barriers in gold prices？［J］.Institute for International Integration Studies Discussion Paper，2005，16（2）：217-230.

［20］ BARBER B M，ODEAN T.All that glitters：The effect of attention and news on the buying behavior of individual and institutional investors［J］.Review of Financial Studies，2008（2）：785-818.

［21］ GU G W，HALE G.Climate risks and FDI［J/OL］.Journal of International Economics，2023.